隧道掌子面节理卷积神经网络智能识别方法
来源：中国血液净化杂志2024年第7期北京时间：
作者：张运波, 雷明锋, 肖勇卓, 刘光辉, 邓兴兴, 杨富宇, 鲁宝金, 李重阳
单位：1. 中南大学 土木工程学院，湖南 长沙 410075","2. 贵州路桥集团有限公司，贵州 贵阳 550000
摘要：<p>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<i>A</i><sub>m</sub>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（<i>b</i>_<i>A</i><sub>m</sub>）和分割平均精度值（<i>s</i>_<i>A</i><sub>m</sub>）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。</p>
关键词：隧道工程,掌子面素描,实例分割,节理裂隙,深度学习
