基于计算机视觉技术和深度学习的隧道掌子面岩体裂隙自动识别方法研究

对掌子面图像的裂隙识别和特征提取进行研究,首先根据隧道中光照不足和光线不均匀的特点,对掌子面图像集进行包含多种光照处理措施在内的数据增强;通过Unet网络识别掌子面轮廓,其平均交并比和平均相似度为91%和93%;利用形态学操作使掌子面轮廓边缘平滑,消除噪点。然后利用拆分-拼接策略处理高分辨率掌子面图像,通过DeepCrack网络模型迁移学习识别岩体裂隙,其平均交并比和平均相似度为61%和75%。利用Zhang-Suen算法和8邻域标记算法进一步对识别结果进行细化、骨架化和连通域分析。最后,通过控制点标记和腐蚀标记法计算每条裂隙的像素级长度和倾角。