本公開(kāi)涉及隧道工程，具體涉及基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法及系統(tǒng)。

背景技術(shù)：

1、本部分的陳述僅僅是提供了與本公開(kāi)相關(guān)的背景技術(shù)信息，不必然構(gòu)成在先技術(shù)。

2、隧道工程屬于隱蔽工程，常常會(huì)受到各種不良地質(zhì)體的影響，導(dǎo)致圍巖垮塌等災(zāi)難性事故。因此，進(jìn)行超前地質(zhì)預(yù)報(bào)就顯得尤為重要。地質(zhì)雷達(dá)是目前分辨率最高的工程地球物理方法，在工程質(zhì)量檢測(cè)、場(chǎng)地勘察中被廣泛采用，近年來(lái)也被用于隧道超前預(yù)報(bào)工作。

3、傳統(tǒng)的地質(zhì)雷達(dá)圖像判讀主要依靠專業(yè)技術(shù)人員，效率低且主觀。基于探地雷達(dá)圖像判讀的圖像處理技術(shù)已廣泛應(yīng)用于探測(cè)隱蔽目標(biāo)。最常用的方法有邊緣檢測(cè)、hough變換和緩解技術(shù)。

4、隨著技術(shù)的進(jìn)步，機(jī)器學(xué)習(xí)方法已被用于分析gpr?b掃描的特征。todkar等利用時(shí)域有限差分(fdtd)正演模擬算法建立模擬gpr?b掃描，并引入支持向量機(jī)方法來(lái)識(shí)別帶脫離的路基層。仿真和現(xiàn)場(chǎng)測(cè)試結(jié)果表明，該方法可以在探地雷達(dá)b級(jí)掃描中識(shí)別毫米級(jí)的層間剝離。maas等人使用vj算法提取gpr數(shù)據(jù)中的目標(biāo)區(qū)域。pasolli等人設(shè)計(jì)了一種基于遺傳算法的技術(shù)，用于識(shí)別地下物體的線性和雙曲線特征。通過(guò)使用這些提取的特征，使用支持向量機(jī)分類器將它們分類為線性或雙曲線形狀。

5、但是，目前上述方法還存在一定的問(wèn)題：這些方法主要依賴于經(jīng)驗(yàn)參數(shù)或者手工制作的特征，很難從有噪聲背景干擾的地質(zhì)雷達(dá)圖像中準(zhǔn)確識(shí)別各種復(fù)雜形狀目標(biāo)的特征，現(xiàn)有的地質(zhì)雷達(dá)圖像解譯模型提取特征能力不平衡，通常使用手動(dòng)進(jìn)行特征工程來(lái)提取雷達(dá)數(shù)據(jù)中的相關(guān)特征，并使用這些特征來(lái)訓(xùn)練模型進(jìn)行分類或回歸等任務(wù)，智能化、自動(dòng)化程度比較低同時(shí)檢測(cè)精度也比較低。

技術(shù)實(shí)現(xiàn)思路

1、本公開(kāi)為了解決上述問(wèn)題，提出了基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法及系統(tǒng)，針對(duì)目標(biāo)檢測(cè)模型yolov5s進(jìn)行改進(jìn)，通過(guò)添加注意力機(jī)制和改善卷積模塊等手段突出目標(biāo)特征，提高檢測(cè)精度，增強(qiáng)模型的特征提取融合能力。

2、基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，包括：

3、獲取不良地質(zhì)雷達(dá)圖像數(shù)據(jù)，并進(jìn)行預(yù)處理；

4、將預(yù)處理后的圖像數(shù)據(jù)輸入至地質(zhì)雷達(dá)解譯模型gpr-yolov5中，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果；

5、其中，在地質(zhì)雷達(dá)解譯模型gpr-yolov5中，ca注意力機(jī)制模塊關(guān)注圖像數(shù)據(jù)中的顯著區(qū)域，利用池化核在水平和豎直方向進(jìn)行池化，提取圖像特征后對(duì)特征圖進(jìn)行融合拼接，生成過(guò)渡特征圖；使用ghostc3結(jié)構(gòu)進(jìn)行通道擴(kuò)展，將過(guò)渡特征圖中的低級(jí)特征與高級(jí)特征進(jìn)行結(jié)合，獲取豐富的圖像上下文信息，再使用gsconv模塊卷積模塊對(duì)每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的過(guò)渡特征圖進(jìn)行加權(quán)和聚合，更新節(jié)點(diǎn)的特征表示，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果。

6、根據(jù)一些實(shí)施例，本公開(kāi)采用如下技術(shù)方案：

7、基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)系統(tǒng)，包括：

8、數(shù)據(jù)獲取模塊，用于獲取不良地質(zhì)雷達(dá)圖像數(shù)據(jù)，并進(jìn)行預(yù)處理；

9、預(yù)測(cè)模塊，用于將預(yù)處理后的圖像數(shù)據(jù)輸入至地質(zhì)雷達(dá)解譯模型gpr-yolov5中，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果；

