[发明专利]一种盾构机施工预警方法及装置

权利要求书

1.一种盾构机施工预警方法及装置，其特征在于，该装置包括：视觉传感器、异构计算设备、操作室显示器；主要完成岩渣状态识别和围岩完整性识别的作用。其中：

视觉传感器有多个，包含工业相机、变焦镜头、补光灯等组件，设置于岩渣传送带上方和盾构机前部，分别用于采集岩渣传送带上的岩渣图像和盾构机外围围岩图像。

异构计算设备，与视觉传感器连接，用于接收并处理视觉传感器采集的图像，与操作室显示器连接，通过显示器显示信息，包含CPU部分和FPGA部分，通过CPU和FPGA协同异构计算，进行基于卷积神经网络的预警算法的计算。

操作室显示器用于显示采集的图像信息及其对应的计算结果。

2.根据权利要求1所述的盾构机预警装置，其特征在于：视觉传感器通常选择具有耐高温、高湿的工业镜头，配合变焦镜头、补光灯实现图像的采集。在本装置中，使用两个不同位置的图像传感器作为图像采集装置，其中，在岩渣传送带上方架设视觉传感器，用于采集掘进过程中的岩渣图像；在盾构机前部架设视觉传感器，用于采集盾构机施工围岩图像，为了配合后续的网络计算，图像传感器还具备采集不同分辨率图像的功能。

3.根据权利要求1所述的盾构机预警方法，其特征在于：对于岩渣图像，设计并部署了基于卷积神经网络的岩渣分类算法；对于围岩图像，设计并部署了基于图像分割的围岩图像完整性检测网络，通过异构计算架构实现网络计算。岩渣分类网络由VGG16网络修改训练而来，通过工程场景中采集的岩渣图像，对预训练网络进行迁移学习，得到岩渣分类网络，岩渣分类结果与当前盾构机刀盘滚刀的状态呈正相关，通过监测岩渣状态可以实现间接监测滚刀状态的目的；围岩完整性监测网络由图像分割网络SegNet网络实现输入图像的语义分割，将输入围岩图片像素点分类为不完整围岩区域和背景区域，获得不完整区域的具体位置和准确几何信息。

4.根据权利要求3所述的基于卷积神经网络的岩渣分类方法，其特征在于：对于岩渣分类网络方法，包含卷积层、池化层和全连接层，通过卷积层提取岩渣图像特征，通过池化层减少网络计算量并且控制网络的过拟合，通过全连接层实现分类器的作用，建立特征信息与标记空间之间的联系。

5.根据权利要求3所述的基于全卷积网络的围岩完整性识别方法，其特征在于：所述方法卷积神经网络模型包括编码器和解码器，其中编码器包含卷积层和池化层，在编码器中，输入围岩图像经过多次的卷积运算和池化运算后，产生高层次特征图，后经过解码器，通过卷积和反池化运算将抽象的高层次特征恢复到与输入图像相同的尺寸，同时经过网络运算，输出图像中每个像素都设置了一个预测值，用来表示该像素点对应位置围岩是否出现裂缝或者渗漏水情况。根据分割后图像指导施工过程中的稳定性判定及相应支护措施选取策略。

6.根据权利要求3所述的盾构机预警装置，其特征在于：其包含CPU和FPGA两部分，连接图像传感器和显示器，主要功能是接受图像并进行卷积神经网络运算。在OpenCL流程中，CPU负责数据的预处理和调度，FPGA负责数据的密集计算。异构计算设备能够接收图像传感器采集的图像，对图像进行预处理后，通过OpenCL流程，设计了CPU+FPGA的卷积神经网络加速架构。根据CNN各计算层之间的独立性，设计可配置的OpenCL内核分别完成网络的卷积、池化、反池化和全连接层运算。整个架构主要分为片上和片外两部分，片外的全局内存主要用于特征值、模型参数以及量化参数信息的存储，片上内存用于存储传输当前计算层的特征值数据、权重参数、量化参数以及当前层的计算结果等。在本架构中，内核之间通过可配置的流水线管道互相连接，管道是使用片上资源构建的一种高效无阻塞先入先出队列(First Input First Output，FIFO)数据传输模块，使内核之间的数据直接在片上传输，能够减少对片外内存的存取次数，提高了数据传输的效率。通过控制字灵活组合内核连接即可通过硬件资源实现复杂的网络运算加速。