(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210479274.8 (22)申请日 2022.05.05 (71)申请人 同济大学 地址 200092 上海市杨 浦区四平路1239号 (72)发明人 张东明　傅蕾　黄宏伟　 (74)专利代理 机构 上海科律专利代理事务所 (特殊普通 合伙) 31290 专利代理师 叶凤 (51)Int.Cl. G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/766(2022.01) G06V 20/52(2022.01) G06V 20/40(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种土压平衡盾构开挖面土质类型识别方 法 (57)摘要 本发明涉及土压平衡盾构法隧道施工领域。 提出了一种土压平衡盾构开挖面土质类型识别 方法， 其特征在于， 包括以下步骤： 步骤1、 建立渣 土分类系统； 步骤2、 建立渣土识别数据库； 步骤 3、 渣土识别模型的构建。 本发明方法既能科学地 反映土体自身的性质又适用于盾构施工的实际 需要， 构建的渣土目力鉴别准则为数据集标签的 制作提供了依据； 利用深度学习算法通过对出渣 土图像进行识别能够快速、 准确地得到开挖面前 方土质类型信息， 并具有实时、 成本低的特点。 权利要求书4页 说明书12页 附图3页 CN 114972906 A 2022.08.30 CN 114972906 A 1.一种土 压平衡盾构开挖面土质类型识别方法， 其特 征在于， 包括以下步骤： 步骤1、 建立渣土分类系统 1.1收集盾构施工所在地区的地质勘察报告， 整理其中的静力触探分层参数表， 统计各 钻孔经过地层的贯入阻力值， 剔除异常值， 即明显不 合理的数据； 1.2计算各地层贯入阻力指标的统计特征值， 包括均值、 标准差以及变异系数； 首先根 据各层的土层名称进 行大类划分； 再根据能够反映土体工程性质的贯入阻力均值进行详细 划分； 依据此方法， 将某一地区的地层根据其工程性质进行合并分类， 获得适用于土压平衡 盾构参数调整的土质类型划分； 1.3对某地区土质类型划分后， 在此基础上确定渣土的类别划分； 首先考虑是否存在对土压平衡盾构施工影响较大的特殊土或承压水等情况， 若存在此 类有特殊性质的地层， 而在根据贯入阻力值进 行分类时又将此类地层与其他地层合并为一 类， 则应该将这类地层单独划分； 除此之外， 考虑盾构法施工时常出现开挖面经过多层地层 的情况， 此时排出的渣土可定为 “混合土”这一特殊的类型； 至此， 在土质类别划分的基础上 进行调整即可获得同时考虑土体自身工程 性质以及施工经验的渣土类别划分结果； 1.4由基于渣土的视 觉特征来构建目力鉴别渣土类别的准则， 便 于后续标签的制作； 步骤2、 建立渣土识别数据库 2.1广泛收集该 方法应用地区的渣土监控视频； 2.2收集到 视频数据后对数据进行 预处理； 将稳定出土阶段的有效视频截取出来， 再以每30帧一张的频率抽取视频帧， 具体取帧 频率可根据盾构机推进速度进 行调整； 依据渣土形态和图像背景尽量变化多样的原则选取 图像， 剔除镜 头污损下拍摄的图像以及由于 视频卡顿造成的马赛克不良图像和冗余图像； 2.3采用LabelImg图像标注软件对渣土图像进行手工标注， 用矩形框框出每张图像内 的渣土体目标， 并输入每 个目标框的渣土类别； 标签信息为PASCAL  VOC格式， 每张图片 真实的目标框位置信息和相应的渣土类别信息 都被保存为XML文件； 在训练集和验证集中， 每张图像都必须带有标签， 里面记录的信 息被称为真实值， 该真 实值提供给3.3.4的训练过程； 2.4获得的渣土图片文件及对应的标签文件即为渣土数据集， 将其按8： 1： 1的比例划分 为训练集、 验证集和 测试集； 步骤3、 渣土识别模型的构建 所述渣土识别模型包括： 自定义数据集模块、 渣土检测网络搭建模块、 