10、其中，在地質(zhì)雷達(dá)解譯模型gpr-yolov5中，ca注意力機(jī)制模塊關(guān)注圖像數(shù)據(jù)中的顯著區(qū)域，利用池化核在水平和豎直方向進(jìn)行池化，提取圖像特征后對(duì)特征圖進(jìn)行融合拼接，生成過(guò)渡特征圖；使用ghostc3結(jié)構(gòu)進(jìn)行通道擴(kuò)展，將過(guò)渡特征圖中的低級(jí)特征與高級(jí)特征進(jìn)行結(jié)合，獲取豐富的圖像上下文信息，再使用gsconv模塊卷積模塊對(duì)每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的過(guò)渡特征圖進(jìn)行加權(quán)和聚合，更新節(jié)點(diǎn)的特征表示，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果。

11、根據(jù)一些實(shí)施例，本公開(kāi)采用如下技術(shù)方案：

12、一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法。

13、根據(jù)一些實(shí)施例，本公開(kāi)采用如下技術(shù)方案：

14、一種電子設(shè)備，包括：處理器、存儲(chǔ)器以及計(jì)算機(jī)程序；其中，處理器與存儲(chǔ)器連接，計(jì)算機(jī)程序被存儲(chǔ)在存儲(chǔ)器中，當(dāng)電子設(shè)備運(yùn)行時(shí)，所述處理器執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使電子設(shè)備執(zhí)行實(shí)現(xiàn)所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法。

15、與現(xiàn)有技術(shù)相比，本公開(kāi)的有益效果為：

16、本公開(kāi)提出了一種基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，使用地質(zhì)雷達(dá)解譯模型gpr-yolov5，在backbone骨干網(wǎng)絡(luò)添加了ca注意力機(jī)制模塊，自適應(yīng)地學(xué)習(xí)不同特征通道之間的相關(guān)性，并將注意力權(quán)重應(yīng)用于特征圖的不同通道上，使模型可以更加關(guān)注到有用的特征，提高了模型的檢測(cè)性能和表達(dá)能力，其次，還融合了ghostc3模塊和gsconv模塊，使模型能夠更好地?cái)M合不良地質(zhì)檢測(cè)的任務(wù)，使用gsconv模塊卷積替換yolov5s中的cbs模塊。yolov5s中的卷積多為標(biāo)準(zhǔn)卷積，但如果模型在所有階段都使用這種卷積方式的話會(huì)導(dǎo)致模型的網(wǎng)絡(luò)層會(huì)更深，顯著增加推理時(shí)間。在neck部分時(shí)，特征圖的空間維度達(dá)到了最小而通道維度則達(dá)到最大，特征圖變的“細(xì)小”且不需要再進(jìn)行通道變換，此時(shí)使用gsconv卷積方式不僅冗余重復(fù)信息少，保證了目標(biāo)特征信息的充分提取，還降低了參數(shù)量，達(dá)到輕量化網(wǎng)絡(luò)的目的，使該模型更容易搭載到移動(dòng)設(shè)備上，更加符合雷達(dá)數(shù)據(jù)實(shí)時(shí)處理的需求；提高了檢測(cè)的準(zhǔn)確性，同時(shí)，這兩個(gè)模塊的運(yùn)算量相對(duì)較小，也提高了模型的計(jì)算效率，此外，還引入varifocal?loss作為置信度與分類損失，有助于將訓(xùn)練重點(diǎn)放在高質(zhì)量的樣本上，也能夠讓正負(fù)樣本的比例更加合理。

技術(shù)特征：

1.基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，包括：

2.如權(quán)利要求1所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，預(yù)處理包括：利用labelimg標(biāo)注工具對(duì)雷達(dá)圖像中的缺陷形狀和類型進(jìn)行手動(dòng)標(biāo)注，將每張圖片上的不良地質(zhì)用最小的矩形框標(biāo)注，對(duì)gprb掃描中的缺陷范圍和類型進(jìn)行手動(dòng)標(biāo)注，生成txt文件作為標(biāo)簽，標(biāo)注好的數(shù)據(jù)集通過(guò)使用imgaug庫(kù)進(jìn)行數(shù)據(jù)增強(qiáng)，將一組輸入圖像轉(zhuǎn)換為一組新的圖像。

