基于图像识别的围岩风化程度全自动识别方法及装置与流程

1.本发明涉及隧道施工技术领域，尤其是涉及一种基于图像识别的围岩风化程度全自动识别方法及装置。


背景技术：

2.岩石风化程度严重影响围岩工程特性，在《公路隧道设计规范》及《铁路隧道设计规范》中均采用风化系数(即：风化后围岩抗压强度与未风化围岩抗压强度比值)作为表征围岩风化程度的定量化评价指标，如表1所示，但实际工程中很难对每次开挖后暴露的掌子面进行钻孔取样和室内试验。
3.表1《公路隧道设计规范》围岩风化程度划分表
[0004][0005]
目前在隧道工程中，围岩的风化程度划分多采用定性评价的方法，主要从岩石颜色、次生矿物、节理及风化裂隙发育情况、完整程度、以及岩石的物理、力学、水理性质变化等综合指标分析确定，由于围岩种类差异及所处水文地质环境的不同，围岩所受风化作用及风化后形态变化差异较大，因此很难建立起统一的划分标准。在工程实际中存在如下问题：
[0006]
(1)依赖于地质工程师目测识别的方法主观性较大，且容易受到现场光照、湿度影响，不同地质工程师往往对同一掌子面围岩条件判断得出结果具有差异性，这种主观判定的方法学不具备科学性。
[0007]
(2)为解决上述主观误差，勘测单位及施工单位常采用组建多人检测小组的方法，由多位地质专家对同一掌子面进行多次判定、反复论证，以得到更精准的划分结果。但是这又增加了识别工作的工作量，工作效率低下，造成巨大的人员、资金浪费。
[0008]
(3)基于规范的定量化判定，可采用室内抗压强度试验或现场波速比试验测试，但
是在野外工程环境中很难寻找到同类新鲜岩石作为对照组。该种定量评价方法从实施角度几乎不存在可行性。
[0009]
在实际隧道开挖工程过程中，由于现场取样-室内试验等定量化评价方法效率低、工作量大，对围岩风化程度判别均依赖地质工程师基于围岩野外特征的主观判断。由于掌子面围岩情况复杂，一些多年从事地质工作的工程师也很难准确划分围岩风化程度等级，同时由于判定标准模糊、主观性强，致使不同地质工程师对同一掌子面风化程度判定结果存在差异。
[0010]
针对传统判定方法中指标多、判定标准模糊、判定结果不准确的问题，有研究人员尝试采用深度学习的手段进行分析，如专利申请cn201910768866.x，但还存在如下明显的缺陷：
[0011]
(1)训练速度慢。神经网络的一个问题是训练速度存在问题，为了获得更好的拟合效果，往往需要增加网络层次、增加每层神经元个数，然而这样会导致网络中的待优化参数大量增加从而造成计算量过大，训练将会耗费很长时间，严重影响模型迭代速度；另一方面，受到硬件性能的影响，必须采用更加简单的神经网络训练，这又无形中降低了模型的精度；最后，神经网络往往需要收集大量有效的样本才能训练出泛化能力强的模型，否则容易导致模型过拟合的发生。
[0012]
(2)可解释性差。对于构建的多层神网络，中间神经元的输入输出不呈规律，每层网络提取到的特征知识难以理解，只能将多层神经网络当作一个黑盒子来用，训练结果往往都是知其然不知其所以然；一方面很难依据训练模型进行进一步的调整优化，另一方面不能研究围岩指标间的相互关系，对指标进行进一步的量化工作；最后，基于神经网络训练出的黑箱系统难以被现场人员理解和应用。


技术实现要素：

[0013]
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高的基于图像识别的围岩风化程度全自动识别方法及装置，实现围岩风化程度定量化判断。
[0014]
本发明的目的可以通过以下技术方案来实现：
[0015]
一种基于图像识别的围岩风化程度全自动识别方法，包括以下步骤：
[0016]
获取待识别掌子面图像，对该待识别掌子面图像进行预处理和光照校正，获得处理后图像；
[0017]
对所述处理后图像进行基于风化围岩特征的图像分割，获得分割图像；
[0018]
基于预先构建的围岩风化程度判定指标体系，从所述处理后图像和分割图像中获取相应指标值；
[0019]
