原文传递
复杂隧道围岩碴片图像实例分割识别方法研究
| 论文题名： | 复杂隧道围岩碴片图像实例分割识别方法研究 |
| 关键词： | 围岩碴片识别;实例分割;特征融合;预选框;自注意力机制 |
| 摘要： | 在隧道掘进机(TBM)掘进过程中，及时识别围岩碴片形态及其尺寸有助于调整TBM掘进参数。传统的人工检测方法高度依赖于操作人员的经验和主观判断，而筛分试验的方法能耗大，且不能及时获取试验结果。在实际场景图像中，围岩碴片通常具有背景黑暗、尺寸不均、分布密集、重叠堆积等问题。针对这些问题，本文提出了一种基于深度学习的隧道围岩碴片实时识别方法。主要研究内容如下： 针对实际隧道掘进过程中围岩碴片图像背景极黑暗问题，提出基于同态滤波和直方图均衡化的预处理方法，提高图像光照强度和对比度，保证了视觉检测识别可行性。 针对复杂围岩碴片图像，搭建了包含目标检测和语义分割子网络的实例分割网络模型，其中，目标检测子网络为改进的SSD模型，语义分割子网络为改进的Unet模型。 针对复杂围岩渣片图像密集分布、重叠堆积、尺寸不均识别难题，提出了融合尺寸分布先验信息的预选框选取方法，建立了多层级特征融合和自注意力机制的实例分割网络优化模型。结果表明，该方法能够识别出88%围岩碴片，测试集上平均IoU达到0.75。 针对图像中超大碴片的完整识别难题，提出了多尺度融合识别方法，并提出了基于最小外接矩形的碴片长短轴尺寸提取后处理方法，结果表明，碴片尺寸的预测分布与真实分布吻合度高。 综上所述，本研究可提供TBM掘进过程中围岩碴片尺寸分布视觉识别和统计结果，以辅助围岩性质预测和开挖参数调整。 |
| 作者： | 乔威栋 |
| 专业： | 土木工程 |
| 导师： | 李惠 |
| 授予学位： | 硕士 |
| 授予学位单位： | 哈尔滨工业大学 |
| 学位年度： | 2021 |
检索历史
应用推荐
