本发明涉及岩体裂隙识别，特别涉及一种基于边界检测神经网络模型的岩体裂隙识别方法。
背景技术：
1、传统的岩体裂隙图像识别主要包括栅格图像处理和图像矢量化等方法。栅格图像处理可以通过将彩色图像灰度化或者二值化等方法，区分裂隙和岩体。然而这种图像处理的方式有较多的缺陷，一方面，图像处理后的结果依然需要人的肉眼进行识别，缺乏量化指标和方法；另一方面，当图像背景较为复杂、岩体颜色较深、照明度受限时，栅格图像处理的效果较差，无法满足实际工程需求。图像矢量化方法在岩体结构复杂、边界模糊时，同样效果较差。大多数传统的图像识别方法，并不能满足隧道工程中，照明受限、岩体复杂种类不一以及背景干扰大等复杂条件下的裂隙识别需求。因此，需要开发新的图像识别方法，对隧道环境下岩壁裂隙进行准确识别。
2、在基于机器学习的裂纹检测的研究中，主要有中两种方法。第一类是对图像进行特征提取并通过机器学习方法的分类器来进行裂隙识别。这种方法的研究中，通过自适应滤波器、变形和形态学操作等方法提取特征，然后将这些特征传输到机器学习分类器内对裂纹图像和非裂纹图像进行分类。这种图像提取方法已经广泛应用于路面裂缝的检测和管道裂隙的识别等领域。第二类方法是以卷积神经网络为代表的深度学习方法，其特征提取阶段在黑盒算法中进行。在深度学习算法中，原始的图像作为输入数据，无需人工设定特征，通过算法自动寻找数据之间的映射关系和规律来完成目标任务。由于用于分类裂纹的特征由模型自动生成，从而避免了在特征提取上的人为偏差或错误，只存在系统性误差。可以认为，基于深度学习的裂隙识别属于数据驱动的方法，而不是知识驱动的方法。目前，有成果可以作为关于卷积神经网络在道路裂隙检测中应用的示例研究，该方法使用具有6个卷积层的卷积神经网络对道路进行二元裂缝检测任务。共收集了60万张图像进行训练，用其中的20万张图片进行测试并获得了0.8965的f1分数。还有模型使用了11个卷积层，并使用490 万张图像作为训练集，其中的120万张图像作为测试集，最终在自己提供的数据集上获得0.7246的f1分数。
3、以上的大量研究都取得了较好的成果，然而现有的研究并不能满足隧道内岩体裂隙识别的需求，其主要原因有如下几方面：
4、(1) 图片背景不同。现有的裂隙识别方法主要针对的是水泥路面、墙面等较为平整表面的裂隙识别，而隧道岩壁的裂隙识别更为复杂。一方面，与路面和墙面的裂隙识别相比，隧道洞壁通常为曲面，岩壁经常存在凹凸不平的情况，且存在钢筋等干扰物，增大了裂隙识别的难度。
5、(2) 识别对象不同。虽然都是裂隙识别，但是路面和墙面的裂隙和本研究中隧道洞壁的裂隙有较大差别。同一条隧洞内不同的裂隙在外形上有较大的区别，部分裂隙较窄难以察觉，部分围岩裂隙边界模糊且形状复杂；围岩裂隙通常伴随着渗水现象，渗水处颜色较深，掩盖裂隙本身走向；裂隙颜色经常出现与围岩颜色接近的情况，同时tbm的边刀划痕与某些裂隙外观上较为相似，容易产生识别错误。
6、(3) 识别任务不同。常见的裂隙识别方法，通常将一张照片拆分为大量的小块，并对每张小图进行存在裂隙或者不存在裂隙两种结果的二分类计算。然而，隧道岩壁的裂隙尺度较大，均匀拆分图片后无法在图片中包含整个裂隙，不同图片之间无法确定的裂隙是否属于同一条，而为了计算围岩完整性，需要区分不同裂隙并计算裂隙之间的距离。
7、因此，需要使用新的针对隧道岩壁裂隙识别的算法。为了便于观察整条裂隙的走势和形状，并区分不同的裂隙。
技术实现思路
1、本发明为了弥补现有技术的不足，提供了一种基于边界检测神经网络模型的岩体裂隙识别方法。
2、本发明是通过如下技术方案实现的：
