[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

说明书

本发明属于隧道施工配套技术领域，并公开了一种基于卷积神经网络的TBM岩渣大小等级识别方法，包括：采集TBM岩渣原始图像，并构建单一场景下的岩渣图像样本库；采用卷积神经网络对样本图像进行迭代训练，优化网络参数，得到最优化的卷积神经网络模型；将测试集图像输入到最优化的卷积神经网络模型，属于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。通过本发明，可以快速、准确地通过图像对初破碎岩渣的大小等级进行评估，并有效提高了TBM施工效率和故障诊断水平。

技术领域

本发明属于隧道施工配套技术领域，更具体地，涉及一种基于卷积神经网络的TBM岩渣大小等级识别方法。

背景技术

全断面硬岩掘进机(TBM)在隧道施工行业占领着重要的地位，随着水利水电、铁路、交通、矿山、城市建设的发展，其巨大的应用前景日益凸显。TBM的出渣状态是隧道施工管理人员的重要监控项，出渣监控以开挖中掉落至皮带机上破碎岩渣的尺寸大小为主要特征，岩渣颗粒过大除了会对转送皮带造成直接损伤，还往往对应着掘进机刀盘的故障或当前掘进参数设置的不合理。因此，岩渣大小等级识别对于TBM故障诊断具有重要意义。

作为TBM隧道施工的三大施工工序(掘进、支护、出渣)之一，出渣工作在施工过程中非常关键。传统的出渣监控一般采用全人工的方式，由专人看守在主机皮带机落渣处，发现异常现场处理，然而，由于硬岩地质隧道施工线路往往较长，推进速度缓慢且昼夜施工的特点，传统的人工监督工作枯燥乏味，需要消耗监督人员大量的时间与精力，而且极易出现漏检，因此对TBM岩渣的自动监控和准确识别提出了迫切需求。

现有技术中已经提出了一些岩渣图像识别的解决方案。例如，可采用在运转速度为2-3m/s的皮带上拍摄清晰无拖影的岩渣图像来达到识别的目的，具体可参见中国专利CN201621061653.1等。然而，进一步的研究表明，在采集的TBM出渣图像中，常见会出现以下现象譬如岩渣、泥土和水随机混合，渣块边缘模糊，纹理特征混乱等，特别是现有的图像处理算法无法满足岩渣颗粒大小等级判断的快速性、准确性要求。相应地，本领域亟需对此作出进一步的改进，以便符合更高效率和准确性的TBM岩渣大小识别工艺需求。

发明内容

针对现有技术的以上不足之处和改进需求，本发明提供了一种基于卷积神经网络的TBM岩渣大小等级识别方法，其中通过结合TBM岩渣出渣工况的特征和需求，针对性建立单一场景下的岩渣图像样本库，并采用深层卷积神经网络模型对训练样本进行迭代训练，相应可在获得优化网络参数的情况下准确获得故障样本属于各类故障的概率值，进而可依据最大概率值来快速对岩渣大小等级进行评估，有效提高了TBM施工效率和故障诊断水平。

为实现上述目的，按照本发明，提供了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：