论文部分内容阅读
本文以深度学习ResNet模型为基础,以云计算为重要手段,运用机器视觉技术,在matlab软件上通过C++语言自编了公路隧道围岩云分级系统。系统利用深度学习ResNet模型分析识别收集的掌子面图片,通过深度学习模拟训练、掌子面图片分类、岩石与土体分离技术、掌子面裂隙参数识别等一系列操作和识别技术,得到围岩分级的分级指标,再通过层次分析法建立适用于本系统的围岩分级方法,并将其运用于工程实际中验证本系统的准确率。通过运用以上技术研究和开发公路隧道围岩云分级系统,得到了以下成果:(1)通过深度学习技术、机器视觉技术和云计算技术将公路隧道围岩分级上升到人工智能技术上,仅需输入掌子面图片和少量参数就可得到分级结果,降低了人为因素对围岩分级的影响。(2)系统通过机器视觉技术识别掌子面裂隙参数,来评价掌子面状态,并建立裂隙比与掌子面状态的对应关系,无需用多余仪器获取其参数,再结合坚硬程度、地下水发育和地应力参数运用层次分析法建立围岩分级的方法,逐步实现在系统中的围岩分级。(3)系统对掌子面图片的获取方法、流程都进行了一定的规定,并且给出了掌子面图片中的裂隙长度与实际中长度的计算方法,能够准确的判定裂隙的参数。(4)笔者通过利用C++语言在matlab软件上成功开发出隧道围岩云分级系统,并将其运用于永吉高速和长张高速延线隧道中,对其结果和传统方法进行对比验证,证明了该系统可以用运用于工程实际中。