買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)獲悉同濟(jì)大學(xué)申請的專利一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114972906B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-21發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210479274.8，技術(shù)領(lǐng)域涉及：G06V10/774；該發(fā)明授權(quán)一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法是由張東明;傅蕾;黃宏偉設(shè)計研發(fā)完成，并于2022-05-05向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法在說明書摘要公布了：本發(fā)明涉及土壓平衡盾構(gòu)法隧道施工領(lǐng)域。提出了一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法，其特征在于，包括以下步驟：步驟1、建立渣土分類系統(tǒng)；步驟2、建立渣土識別數(shù)據(jù)庫；步驟3、渣土識別模型的構(gòu)建。本發(fā)明方法既能科學(xué)地反映土體自身的性質(zhì)又適用于盾構(gòu)施工的實際需要，構(gòu)建的渣土目力鑒別準(zhǔn)則為數(shù)據(jù)集標(biāo)簽的制作提供了依據(jù)；利用深度學(xué)習(xí)算法通過對出渣土圖像進(jìn)行識別能夠快速、準(zhǔn)確地得到開挖面前方土質(zhì)類型信息，并具有實時、成本低的特點。

本發(fā)明授權(quán)一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法在權(quán)利要求書中公布了：1.一種土壓平衡盾構(gòu)開挖面土質(zhì)類型識別方法，其特征在于，包括以下步驟：步驟1、建立渣土分類系統(tǒng)1.1收集盾構(gòu)施工所在地區(qū)的地質(zhì)勘察報告，整理其中的靜力觸探分層參數(shù)表，統(tǒng)計各鉆孔經(jīng)過地層的貫入阻力值，剔除異常值，即明顯不合理的數(shù)據(jù)；1.2計算各地層貫入阻力指標(biāo)的統(tǒng)計特征值，包括均值、標(biāo)準(zhǔn)差以及變異系數(shù)；首先根據(jù)各層的土層名稱進(jìn)行大類劃分；再根據(jù)能夠反映土體工程性質(zhì)的貫入阻力均值進(jìn)行詳細(xì)劃分；依據(jù)此方法，將某一地區(qū)的地層根據(jù)其工程性質(zhì)進(jìn)行合并分類，獲得適用于土壓平衡盾構(gòu)參數(shù)調(diào)整的土質(zhì)類型劃分；1.3對某地區(qū)土質(zhì)類型劃分后，在此基礎(chǔ)上確定渣土的類別劃分；首先考慮是否存在對土壓平衡盾構(gòu)施工影響較大的特殊土或承壓水情況，若存在此類有特殊性質(zhì)的地層，而在根據(jù)貫入阻力值進(jìn)行分類時又將此類地層與其他地層合并為一類，則應(yīng)該將這類地層單獨劃分；除此之外，考慮盾構(gòu)法施工時常出現(xiàn)開挖面經(jīng)過多層地層的情況，此時排出的渣土可定為“混合土”這一特殊的類型；至此，在土質(zhì)類別劃分的基礎(chǔ)上進(jìn)行調(diào)整即可獲得同時考慮土體自身工程性質(zhì)以及施工經(jīng)驗的渣土類別劃分結(jié)果；1.4由基于渣土的視覺特征來構(gòu)建目力鑒別渣土類別的準(zhǔn)則，便于后續(xù)標(biāo)簽的制作；步驟2、建立渣土識別數(shù)據(jù)庫2.1廣泛收集該方法應(yīng)用地區(qū)的渣土監(jiān)控視頻；2.2收集到視頻數(shù)據(jù)后對數(shù)據(jù)進(jìn)行預(yù)處理；將穩(wěn)定出土階段的有效視頻截取出來，再以每30幀一張的頻率抽取視頻幀，具體取幀頻率可根據(jù)盾構(gòu)機(jī)推進(jìn)速度進(jìn)行調(diào)整；依據(jù)渣土形態(tài)和圖像背景盡量變化多樣的原則選取圖像，剔除鏡頭污損下拍攝的圖像以及由于視頻卡頓造成的馬賽克不良圖像和冗余圖像；2.3采用LabelImg圖像標(biāo)注軟件對渣土圖像進(jìn)行手工標(biāo)注，用矩形框框出每張