文献类型：期刊文章

作　　者：柳厚祥[1] 李汪石[1,3] 查焕奕[1] 蒋武军[2] 许腾[1]

LIU Hou-xiang;LI Wang-shi;ZHA Zhuan-yi;JIANG Wu-jun;XU Teng(School of Civil Engineering,Changsha University of Science ＆ Technology,Changsha 410114,China;Hunan Yongzhnu to Jishou Expressway Construction and Development Co.,Ltd.,Jishou 416000,China;Hunan Province Architectural Design Institute Co.,Ltd.,Changsha 410000,China)

机构地区：[1]长沙理工大学土木工程学院,湖南长沙410114 [2]湖南省永吉高速公路建设开发有限公司,湖南吉首416000 [3]湖南省建筑设计院有限公司,湖南长沙410000

出　　处：《岩土工程学报》

基　　金：湖南省交通科技项目(201331);长沙理工大学优势学科项目(17ZDXK01)

年　　份：2018

卷　　号：40

期　　号：10

起止页码：1809-1817

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：通过深度学习技术提取公路隧道掌子面图片中的围岩分级相关信息。训练以掌子面图片和特征标签为数据集的深度卷积神经网络模型,识别围岩的节理、裂隙、破碎程度、粗糙程度、光滑程度、泥夹石和涌水等分布式特征;结合深度学习技术和岩体裂隙图像智能解译方法统计围岩节理组数和间距来描述结构面完整程度;再利用色彩模型确定岩石种类描述出岩石坚硬程度;最后将围岩分级各判别因子转换为BQ值进行分级,获得围岩分级最终结果。结果表明：深度学习模型适用于识别围岩不同形态特征,利用图像识别技术获取的围岩分级参数能够实现对公路隧道围岩等级的综合判定。该处理结果与传统BQ分级结果相吻合,验证了深度学习围岩分级的可行性和准确性。

关 键 词：公路隧道 围岩分级 深度学习技术  图像识别

分 类 号：U451.2]