基于深度学习的钻爆法隧道炮孔孔位智能识别研究.pdf
《基于深度学习的钻爆法隧道炮孔孔位智能识别研究.pdf》由会员分享,可在线阅读,更多相关《基于深度学习的钻爆法隧道炮孔孔位智能识别研究.pdf(5页珍藏版)》请在咨信网上搜索。
1、基于深度学习的钻爆法隧道炮孔孔位智能识别研究张兴长,张奇?,孙子正?(1.中电建路桥集团有限公司,北京海淀10 0 0 8 9;2.山东大学齐鲁交通学院,山东济南2 50 0 14)摘要:钻爆法是当前隧道及地下空间施工中常用的施工方法。其中,装药环节劳动强度大、危险性高。因此,迫切需要提高装药环节的自动化水平。为了实现炸药的自动装填,研究了基于深度学习的目标检测算法在炮孔识别方面的应用。将隧道施工现场采集的炮孔图片制成数据集,采用FasterR-CNN与YOLOv5两种算法在数据集上进行训练和测试,对比了两种算法在各项性能上的优劣。FasterR-CNN的检测速度为110 ms,准确率为9 8
2、.3%,模型权重文件大小为1000MB;YO LO v 5算法检测速度为40 ms,准确率为9 7.3%,模型权重文件大小为54MB。综合考虑,YOLOv5算法检测速度较快,权重文件较小,更适合在实际工程中使用。关键词:钻爆法;深度学习;炮孔识别;FasterR-CNN;YOLOv5中图分类号:U25Intelligent identification of the blastinghole in drilling and blasting methodfor tunnel based on deep learningZHANG Xingchang,ZHANG Qi,SUN Zizheng(1
3、.Power China Road Bridge Group Co.,Ltd,Beijing 100089 China;2.School of Qilu Transportation,Shandong University,Shandong JinanAbstract:Drilling and blasting method is a commonly usedmethod in the construction of tunnels and undergroundspaces.The filling of explosives is labor-intensive anddangerous.
4、It is urgent to improve the automation level of收稿日期:2 0 2 2-0 3-2 2作者简介:张兴长(19 7 7 一),男,陕西渭南人,高级工程师。-92-the charging link.In order to realize the automatic filling ofexplosives,this paper studies the application of the targetdetection algorithm based on deep learning in explosive holesdetection.Imag
5、es are collected at the actual engineering siteand made into a data set.Two algorithms,Faster R-CNN andYOLOv5,were used for training and testing on the data set,and the advantages and disadvantages of the two algorithmswere compared in various performances.The detection speedof Faster R-CNN is 110 m
6、s,the accuracy rate is 98.3%,andthe model weight file size is 1 000 MB.The detection speed ofthe YOLOv5 algorithm is 40 ms,the accuracy rate is 97.3%,and the model weight file size is 54 MB.Taken together,YOLOv5 is more suitable for use in practical engineering.Key words:drilling and blasting method
7、;deep learning;explosive holes detection;Faster R-CNN;YOLOv50引言文献标识码:A随着经济的发展以及技术水平的提高,我国隧道和地下工程的数量和规模大大增加,通常根据地质条件的不同选择不同的施工方法。由于钻爆法施工简便、灵活、成本低、适应性好,应用范围十分广泛。但是,现阶段的钻爆法施工缺乏专业的自动化装备,需要专业的操作人员手动将雷管和炸药装填到炮孔内,耗时长且危险性高,实际工程中迫切需要实现炸药的自动装填。钻爆法炸药自动装填的首要任务是实现对炮孔孔位的识别。现有的装药机械大多数还要依靠操作250014China)人员手动寻找炮孔,智能化
8、程度较低。提出一种基于深度学习目标检测算法的炮孔识别方法,可以通过对样本的学习使得系统自动获得炮孔的特征,以实现对炮孔的自动识别。随着人工智能技术的进步,目标检测技术被广泛应用于各行各业中。现有目标检测技术大概分为传统的识别方法和基于深度学习的识别方法。传统的识别方法通过尺度不变特征转换(Scale-invariantfeature transform或SIFT)1 或局部二值模式(Local山东交通科技BinaryPatterns或LBP)2】等方式手动提取图片的特征,然后输人到支持向量机等分类器中分类。传统的识别方法依赖研究人员的经验,需要操作人员主观选择算法参数,缺乏对环境的适应性。隧道