3、一种基于边界检测神经网络模型的岩体裂隙识别方法，包括以下步骤
4、步骤一、获取待检测岩体裂隙图像；
5、步骤二、将待检测岩体裂隙图像进行预处理；
6、步骤三、构建精细边界检测-ced模型，利用开源的墙体和路面裂隙数据集对模型进行预训练；
7、构建ced模型时，首先需要构建整体边缘检测算法-hed的输出边缘映射，hed是一种基于卷积神经网络的边缘检测算法，通过计算网络各层对于图像边缘的置信度，得到一组完成的边缘图像，在网络中，通过连续的池化操作，对图像进行连续的向下采样，即不断采集更小图幅的边缘特征，然后，通过双线性插值对小图幅的边界进行向上合成，即通过拟合、平均图幅的分辨率，最终刻画大图幅的边缘图；
8、步骤四、完成ced模型训练后，将测试图片输入ced模型，部分计算结果展示。
9、进一步的，步骤一中，采用了双目相机实时抓取围岩图像，在深度学习算法识别围岩裂隙的同时，自动测量裂隙间距离，实现围岩完整新计算；隧道径向距离计算公式如下：
10、；
11、其中，p是待测物体上的某一点，or和ot分别是两个摄像头的光心，点p在两个相机感光器上的成像点分别为p和p’， f为相机焦距，b为亮相即的中心距，z为深度信息，xr为点p到or的垂直距离，xt为点p到ot的垂直距离，设p和p’之间距离为dis，则：。
12、进一步的，步骤三中，训练数据集记为, 其中样本表示原始的输入图像，图像对应的二值边缘映射记为；模型全部网络超参数的集合记为 w，j表示每个像素的序号，假设图像共有10个像素，则j的取值为1,2，…，10；，假设子网络层的个数为 m，每层均有一个分类器与之相关联，各分类器的权重对应表示为，其中分类器classifier， 表示一个对输入像素进行分类的模型，可根据输入像素的特征，判断其的类别，如常规岩体或裂隙岩体等，分类算法可视为多个分类器的综合作用。
13、进一步的，步骤四中，模型的目标函数记为：其中，表示输出图像的损失函数，通过对训练图像的所有像素计算而得，m表示分类器的序号，,, 而与分别表示标记属于边和不属于边的集合，，为平衡权重表示sigmoid激活函数，表示表示第j个像素、第m个分类器的处理结果，表示用sigmoid激活函数对上述处理结果进行计算，)也表示上述计算结果。
14、此外，网络中还添加了加权融合层，该层的激活函数为：
15、；
16、其中；
17、w是算法中多个分类器的权重矩阵，h是“熔合权重”将图像划分为多个层级，dist(y, yfuse)表示预测的边界与真实边界的距离，采用随机梯度下降法来优化目标函数并寻找其最小值，y是真实值，yfuse是预测值；为激活函数，m是分类器的总数，m为分类器的序号，hm为第m个分类器的“熔合权重”，表示第m个分类器预测所得图像“边界”位置， h为权重，其值为；
18、。
19、进一步的，步骤四中，ced模型包括两个组成部分:前向传播路径和反向细化路径，正向传播途径，生成具有丰富语义信息的高维低分辨率特征图，反向细化路径将特征映射与沿前向传播路径的中间特征融合。
20、进一步的，每个反向细化模块将反向路径的自顶向下特征图与正向路径中当前层的特征图融合，并进一步以小因子(2x)对该地图进行合并，然后向下传递该路径；该模块有两个核心组件，即融合和上采样。、
21、进一步的，融合过程如下：通过额外的卷积来降低两个特征映射的维数，并将两个具有相等通道的低维特征映射连接起来，具体的说，输入前向路径特征映射的通道数为 k h，经过卷积和relu运算后，通道减少到，远小于 k h，对前一个细化模块的特征映射执行相同的操作，以从 k u生成；将上述特征映射连接成一个具有通道的新特征映射，并通过3× 3卷积层将其减少为具有通道的特征映射。