通过训练获得的围岩风化程度量化评价模型和归一化处理后的相应指标值，获取围岩风化程度的定量化判定结果；
[0020]
其中，所述围岩风化程度量化评价模型为基于多元线性回归方法和所述围岩风化程度判定指标体系构建的模型。
[0021]
进一步地，所述围岩风化程度判定指标体系基于参数相关性分析构建，包括一级指标和二级指标，所述一级指标包括颜色、围岩完整性和掌子面纹理，所述颜色的二级指标包括lab色彩空间中的a分量、b分量的色彩一阶矩、二阶矩和三阶矩，所述围岩完整性的二
[0043]
β2＝a7 a8[0044]
β3＝a9 a
10
a
11
a
12
a
13
[0045]
式中：c——颜色指标，由下属6个二级指标组合得到；
[0046]
w——围岩完整性指标，由下属2个二级指标组合得到；
[0047]
t——掌子面纹理指标，由下属5个二级指标组合得到；
[0048]
β1——颜色指标对应权重；
[0049]
β2——围岩完整性指标对应权重；
[0050]
β3——掌子面纹理指标对应权重；
[0051]
ni——对应指标的指数，i＝1,2,
…
,13；
[0052]
xi——归一化后的指标值。
[0053]
本发明还提供一种电子识别装置，包括：
[0054]
一个或多个处理器；
[0055]
存储器；和
[0056]
被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如上所述全自动识别方法的指令。
[0057]
与现有技术相比，本发明构建物理意义明确、能够表征围岩风化程度的判定指标，并以此为基础构建“围岩特征-风化程度”间的对应关系、量化指标取值，最终实现围岩风化程度定量化判定，具有以下有益效果：
[0058]
(1)本发明对采集到的掌子面图像素材，首先进行图像去噪和光照强度修正，最大限度的消除施工现场复杂环境对判别准确性的影响。
[0059]
(2)本发明通过提取掌子面图像的颜色、完整性、纹理特征，罗列大量指标，在对各指标进行参数相关性分析的基础上，剔除对结果无影响的指标，筛选相关性较强的指标，最终确定能够表征围岩风化程度的判定指标，解决传统判定过程种判定指标模糊的问题，同时能大大减少模型训练时间。
[0060]
(3)本发明基于大量掌子面素材提取相关特征值，采用多元线性拟合手段，在满足精度的要求下，得到多特征指标组合的表达式及各指标权重，准确实现围岩风化指标的定量化描述。
[0061]
(4)本发明采用传统机器学习手段，支持向量机和多项式拟合方法都有着良好的解释性，每个算法都给出了优化目标，可以采用几何表示；能够在大量案例学习的基础上构建输入量-输出量之间的特定关系表达，总结、量化指标的取值范围，快速实现围岩风化程度的定量化判定。
附图说明
[0062]
图1为本发明的流程示意图；
[0063]
图2为图像融合效果图；
[0064]
图3为本发明模型训练过程示意图。
具体实施方式
[0065]
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案
为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0066]
术语解释
[0067]
掌子面：掌子面又称礃子面，是坑道施工中的一个术语。即开挖坑道(采煤、采矿或隧道工程中)不断向前推进的工作面。
[0068]
围岩风化程度：是风化作用对岩体的破坏程度，它包括岩体的解体和变化程度及风化深度；一般分为：未风化、微风化、中风化、强风化、全风化五种程度。
[0069]
实施例1
[0070]
本发明提供一种基于图像识别的围岩风化程度全自动识别方法，通过现场施工人员对开挖暴露的最新掌子面进行手机拍照采集，基于相关规范中围岩风化程度判定指标，建立围岩风化程度数字图像的特征指标体系，对掌子面采集图像进行图像预处理、图像分割、图像相关特征提取，基于提取特征对围岩风化程度进行综合判定，并在大量数据的基础上对个指标进行量化，建立评价模型，最终实现掌子面围岩风化程度的自动化判定。
[0071]
如图1所示，本发明全自动识别方法包括以下步骤：