9、内环境复杂、光线昏暗、干扰多,传统的识别方法很难用于隧道内的识别。2006年,HINTON3 首先提出了深度学习的概念。近年来,随着计算机硬件技术的不断提高,深度学习在理论及实验层面都有了长足的进步。2 0 12 年,ALEX提出了AlexNet 4网络,在ImageNet Large ScaleVisual Recognition Challenge(ILSVR C)图像识别大赛中获得冠军。自此,针对卷积神经网络(CNN)的研究开始活跃起来。随后又陆续出现了VGGNet5、GoogLeNet6和ResNet7等网络结构。这些网络结构是算法的主干部分,用来提取待训练图像的特征。在交通工程领域,
10、目标检测算法应用最多的是在病害检测领域。杨郁康【8 利用FasterR-CNN算法,使用了VGG-16和ResNet-50两种不同的网络结构,对隧道衬砌的裂缝进行了识别。方广欣 9 利用改进的YOLOv5算法,对地铁隧道裂缝进行了检测。ZHU等10】利用无人机捕获路面裂缝图像,使用了多种目标检测算法对路面裂缝进行检测。在隧道施工方面,郭洪雨等111利用ResNet网络,对钻爆法的炮孔留痕率进行了检测。除了对RGB图像的识别外,许多研究者也将目标检测算法应用到了雷达图像的检测当中去。龚致民12 使用改进的FasterR-CNN算法,对探地雷达的图像进行了识别。冯德山和杨子龙13 利用Faster
11、R-CNN和YOLOv3两种算法对隧道衬砌结构的雷达图像进行检测,提高了病害检测的准确率和效率。以上研究主要集中在隧道以及路面的病害检测上。在对炮孔的识别方面,国内外利用目标检测算法对炮孔识别的研究都比较匮乏。张也【14 使用FasterR-CNN算法与VGG-16网络对炮孔进行识别,2023年第5期并提出了一种可能的装药机器人方案。张万志【15 提出了在隧道中对于炮孔识别的几种影响因素,并采用轻量化SqueezeNet网络结构,提出了一种改进的FasterR-CNN算法,对隧道内的炮孔进行识别。总体来说,对于隧道中炮孔的识别,目前仍存在识别精度低、鲁棒性差等问题,缺乏一种成熟的识别方法。选择
12、近年新兴的YOLOv5算法作为炮孔识别的工具,并于与FasterR-CNN算法进行比较,研究二者在炮孔识别的速度与准确性等方面的差异。1图像采集与预处理从隧道施工期间的真实场景中采集图像。图像由智能手机HUAWEIMate40Pro拍摄,采集图像的分辨率为40 9 6 30 7 2。共采集图像10 0 0 余张,见图1。由于数据采集量较少,本研究对图片进行了处理来增加训练集的数量和通用性。首先删除采集过程中人为因素造成的模糊不清的图片。通过镜像、旋转等方式模拟图片获取过程中的随机性,并达到补充图片数量的目的。由于采集的单张图片中炮孔数量很多并且目标非常小,不利于后续模型的训练,本研究对图片进行
13、了分割。另外,本研究采用的算法都基于卷积神经网络,在训练过程中需要对图像进行卷积运算,卷积运算的卷积核具有一定的大小,为了方便卷积核进行卷积运算,故在图片进行分割后将大小调整为640640像素,最终得到图片1140 张。根据深度学习的惯例,将图像以6:2:2 的比例分为训练集、验证集和测试集。处理后的图片见图2。图1隧道图像图2 处理后图片-93-张兴长,张奇,孙子正:基于深度学习的钻爆法隧道炮孔孔位智能识别研究使用目标检测算法时,首先采用Lableimg工具对图像进行标注。Labelimg是一个基于Python的开源跨平台工具,可对目标区域进行标注,并以规定的格式导出一个与原图片名称相同的标
14、注文件。其中YOLOv5算法一般使用txt格式的标注文件,FasterR-CNN算法一般使用xml格式的标注文件。2试验设置2.1YOLOv5算法YOLO算法全称You only look once16,,它是一种单阶段的目标检测算法,与R-CNN(R e g i o n s w i t hConvolutionalNeural Networks)系列算法相比,其具有训练时间短、检测速度快等优点。目前的YOLO算法有YOLOv1到YOLOv5五个版本,YOLOv5在之前的版本的基础上做出了一些重要的改进,使得精度和速度都有所上升。YOLOv5基于PyTorch框架开发,包括Backbone网络
15、(主干部分)、Neck网络和Head网络三大部分。其中,Backbone网络负责特征提取;Neck网络负责对特征进行混合与组合,并且把这些特征传递给预测层;Head网络负责进行最终的预测输出。YOLOv5算法的结构见图3。BackBoneConcalSPPBoileNeckCspConvUpSampleBotleNeckCsPConcatBotleNeckCspBotleNeckCsPConv图3YOLOv5算法网络结构根据Backbone网络中参数量的不同,YOLOv5算法的网络结构分为YOLOv5s、YO LO v 5m、YO LO v 5l、YOLOv5x四种,参数量依次由少到多。由于参
16、数量越少,实时性越好,考虑到工程实际应用中实时性的要求,本研究采用YOLOv5s网络。YOLOv5算法的试验环境使用Windows1164位操作系统,显卡为NVIDIAGeForceGTX1650。显存大小为4GB,C PU 配置为Intel(R)C o r e(T M)i 5-9300HF,CU D A 版本为11.2,Pytorch版本为1.10.1,Python语言环境为3.8。参数设置方面,本研究采用默认的超参数设置,这些超参数是针对VOC数据集训练优化得到的。其-94-中初始学习率(1r0)为0.0 0 32,余弦函数动态降低学习率系数(lrf)为0.12,动量因子为(momentu
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 深度 学习 钻爆法 隧道 炮孔孔位 智能 识别 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。