3.如權(quán)利要求1所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，在backbone骨干網(wǎng)絡(luò)sppf模塊前加入一個(gè)ca注意力機(jī)制模塊，所述ca注意力機(jī)制模塊使用兩個(gè)池化核向著水平方向和豎直方向進(jìn)行池化，從而得到高度為h，寬度為w輸出的特征圖，然后將輸出的特征圖進(jìn)行融合拼接再使用卷積核進(jìn)行卷積，生成過(guò)渡特征圖；將過(guò)渡特征圖分解為單獨(dú)的特征圖，再使用卷積核進(jìn)行卷積，得到與輸入相一致的通道數(shù)量。

4.如權(quán)利要求1所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，在backbone骨干網(wǎng)絡(luò)中用ghostc3結(jié)構(gòu)代替c3結(jié)構(gòu)，ghostc3結(jié)構(gòu)中集成幾個(gè)卷積層和shortcut，ghostbottleneck主要由兩個(gè)堆疊的ghost模塊組成，第一個(gè)ghost模塊充當(dāng)擴(kuò)展層，增加通道數(shù)量，把輸出通道數(shù)與輸入通道數(shù)的比值稱為擴(kuò)展比，第二個(gè)ghost模塊減少與快捷路徑匹配的通道數(shù)量,然后在這兩個(gè)ghost模塊的輸入和輸出之間用shortcut連接。

5.如權(quán)利要求4所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，ghostc3模塊在地質(zhì)雷達(dá)解譯模型gpr-yolov5中有4層，通過(guò)ghostc3模塊，將低級(jí)特征與高級(jí)特征相結(jié)合，在保持細(xì)節(jié)信息的同時(shí)捕獲更豐富的上下文信息。

6.如權(quán)利要求1所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，使用gsconv模塊卷積替換yolov5s中的cbs模塊，使用gsconv卷積方式冗余重復(fù)信息少，充分提取目標(biāo)特征信息，降低參數(shù)量，達(dá)到輕量化網(wǎng)絡(luò)的目的。

7.如權(quán)利要求6所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法，其特征在于，gsconv模塊在地質(zhì)雷達(dá)解譯模型gpr-yolov5中有4層，gsconv模塊通過(guò)自適應(yīng)地將每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的特征進(jìn)行加權(quán)和聚合，來(lái)更新節(jié)點(diǎn)的特征表示。

8.基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)系統(tǒng)，其特征在于，包括：

9.一種非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，其特征在于，所述非暫態(tài)計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)用于存儲(chǔ)計(jì)算機(jī)指令，所述計(jì)算機(jī)指令被處理器執(zhí)行時(shí)，實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法。

10.一種電子設(shè)備，其特征在于，包括：處理器、存儲(chǔ)器以及計(jì)算機(jī)程序；其中，處理器與存儲(chǔ)器連接，計(jì)算機(jī)程序被存儲(chǔ)在存儲(chǔ)器中，當(dāng)電子設(shè)備運(yùn)行時(shí)，所述處理器執(zhí)行所述存儲(chǔ)器存儲(chǔ)的計(jì)算機(jī)程序，以使電子設(shè)備執(zhí)行實(shí)現(xiàn)如權(quán)利要求1-7任一項(xiàng)所述的基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法。

技術(shù)總結(jié)
本公開(kāi)提供了基于深度學(xué)習(xí)的隧道不良地質(zhì)超前預(yù)測(cè)方法及系統(tǒng)，涉及隧道工程技術(shù)領(lǐng)域，包括：獲取不良地質(zhì)雷達(dá)圖像數(shù)據(jù)，并進(jìn)行預(yù)處理；將預(yù)處理后的圖像數(shù)據(jù)輸入至地質(zhì)雷達(dá)解譯模型GPR?YOLOv5中，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果；其中，在地質(zhì)雷達(dá)解譯模型GPR?YOLOv5中，CA注意力機(jī)制模塊關(guān)注圖像數(shù)據(jù)中的顯著區(qū)域，利用池化核在水平和豎直方向進(jìn)行池化，提取圖像特征后對(duì)特征圖進(jìn)行融合拼接，生成過(guò)渡特征圖；使用GhostC3結(jié)構(gòu)進(jìn)行通道擴(kuò)展，將過(guò)渡特征圖中的低級(jí)特征與高級(jí)特征進(jìn)行結(jié)合，獲取豐富的圖像上下文信息，再使用GSConv模塊卷積模塊對(duì)每個(gè)節(jié)點(diǎn)的鄰居節(jié)點(diǎn)的過(guò)渡特征圖進(jìn)行加權(quán)和聚合，更新節(jié)點(diǎn)的特征表示，輸出不良地質(zhì)預(yù)測(cè)識(shí)別結(jié)果。

技術(shù)研發(fā)人員：劉光輝,陳澤雨,劉慶元,劉洪亮,王川,姜新波,屠文鋒,蔡輝,陳雨雪
受保護(hù)的技術(shù)使用者：山東高速集團(tuán)有限公司
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/19