基于Cascade Mask Region-Convolutional Neural Network-ResNeSt的隧道光面爆破炮孔残痕智能识别方法

为解决现有隧道炮孔残痕识别方法中存在的识别精度不足、鲁棒性较低以及检测速度较慢等问题,提出一种名为Cascade Mask Region-Convolutional Neural Network(Cascade Mask R-CNN)的隧道炮孔残痕识别算法。该算法以Cascade Mask R-CNN实例分割算法为基础,采用先进的Res Ne St网络作为主干网络(Cascade MaskR-CNN-S),增强Cascade Mask R-CNN算法获取特征信息的能力,提升识别的精度;接着采用多尺度训练方式与学习率调整策略对网络进行训练得到智能识别模型,提升识别算法的鲁棒性;最后以平均精度值m AP为测试指标与传统的Cascade Mask R-CNN、Mask R-CNN等算法进行对比试验。研究表明:改进算法的预测框(IoU阈值为0.5)平均精度值(b_m AP(50))与分割(IoU阈值为0.5)平均精度值(s_m AP(50))分别高达0.415、0.350;相较于传统的实例分割算法,改进的算法在隧道炮孔残痕识别精度上有显著提升,隧道爆破残痕长度识别误差仅为8.3%,针对隧道复杂的作业环境具有更好的鲁棒性,抗干扰能力更强。

基于钻进特征参数的隧道掌子面围岩级别智能识别方法

针对钻爆法隧道传统围岩分级方法操作复杂、受主观因素影响大,在评判复杂岩体的质量等级时存在一定局限性等问题,通过优选核密度估计法拟合钻进参数的分布,提出基于朴素贝叶斯分类算法的隧道围岩级别智能识别方法,采用交叉验证法提升分类模型性能,并依托文献数据开展应用验证。结果表明:基于核密度估计的朴素贝叶斯分类算法可以利用钻进参数的实际情况确定掌子面围岩质量等级,在测试集样本中的分类准确率达到94.0%;基于交叉验证法的分类模型性能提升方法可以充分利用钻进参数-围岩等级数据集的信息,有效提升分类算法模型的性能,在299组测试样本中分类准确率高达98.7%。