[0072]
步骤s1，获取待识别掌子面图像，对该待识别掌子面图像进行预处理和光照校正，获得处理后图像；
[0073]
步骤s2，对所述处理后图像进行基于风化围岩特征的图像分割，获得分割图像；
[0074]
步骤s3，基于预先构建的围岩风化程度判定指标体系，从所述处理后图像和分割图像中获取相应指标值；
[0075]
步骤s4，通过训练获得的围岩风化程度量化评价模型和归一化处理后的相应指标值，获取围岩风化程度的定量化判定结果，其中，所述围岩风化程度量化评价模型为基于多元线性回归方法和所述围岩风化程度判定指标体系构建的模型。
[0076]
(1)参数指标相关性分析及关键指标确定
[0077]
工程中对于围岩风化程度判定主要从“颜色、次生矿物、节理、风化裂隙发育、完整性、坚硬程度、水理性质、新鲜度、表面光滑”等多个维度进行分析。
[0078]
但上述指标多存在相关性，围岩颜色变化主要来自于矿物蚀变，新的次生矿物产生，从机器视觉的角度可将上述两个指标总结为单一的颜色指标；同样，将节理、风化裂隙发育、完整性总结为围岩完整性指标；将岩石新鲜程度、表面光滑或粗糙等总结为掌子面纹理特征。至此，得到能够反应风化围岩的三个一级指标：“颜色、围岩完整性、掌子面纹理”。
[0079]
基于机器视觉技术：
[0080]
1)对于颜色特征描述，可采用l、a、b分量的一阶矩、二阶矩、三阶矩共9个二级指标表征；
[0081]
2)对于围岩完整性特征描述，主要从节理和风化裂隙角度描述，可采用单位面积内节理裂隙条数、单位面积内节理裂隙总长度共2个二级指标表征；
[0082]
3)对于掌子面纹理特征描述，可采用纹理的对比度、相关性、熵、平稳度、二阶矩共5个二级指标表征。
[0083]
采用计算相关性指数(pearson相关系数)的方法，研究上述指标间、指标和结果间相关性强弱，计算公式如下所示：
[0084][0085]
式中：xi，yi——对x量和y量同时测量的第i组数据；
[0086]
——对应x量、y量数据的均值；
[0087]
n——数据统计总组数；
[0088]
s(x)、s(y)——对应x量、y量数据的标准差。
[0089]
依据相关性研究结果，剔除对判定结果无影响的图像亮度分量l的一阶矩、二阶矩、三阶矩三个二级指标，最终保留剩余13个二级指标作为围岩风化程度的判定指标，如表2所示。
[0090]
表2围岩风化程度判定指标
[0091][0092]
(2)围岩风化程度量化评价模型
[0093]
本方法采用的围岩风化程度量化评价模型为基于多元线性回归方法和所述围岩风化程度判定指标体系构建的模型，通过以下步骤训练获得：
[0094]
11)构造掌子面图像数据库，该数据库中的掌子面图像样本带有图像标记，所述图像标记包括岩性和风化程度，所述掌子面图像样本为对采集图像进行预处理和光照校正后获得的图像。
[0095]
本实施例中，采集图像为工程技术人员使用手机在掌子面正前方一定距离进行拍摄获得，拍摄过程中开启补光灯，确保掌子面图像无阴影覆盖。拍摄图像尽可能覆盖“未风化、微风化、中风化、强风化、全风化”各种风化程度，并对每张照片进行“岩性 风化程度”标记。
[0096]
图像预处理主要包括：图像去噪处理和图像尺寸统一化。针对隧道内恶劣的施工环境所产生的灰尘、光源干扰及拍照设备自身干扰，可将图像噪声分为高斯噪声和脉冲噪声。首先采用高斯低通滤波方法进行滤波消除高斯噪声，再采用中值滤波方法进行滤波消除脉冲噪声。最后对滤波处理后的掌子面图像做变换像素处理，进行图像尺寸统一化和格式标准化。
[0097]
本实施例中，光照校正具体包括：
[0098]
(101)色彩空间变换
[0099]
将cmos摄像机直接采集到的、经预处理的图像rgb颜色数据通过两步矩阵变化，首先将rgb色彩空间转换到ciel xyz色彩空间：
[0100]
[0101]
然后将ciel xyz色彩空间转换至lab色彩空间：
[0102][0103][0104][0105]
(102)基于单尺度retinex增强算法的光照校正
[0106]