22、进一步的，上采样过程如下：采用亚像素卷积对融合的特征图进行上采样；假设网络有 i个输入通道和 o个期望的输出通道，则卷积层的核大小记为( o, i, r, c)，其中 r和 c分别代表核宽度和核高度；输出特征图的分辨率是输入特征图的 k倍，卷积层的核大小为( o × k 2, i, r, c)，从而生成具有 o × k 2个特征通道的特征映射，具有相同的分辨率；进而采用亚像素卷积将输出特征映射组装到具有 o个特征通道但分辨率大 k倍的特征映射上。
23、与现有技术相比，本发明的有益之处为：
24、（1）本发明针对边界识别提出了一种创新的深度学习构架，结合了细化策略和亚像素卷积的特点，并在数据集上取得了领先的结果。该研究表明，ced模型可以改善包括光流估计，目标建议生成和语义分割等中级和高级视觉任务的性能。
25、（2）本发明通过提出一种新颖的架构，来解决ced算法的精度问题，为hed网络补充了一个反向细化路径以提升识别精度，该路径使用高效的亚像素卷积逐步对特征进行合并；本发明提出的ced能够生成与图像边界对齐良好的边缘图。
1.一种基于边界检测神经网络模型的岩体裂隙识别方法，其特征在于，包括以下步骤
2.根据权利要求1所述的方法，其特征在于，步骤一中，采用了双目相机实时抓取围岩图像，在深度学习算法识别围岩裂隙的同时，自动测量裂隙间距离，实现围岩完整新计算；隧道径向距离计算公式如下：
3.根据权利要求1所述的方法，其特征在于，步骤三中，训练数据集记为, 其中样本表示原始的输入图像，图像对应的二值边缘映射记为；模型全部网络超参数的集合记为w，j表示每个像素的序号，假设图像共有10个像素，则j的取值为1,2，…，10；假设子网络层的个数为m，每层均有一个分类器与之相关联，各分类器的权重对应表示为，其中分类器classifier，表示一个对输入像素进行分类的模型。
4.根据权利要求1所述的方法，其特征在于，步骤四中，模型的目标函数记为：
5.根据权利要求1所述的方法，其特征在于，步骤四中，ced模型包括两个组成部分:前向传播路径和反向细化路径，正向传播途径，生成具有丰富语义信息的高维低分辨率特征图，反向细化路径将特征映射与沿前向传播路径的中间特征融合。
6.根据权利要求5所述的方法，其特征在于，每个反向细化模块将反向路径的自顶向下特征图与正向路径中当前层的特征图融合，并进一步以小因子2x对该地图进行合并，然后向下传递该路径；该模块有两个核心组件，即融合和上采样。
7.根据权利要求6所述的方法，其特征在于，融合过程如下：通过额外的卷积来降低两个特征映射的维数，并将两个具有相等通道的低维特征映射连接起来，具体的说，输入前向路径特征映射的通道数为kh，经过卷积和relu运算后，通道减少到，远小于kh，对前一个细化模块的特征映射执行相同的操作，以从ku生成；将上述特征映射连接成一个具有通道的新特征映射，并通过3 × 3卷积层将其减少为具有通道的特征映射。
8.根据权利要求6所述的方法，其特征在于，上采样过程如下：采用亚像素卷积对融合的特征图进行上采样；假设网络有i个输入通道和o个期望的输出通道，则卷积层的核大小记为(o, i, r, c)，其中r和c分别代表核宽度和核高度；输出特征图的分辨率是输入特征图的k倍，卷积层的核大小为(o × k2, i, r, c)，从而生成具有o × k2个特征通道的特征映射，具有相同的分辨率；进而采用亚像素卷积将输出特征映射组装到具有o个特征通道但分辨率大k倍的特征映射上。
