第19卷第2期地下空间与工程学报Vol．192023年4月ChineseJournalofUndergroundSpaceandEngineeringApr．2023基于迁移学习技术的隧道围岩岩性识别方法柳厚祥，王建(长沙理工大学土木工程学院，长沙410114)摘要:为实现隧道围岩岩性的自动识别与分类，提出了基于迁移学习技术的围岩岩性识别方法。首先，通过采用Inception-ＲesNet-V2(IＲV2)卷积神经网络模型在Image-Net数据集上进行预训练，并利用模型迁移学习技术对岩石图片数据集(包含花岗岩、石灰岩、玄武岩和页岩)进行再训练，获取隧道围岩岩性识别模型;然后，对IＲV2进行模型测试，并与ＲesNet-50、Inception-V3和VGG16三种模型的识别性能进行对比;最后，进行子图像法与整体图像法的识别效果对比试验。实验结果表明:(1)IＲV2的各项分类性能指标均表现为最优，且均可达到90%以上，表明该模型可以实现围岩岩性的有效识别与精确分类;(2)对于具有更加突出的纹理、结构和构造等外部特征的岩石图片，模型的识别性能更好;(3)子图像法相比于整体图像法可有效提高模型的识别性能。关键词:隧道工程;岩性识别;迁移学习;子图像法;Inception-Ｒesnet-V2中图分类号:U452．1文献标识码:A文章编号:1673-0836(2023)02-0437-09LithologyIdentificationMethodofTunnelSurroundingＲockBasedonTransferLearningTechnologyLiuHouxiang，WangJian(SchoolofCivilEngineering，ChangshaUniversityofScienceandTechnology，Changsha410114，P．Ｒ．China)Abstract:Inordertorealizetheautomaticrecognitionandclassificationofthesurroundingrocklithologyofthetunnel，amethodoflithologyrecognitionbasedonmigrationlearningtechnologyisproposed．First，pre-trainingontheImage-NetdatasetbyusingtheInception-ＲesNet-V2(IＲV2)convolutionalneuralnetworkmodel，andusingmodeltransferlearningtechnologytoretraintherockimagedataset(includinggranite，limestone，basaltandshale)toobtainThelithologyrecognitionmodelofthesurroundingrockofthetunnel;then，theIＲV2modelistested，andtherecognitionperformanceofthethreemodels:ＲesNet-50，Inception-V3andVGG16iscompared;finally，thesub-imagemethodandtheoverallimagemethodareperformedComparativetestofrecognitioneffect．Theexperimentalresultsshowthat:(1)ThevariousclassificationperformanceindicatorsofIＲV2areallthebest，andallcanreachmoret...
