基于迁移学习技术的隧道围岩岩性识别方法_柳厚祥.pdf

第 19 卷第 2 期地 下 空 间 与 工 程 学 报Vol192023 年 4 月Chinese Journal of Underground Space and EngineeringApr2023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-esNet-V2(IV2)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 IV2 进行模型测试，并与 esNet-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)IV2 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-esnet-V2中图分类号:U4521文献标识码:A文章编号:1673-0836(2023)02-0437-09Lithology Identification Method of Tunnel Surrounding ock Based onTransfer Learning TechnologyLiu Houxiang，Wang Jian(School of Civil Engineering，Changsha University of Science and Technology，Changsha 410114，P China)Abstract:In order to realize the automatic recognition and classification of the surrounding rock lithologyof the tunnel，a method of lithology recognition based on migration learning technology is proposed First，pre-trainingon the Image-Net dataset by using the Inception-esNet-V2(IV2)convolutional neural network model，andusing model transfer learning technology to retrain the rock image dataset(including granite，limestone，basalt andshale)to obtain The lithology recognition model of the surrounding rock of the tunnel;then，the IV2 modelis tested，and the recognition performance of the three models:esNet-50，Inception-V3 and VGG16 is compared;finally，the sub-image method and the overall image method are performed Comparative test of recognition effect Theexperimental results show that:(1)The various classification performance indicators of IV2 are all the best，andall can reach more than 90%，indicating that the model can realize the effective identification and accurateclassification of surrounding rock lithology;(2)For rock pictures with more prominent texture，structure andstructure，the recognition performance of the model is better;(3)The sub-image method can effectivelyimprove the models performance compared to the overall image method Identify performanceKeywords:tunnel engineering;lithology identification;transfer learning;sub-image method;inception-resnet-v2收稿日期:2022-12-19(修改稿)作者简介:柳厚祥(1965)，男，湖南邵阳人，博士，教授，主要从事隧道与地下结构设计理论与方法等方面的研究。E-mail:liuhoux1 163com基金项目:湖南省水利厅科技项目(XSKJ2019081-39);湖南省教育厅科学研究重点项目(19A025)0引言岩体质量是关系着工程设计、施工与稳定性超前预测的重要指标1-3。而隧道围岩岩性识别在岩体质量评价、围岩稳定性分析等工作中是至关重要的。若不能准确地识别围岩岩性，那么隧道工作面则可能会出现塌方问题与施工障碍，这无疑给隧道的建设、运营和维护带来了严峻挑战。目前，对隧道围岩岩性的识别一般仍采用传统经验法，常依赖于施工技术人员通过观察围岩的结构、构造等多方面特征进行识别4，此方法对施工技术人员要求较高，需要有充足的经验作为知识支撑，易受人为因素的影响，且误判率高。