隧道围岩分级特征智能识别及可视化研究

作者：陈卫东; 李天斌^*; 黄音昊; 杨罡; 王皓; 肖华波

来源：铁道科学与工程学报, 2023, 1-16.

DOI：10.19713/j.cnki.43-1423/u.T20230214

• 围岩特征
• 卷积神经网络
• 模型可视化
• 深度学习
• 隧道掌子面

准确、快速获取隧道围岩级别对工程设计、施工及运营等方面意义重大。结合多个四川高速公路隧道项目，共采集7000余张隧道掌子面图像，并利用数据增广方法将数据集扩充至20000余张。按节理裂隙特征、风化卸荷情况、地下水发育情况三种像特征对数据集进行分类标注，并按8:2的比例划分为训练集与验证集。结合深度学习方法，实现掌子面围岩分级特征参数提取识别。搭建了VGG系列、ResNet系列、DenseNet系列、GoogleNet、InceptionV3等卷积神经网络分类模型，并引入准确率、查准率、召回率及F1值等多种评价指标对比分析了多种卷积神经网络分类模型的围岩特征（掌子面图像的节理裂隙特征、风化卸荷特征以及地下水发育特征）识别效果。研究结果显示，基于DenseNet模型分类识别效果最好，分类准确率分别为：围岩节理裂隙特征87.5%，风化程度特征90%，地下水发育程度特征91.5%且各特征的F1值均在0.789以上，最高为0.944，平均值为0.852。此外，本文对DenseNet系列分类模型进行可靠性验证。基于CAM以及GradCAM对模型进行了分类决策可视化研究分析，分类决策热力图结果显示，分类结果与标签特征的强度、位置及范围强相关，为掌子面围岩智能分级的提供一定的可解释性，同时也证明分类模型的预测效果理想。研究成果为利用深度学习进行围岩特征提取提供了新思路。

• 单位
  土木工程学院; 成都理工大学; 中国电建集团成都勘测设计研究院有限公司; 地质灾害防治与地质环境保护国家重点实验室