采用retinex算法思路，将图像定义为反射光图像与入射光图像的乘积，用公式可以表示为：
[0107]
s(x,y)＝r(x,y)
·
l(x,y)
ꢀꢀ
(5)
[0108]
其中s(x,y)为原始图像，r(x,y)为反射光图像，包含了图像的本质属性，l(x,y)为入射图像，包含了图像的动态范围。基于上述理论，可采用调整或消除图像入射光图像的手段实现图像光照强度的增强和校正。表示为对数形式为：
[0109]
log(r(x,y))＝log(s(x,y))-log(l(x,y))
ꢀꢀ
(6)
[0110]
通过高斯函数与原图像进行卷积计算，可以得到入射光图像，计算方法如下：
[0111]
l(x,y)＝f(x,y)*s(x,y)
ꢀꢀ
(7)
[0112]
其中f(x,y)为高斯环绕函数，定义为：
[0113][0114]
其中c表示高斯环绕尺度，λ为一个常数，使得对f(x,y)的积分为1，将式(7)带入式(6)中，可以得到图像校正算法：
[0115]
r(x,y)＝log(r(x,y))＝log(s(x,y))-log[f(x,y)*s(x,y)]
ꢀꢀ
(9)
[0116]
(103)特征提取与图像融合
[0117]
采用canny边缘检测算子提取原rgb图像中的图像纹理信息，生成灰度图像。为避免传统算法处理后造成的光晕、色彩失真、细节丢失，采用融合思想，将校正后的l分量图像、分离出的a、b分量图及纹理特征灰度图进行融合操作，生成保留细节及色彩的光照强度校正图，如图2所示。
[0118]
经过上述处理，将预处理后图像在lab色彩空间下进行光照亮度校正，与图像纹理特征进行融合，保证图像在细节保留、色彩不失真的情况下使图像亮度均匀，更符合人眼感官。
[0119]
12)对所述掌子面图像样本进行基于风化围岩特征的图像分割。
[0120]
传统彩色图像分割基于色彩梯度变化进行分割，对风化围岩适用性较差；为准确分割节理、裂隙区域，提取节理裂隙条数、统计长度，针对围岩特性(变色、破碎)，采用传统彩色图像分割方法结合围岩节理特征综合分割方式。基于色彩差异进行分割的传统彩色图像区域分割方法，结合隧道掌子面节理、裂隙、纹理特征进行修正得到更加符合风化围岩特征的图像区域分割，便于后续特征的提取。
[0121]
13)基于所述围岩风化程度判定指标体系获取每一样本的相应指标值，归一化处理后，获得每一样本的模型输入输出数据集合。
[0122]
针对多指标的数据，采用归一化处理将各种类型数据处理到统一区间下的无量纲数值，采用归一化处理映射如下：
[0123][0124]
式中：x
min
——原始数据集中的最小值min(x)；
[0125]
x
max
——原始数据集中的最大值max(x)；
[0126]
x——原始数据；
[0127]
y——归一化数据。
[0128]
对围岩样本依据风化程度进行标记，其中：“未风化”标记为“1”、“微风化”标记为“2”、“中风化”标记为“3”、“强风化”标记为“4”、“全风化”标记为“5”。输入、输出数据集合形式可表示为：
[0129]
{x1,x2,x3,...,x
13
,y}
[0130]
上述：x1——归一化后的a分量一阶矩计算值；
[0131]
x2——归一化后的a分量二阶矩计算值；
[0132]
x3——归一化后的a分量三阶矩计算值；
[0133]
x4——归一化后的b分量一阶矩计算值；
[0134]
x5——归一化后的b分量二阶矩计算值；
[0135]
x6——归一化后的b分量三阶矩计算值；
[0136]
x7——归一化后的单位面积内节理裂隙条数计算值；
[0137]
x8——归一化后单位面积内节理裂隙总长度计算值；
[0138]
x9——归一化后的纹理对比度计算值；
[0139]
x
10
——归一化后的纹理相关性计算值；
[0140]
x
11
——归一化后的纹理熵计算值；
[0141]
x
12
——归一化后的纹理平稳性计算值；
[0142]
x
13
——归一化后的纹理二阶矩计算值；
[0143]
y——图像标记值，即为训练模型输出值，取值为1、2、3、4、5。
