隧道智能建造技术及装备专栏
张运波, 雷明锋, 肖勇卓, 刘光辉, 邓兴兴, 杨富宇, 鲁宝金, 李重阳
为解决现有隧道掌子面节理裂隙识别方法中存在的识别精度不足、鲁棒性较低以及检测速度较慢等问题,提出了一种名为Mask Region-convolutional Neural Network-EfficientNet(Mask R-CNN-E)的隧道掌子面节理裂隙识别算法。该算法以Mask R-CNN实例分割算法为基础,采用先进的EfficientNet网络作为主干网络,加强了Mask R-CNN算法获取特征信息的能力,从而显著提升了识别精度。EfficientNet通过复合缩放方法(Compound Scaling Method)有效地平衡了网络的深度、宽度和分辨率,使得在计算效率和准确率之间达到了最佳平衡。在模型训练过程中,采用了多尺度训练方式和学习率调整策略poly,以增强算法的鲁棒性。为评估算法的性能,以平均精度值Am为测试指标,与传统的Mask R-CNN算法开展了对比试验。此外,采用骨架算法对模型检测输出的节理裂隙掩码进行细化处理,以获取更为精确的节理裂隙量化信息。研究结果表明:改进后的算法在预测框平均精度值(b_Am)和分割平均精度值(s_Am)上分别达到了0.656和0.436,均显著高于传统方法,表明了其在识别精度上的优势;改进后的Mask R-CNN-E算法在隧道掌子面节理裂隙识别方面有显著提升,尤其在复杂的隧道作业环境中表现出更强的鲁棒性和抗干扰能力;在节理裂隙长度测量方面,算法的误差控制在1.5%~9.8%之间,能够更好地满足工程实际需求。该方法不仅在理论上有较高的精度和鲁棒性,在实际应用中也能提供更为可靠的支持,对于提高隧道工程的安全性和施工效率具有重要意义。