隧道围岩分级特征智能识别及可视化研究

准确、快速获取隧道围岩级别对工程设计、施工及运营意义重大。结合多个四川高速公路隧道项目，共采集7 000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20 000余张。按节理裂隙特征、风化卸荷情况、地下水发育情况3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，对DenseNet系列分类模型进行可靠性验证，基于CAM以及Grad-CAM对模型进行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...