[发明专利]一种基于卷积神经网络的TBM岩渣大小等级识别方法

权利要求书

1.一种基于卷积神经网络的TBM岩渣大小等级识别方法，其特征在于，该方法包括下列步骤：

(1)岩渣图像识别样本库的构建步骤

针对TBM隧道施工的出渣阶段，采集TBM岩渣原始图像；将所获得的多幅原始图像调整至所需的尺寸以作为样本图像，并分别记录其调整后的图像宽、图像高等图像数据；

将调整后的多幅图像依照各图像内最大岩块的体积大小来进行分类并记录类别数K；接着，将所有样本图像划分为训练集(X_train,Y_train)、验证集(X_validate,Y_validate)和测试集(X_test,Y_test)，其中X表示图像，Y表示图像所属类别标签，并且不同数据集中的图像文件无交集，由此构建TBM岩渣图像识别样本库；

(2)基于卷积神经网络的样本训练步骤

在所构建的TBM岩渣图像识别样本库的基础上，继续对训练样本进行迭代训练，该步骤具体包括以下子步骤：

(2-1)将所述训练集中的样本输入到卷积神经网络的卷积层来执行首次卷积操作，由此输出对应的特征映射图；对该特征映射图依次执行池化降采样处理和局部响应归一化处理；然后，将处理后的特征映射图作为输入值，再次输入到卷积神经网络的卷积层来执行二次卷积操作，由此输出对应的特征映射图，并对该特征映射图依次执行池化处理和局部响应归一化处理；

(2-2)将完成子步骤(2-1)全部处理后的特征映射图作为输入值，再次输入到卷积神经网络的卷积层，并且按照预设的所需次数来多次执行卷积操作；

(2-3)将子步骤(2-2)多次卷积操作后的特征映射图作为输入值，继续输入到卷积神经网络的池化层，由此执行池化和局部响应归一化处理；

(2-4)将完成子步骤(2-3)全部处理后的特征映射图提取出来转换为一维，然后输入到卷积神经网络的第一个全链接层，由此输出与该全链接层的神经元个数保持一致的特征值；以此方式，顺序输入到卷积神经网络的其余多个全链接层以获得对应的特征值，最终输出与上述类别数K保持一致的多个特征值；

(2-5)将子步骤(2-4)所输出的多个特征值作为置信度，并采用Softmax算法来进行回归处理，相应生成对应的概率分布数据；

(2-6)基于子步骤(2-5)生成的概率分布数据和所述训练集中的Y_train，计算出对应的代价函数值；接着，更新上述卷积神经网络包括卷积核参数、权重、偏置在内的训练参数，由此使得对应的代价函数值逐次降低直至达到收敛，由此完成对卷积神经网络的最优化处理；在此过程中，同步采用上述验证集来验证卷积神经网络的精度；

(3)TBM岩渣大小等级的识别步骤

将步骤(1)所划分的测试集(X_test,Y_test)输入到最优化处理后的卷积神经网络，得到各测试样本属于不同类别的概率分布值，并将此概率分布值作为岩渣大小等级的预测结果，从而完成整体的TBM岩渣大小等级识别过程。

2.如权利要求1所述的TBM岩渣大小等级识别方法，其特征在于，在步骤(1)中，所述TBM岩渣原始图像优选采用视觉相机来采集，并且该视觉相机安装在TBM主机皮带机的上方，且具备三轴方向上的位姿调整自由度。

3.如权利要求1或2所述的TBM岩渣大小等级识别方法，其特征在于，在步骤(1)中，调整后的多幅图像依照各图像内最大岩块的体积大小来进行分类，并且该类别数优选被设定为以下3种：图像内最大岩块体积V_max<1000cm³时的健康掘进状态类别、图像内最大岩块体积1000cm³≤V_max≤2000cm³时的掘进参数需调整状态类别，以及图像内最大岩块体积V_max>2000cm³时的停机检查状态类别。

4.如权利要求1-3任意一项所述的TBM岩渣大小等级识别方法，其特征在于，在步骤(1)中，为了解决类间数据不平衡的问题，对原始图像进行数据增强处理，对数据量少的类别下的原始图像采用小幅旋转、局部变形、图片翻转等对主要特征扰动较小的方式进行操作以平衡类间差距。