[0144]
14)随机将各样本组成训练集和测试集，训练获得所述围岩风化程度量化评价模型。
[0145]
将图像样本按照7比3的比例划分为训练集和测试集，将上述能够表征掌子面围岩风化程度的13个特征参数及标签参数作为输入参数。采用常用几种核函数构建svm分类器，采用上述训练集和测试集进行分类准确性对比，选取最优核函数；采用网格划分法搜索全局最优超参数c、γ的取值，最终构建符合掌子面围岩风化程度最优的svm分类器。基于大量图像特征参数，采用多项式拟合算法，在一定精度的条件下，对特征量和输出量之间的关系进行拟合，训练出各一级指标和下属二级指标间的组合关系，各一级指标自身权重，得到围岩风化程度定量化计算表达式。同时，依据多项式表达确定颜色、围岩完整性、掌子面纹理三个指标的计算方法及对应权重，总结划分参数取值范围。最终建立围岩风化程度量化评价模型，实现围岩风化程度的定量化评价。
[0146]
本实施例中，采用多元线性回归方法建立模型，设置多项式中最高次数n以及训练精度阈值ε，当模型输出结果和标签值的偏差在允许精度ε范围内时，则模型训练完成。并采
用测试集对模型进行验证，若训练好的模型在测试集上预测精度不高，则重新调整多项式最高次数n，直至训练出在训练集和测试集上表现均较好的模型。模型训练过程如图3所示。
[0147]
本实施例中，最终构建的模型如下：
[0148][0149]
其中：
[0150][0151][0152][0153]
β1＝a1 a2 a3 a4 a5 a6[0154]
β2＝a7 a8[0155]
β3＝a9 a
10
a
11
a
12
a
13
[0156]
式中：c——颜色指标参数，由下属6个二级指标组合得到；
[0157]
w——围岩完整性指标，由下属2个二级指标组合得到；
[0158]
t——掌子面纹理指标，由下属5个二级指标组合得到。
[0159]
β1——颜色指标对应权重；
[0160]
β2——围岩完整性指标对应权重；
[0161]
β3——掌子面纹理指标对应权重；
[0162]
ni——对应指标的指数。
[0163]
基于现有掌子面样本，采用上述方法进行处理，设置模型拟合精度50％，各指标指数为1(ni＝1)的条件下，可建立相应围岩风化程度指标判定模型，如表3所示。
[0164]
其中：
[0165]
(1)颜色指标，表征掌子面围岩蚀变变化面积及变化程度，具有实际物理意义；指标值越大，表明掌子面风化蚀变面积越大，风化程度越深。
[0166]
(2)围岩完整性指标，表征掌子面节理裂隙发育情况，具有实际物理意义；指标值越大，表明掌子面围岩越破碎，风化程度越深。
[0167]
(3)掌子面纹理指标，表征掌子面围岩表面粗糙程度，具有实际物理意义；指标值越大，表明掌子面越粗糙，风化程度越深。
[0168]
(4)表3中各判断指标取值范围根据当前样本训练、总结得到，可在样本量增加时，修正取值范围，直至样本量达到一定程度，取值范围趋于稳定。
[0169]
表3围岩风化程度指标判定模型
[0170][0171]
注：本表为了简化计算量，采取了如下处理措施：
[0172]
(1)模型精度设置50％，只是风化程度指标f取值连续；
[0173]
(2)设置各二级指标指数ni为1，指标组合变成线性组合；
[0174]
(3)将颜色指标、围岩完整性指标、掌子面纹理指标对应权重处理，使权重和为1；
[0175]
(4)在上述处理的条件下，产生取值区间长度为1的计算结果。
[0176]
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0177]
实施例2
[0178]
本实施例提供一种电子识别装置，包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，所述一个或多个程序包括用于执行如实施例1所述全自动识别方法的指令。
[0179]
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。