构建训练过程模 块、 模型测试及评估指标模块和渣土识别结果可视化模块； 3.1在自定义数据集模块中 3.1.1需要从数据集存储路径上载入渣土图像数据以及相应的标签信息， 分别保存在 列表中； 3.1.2接着对图像数据和标签数据进行一定的处理和转换； 将图像数据从PIL格式转换 成形状为(C,H,W)的Tensor格式， 其中C代表图像通道数， H代表图片高度， W代表图片宽度， 并将所有像素值除以25 5归一化到0‑1之间；权　利　要　求　书 1/4 页 2 CN 114972906 A 23.1.3接着在图像输入网络之前对其进行一定的随机图像增强操作， 以0.5的概率对图 像进行水平翻转、 网格掩码、 随机裁剪、 色彩抖动以及模糊五种数据增强， 提高数据库图片 的多样性， 增强模型的鲁棒 性； 3.1.4计算出整个数据集中图片三通道像素值的均值和标准差， 对图片进行标准化处 理以便于模型的学习， 提供 给步骤3.3； 3.2在渣土检测网络搭建模块中， 网络分为三个部分： 骨干网络、 颈部网络以及顶部网 络， 提供给步骤3.3； 骨干网络的主要功能为提取图像特征， 其基本结构为卷积层、 批标准化层以及激活层 的组合， 将此基本结构进行堆叠即可完成骨干网络的搭建； 在骨干网络中加入残差连接能 够增加网络的深度， 有效提高其特 征提取的能力； 颈部网络的主 要功能为特 征增强和融合； 顶部网络即为检测器， 其主要功能即为对渣土位置及类别信息做最终的回归预测； 更 高分辨率的输出特征图包含了输入图像更详细的特征， 善于小目标的检测， 更低分辨率的 输出特征图包含输入图像更粗略的特 征， 善于大目标的检测； 3.3在构建训练过程模块中 3.3.1首先导入自定义数据集模块以及渣土检测网络搭建模块， 实例化渣土数据集以 及渣土检测网络， 构建数据加载器以自定义图片及标签数据输入网络的方式； 3.3.2设计网络的损失函数， 本方法所使用目标检测网络的损失函数分为三部分： 渣土 定位损失、 目标框 置信度损失以及渣土分类损失， 如公式(1)所示， Loss＝Localization loss+Confidence loss+Classificati on loss    (1) 目标框置信度代 表目标框是否包 含渣土体以及包 含时目标框与真实框交并比的大小； 3.3.3网络训练时需要设置超参数， 包括： 学习率初值及其随训练循环次数增加的变化 方式、 优化器以及优化器的参数、 输入图片批大小、 训练循环次数和损失函数各项的权值 等； 设置好损失函数及超参数后即可进入步骤3.3.4 开始训练； 3.3.4每一批图像输入网络中都会得到预测结果， 将预测值与步骤2.3标签中的真实值 输入损失函数能够算得当前损失值， 也就是预测值和真实值之间的距离； 计算损失值对于 所有网络参数的导数， 利用优化器对网络参数进 行优化更新， 即为一轮训练迭代； 当把训练 集中所有图片都轮次输入网络中进行训练后， 即为一个训练循环； 结束一个训练循环后， 再 将验证集的图片 轮次输入网络中计算网络精度， 据此观察网络训练情况并作为下次网络训 练调整超参数的依据； 当损失下降收敛至某个稳定值后， 训练可以结束， 保存训练后的网络 参数， 即获得 可准确定位渣土目标和判断渣土类型的识别模型； 3.4在模型测试及评估指标模块中， 加载训练好的模型和参数， 输入需要测试的渣土图 片即可获得回归出 的渣土定位信息以及类别信息； 编写评估指标计算代码， 对测试集的检 测结果进行定量评估， 可评价检测模型的效果； 3.5在渣土识别结果可视化模块中， 将网络回归得到的渣土体目标框定位信息以及类 别信息绘制在原图像上进行识别结果可视化； 利用网络回归出的目标框中心点位置信息 x0、 y0以及长宽信息h、 w在原图中绘制目标框， 将回归得到的渣土类别信息及相应的置信度 以文字形式写在每一个目标框的左上角， 同时不同渣土类型的目标框和类别信息采用不同 颜色进行绘制和书 写。权　利　要　求　书 2/4 页 3 CN 114972906 A 3