为解决上述问题，诸多学者针对岩性识别进行了大量研究:Singh 等5 利用神经网络对玄武岩图片进行分析处理，可实现对玄武岩的精确分类;张炎等6 对基于主成分的多重分形法在岩性识别中的应用进行了深入研究，可有效地识别粉砂岩、泥岩与细砂岩;张翠芬等7 依据各岩性单元的特征向量统计结果构建比值运算，再结合主成分分析特征向量对图片进行彩色合成，使得岩石岩性的识别准确率显著提高。然而以上岩性识别方法或局限性太大，或实验过程过于复杂，仍不能满足实际工程的需要。近年来，随着物联网技术的飞速发展、人工智能技术的不断提高，我国越发重视各种高科技手段在隧道工程中的应用8。其中，深度学习技术与土木工程相互交叉，为研究人员提供了一种快速高效的分析方法，并在诸多领域取得了突破性进展。例如，一些学者深入探究了运用卷积神经网络识别混凝土裂缝9-13，该方法具有较高的识别精度;柳厚祥等14 研究了利用深度学习技术与传统 BQ 分级相结合的方法进行公路隧道围岩分级，其分级准确率可稳定在 80%以上;Chen 等15 提出了一种基于深度学习和隧道掌子面地质图片的岩体结构自动分类框架，对镶嵌、颗粒、层状、块状和破碎 5 种岩体结构的分类准确率达到 95%左右;Su 等16 利用卷积神经网络对岩石薄片图片进行特征的提取与识别，以达到岩石分类的目的，其识别准确率可达到 89%以上;胡启成等17 深入研究了基于地质图像大数据与深度学习技术的岩性识别方法，测试准确率在 90%左右。综上所述，深度学习方法已被广泛应用于解决工程实际问题，且具有较高的精度和效率。然而传统的深度学习方法仍然存在如下两点明显缺陷:网络模型结构过于复杂，参数繁多;模型训练 需 要 大 量 数 据18。迁 移 学 习(Transferlearning)19-20 的出现为解决上述问题提供了新思路。迁移学习是将预训练模型的结构与参数应用于目标任务模型之中，再利用目标数据集通过再训练得到目标任务模型21-22。迁移学习方法摆脱了传统深度学习方法存在的缺陷，显著提高了模型的学习效果。本文提出基于 Inception-esNet-V223-25 和迁移学习技术的隧道围岩岩性识别方法。运用迁移学习技术，构建并训练迁移学习模型，并结合子图像法对图片进行纹理、颜色、结构及构造等特征的自动提取，从而得到隧道围岩岩性的识别结果。1迁移学习技术11迁移学习模型基本结构迁移学习模型的体系结构由几个独特的层组成，主要包括卷积层、激活层、池化层、Dropout 层和 Softmax 层26-27。卷积层被广泛用作特征生成器。卷积神经网络(Convolutional Neural Networks，CNN)的每个卷积核都以确定的步长在输入矩阵上滑动，在输入GB 矩阵和每个滑动位置的内核之间进行逐元素乘法，并将所有乘积值加在一起以形成输出加偏置，输出大小由卷积核和步长大小确定。激活层用于增加卷积输出的非线性。本文采用的非线性 eLU 激活函数能够避免由于梯度过大而导致的梯度分散(梯度爆炸)和因梯度过小而导致的梯度消失等问题，同时可以保持较高的运算效率。池化层的作用是特征降维，压缩数据，减少参数量，降低过拟合发生概率，同时增强模型结构的容错性。Dropout 层是一种随机断开技术，可以以 1-p的丢失率随机隔离不同节点之间的连接。Dropout层可减少模型参数量，避免模型发生过拟合，并提高模型结构的鲁棒性。Softmax 层是多项逻辑损失的组合，在多分类过程中用于对一定权重的分类向量进行归一化，可834地 下 空 间 与 工 程 学 报第 19 卷以将抽象矩阵转换为具体的分类结果。12迁移学习的技术优势运用传统的深度学习技术，即便目标任务与此前的源任务之间具有一定的相关性，但目标任务模型仍是从头开始构建，对于已构建的源模型中的结构和参数也不加任何参考，孤立地构建目标模型会耗费大量的时间和精力。而采用迁移学习技术，倘若不同的任务之间存在相似性，则在源任务中学习到的具有普遍有效的规律知识可以通过微小的改变，甚至不经任何改变即可应用到目标模型之中。采用迁移学习方法有助于目标任务网络模型的构建，减少大量重复性劳动，且削弱了模型对目标任务训练数据量的依赖性。传统深度学习与迁移学习对比示意图如图 1 所示。图 1传统深度学习与迁移学习对比示意图Fig1Comparison between traditional deep learningand transfer learning13Inception-esNet-V2本文采用的 Inception-esNet-V2 卷积神经网络模型是在 2018 年由 Google 公司首次提出，它是由 Google-Net(Inception)和残差网络(esNet)结合构成，在 Inception 中加入残差块，使参数可以通过网络中的捷径跃过一些层直接进行传播，解决了在更深层网络结构中梯度消失的问题。该算法由以下几个部分组成:前 7 层由 5 层卷积层、2 层 最 大 池 化 层 和 1 层 具 有 4 个 分 支Inception 模块组成;具有 3 个分支的残差 Inception模块，并 重 复 5 次 该 模 块;包 括 3 个 分 支 的Inception 模块;具有 2 个分支的残差 Inception 模块，并重复 10 次该模块;包括 4 个分支的 Inception模块;具有 2 个分支的残差 Inception 模块，并重复5 次该模块;1 层平均池化层;1 层 Dropout 层;最后为 Softmax 层，输出识别结果。Inception-esNet-V2架构示意图如图 2。2实验设计21实验环境硬 件 环 境:QuadCore Intel Core i7-108