圖像內(nèi)的渣土體目標(biāo)，并輸入每個目標(biāo)框的渣土類別；標(biāo)簽信息為PASCALVOC格式，每張圖片真實的目標(biāo)框位置信息和相應(yīng)的渣土類別信息都被保存為XML文件；在訓(xùn)練集和驗證集中，每張圖像都必須帶有標(biāo)簽，里面記錄的信息被稱為真實值，該真實值提供給3.3.4的訓(xùn)練過程；2.4獲得的渣土圖片文件及對應(yīng)的標(biāo)簽文件即為渣土數(shù)據(jù)集，將其按8：1：1的比例劃分為訓(xùn)練集、驗證集和測試集；步驟3、渣土識別模型的構(gòu)建所述渣土識別模型包括：自定義數(shù)據(jù)集模塊、渣土檢測網(wǎng)絡(luò)搭建模塊、構(gòu)建訓(xùn)練過程模塊、模型測試及評估指標(biāo)模塊和渣土識別結(jié)果可視化模塊；3.1在自定義數(shù)據(jù)集模塊中3.1.1需要從數(shù)據(jù)集存儲路徑上載入渣土圖像數(shù)據(jù)以及相應(yīng)的標(biāo)簽信息，分別保存在列表中；3.1.2接著對圖像數(shù)據(jù)和標(biāo)簽數(shù)據(jù)進(jìn)行一定的處理和轉(zhuǎn)換；將圖像數(shù)據(jù)從PIL格式轉(zhuǎn)換成形狀為C,H,W的Tensor格式，其中C代表圖像通道數(shù)，H代表圖片高度，W代表圖片寬度，并將所有像素值除以255歸一化到0-1之間；3.1.3接著在圖像輸入網(wǎng)絡(luò)之前對其進(jìn)行一定的隨機(jī)圖像增強(qiáng)操作，以0.5的概率對圖像進(jìn)行水平翻轉(zhuǎn)、網(wǎng)格掩碼、隨機(jī)裁剪、色彩抖動以及模糊五種數(shù)據(jù)增強(qiáng)，提高數(shù)據(jù)庫圖片的多樣性，增強(qiáng)模型的魯棒性；3.1.4計算出整個數(shù)據(jù)集中圖片三通道像素值的均值和標(biāo)準(zhǔn)差，對圖片進(jìn)行標(biāo)準(zhǔn)化處理以便于模型的學(xué)習(xí)，提供給步驟3.3；3.2在渣土檢測網(wǎng)絡(luò)搭建模塊中，網(wǎng)絡(luò)分為三個部分：骨干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)以及頂部網(wǎng)絡(luò)，提供給步驟3.3；骨干網(wǎng)絡(luò)的主要功能為提取圖像特征，其基本結(jié)構(gòu)為卷積層、批標(biāo)準(zhǔn)化層以及激活層的組合，將此基本結(jié)構(gòu)進(jìn)行堆疊即可完成骨干網(wǎng)絡(luò)的搭建；在骨干網(wǎng)絡(luò)中加入殘差連接能夠增加網(wǎng)絡(luò)的深度，有效提高其特征提取的能力；頸部網(wǎng)絡(luò)功能為特征增強(qiáng)和融合；頂部網(wǎng)絡(luò)為檢測器，其功能為對渣土位置及類別信息做最終的回歸預(yù)測；更高分辨率的輸出特征圖包含了輸入圖像更詳細(xì)的特征，善于小目標(biāo)的檢測，更低分辨率的輸出特征圖包含輸入圖像更粗略的特征，善于大目標(biāo)的檢測；3.3在構(gòu)建訓(xùn)練過程模塊中3.3.1首先導(dǎo)入自定義數(shù)據(jù)集模塊以及渣土檢測網(wǎng)絡(luò)搭建模塊，實例化渣土數(shù)據(jù)集以及渣土檢測網(wǎng)絡(luò)，構(gòu)建數(shù)據(jù)加載器以自定義圖片及標(biāo)簽數(shù)據(jù)輸入網(wǎng)絡(luò)的方式；3.3.2設(shè)計網(wǎng)絡(luò)的損失函數(shù)，所使用目標(biāo)檢測網(wǎng)絡(luò)的損失函數(shù)分為三部分：渣土定位損失、目標(biāo)框置信度損失以及渣土分類損失，如公式（1）所示， （1）目標(biāo)框置信度代表目標(biāo)框是否包含渣土體以及包含時目標(biāo)框與真實框交并比的大小；3.3.3網(wǎng)絡(luò)訓(xùn)練時需要設(shè)置超參數(shù)，包括：學(xué)習(xí)率初值及其隨訓(xùn)練循環(huán)次數(shù)增加的變化方式、優(yōu)化器以及優(yōu)化器的參數(shù)、輸入圖片批大小、訓(xùn)練循環(huán)次數(shù)和損失函數(shù)各項的權(quán)值；設(shè)置好損失函數(shù)及超參數(shù)后進(jìn)入步驟3.3.4開始訓(xùn)練；3.3.4每一批圖像輸入網(wǎng)絡(luò)中都會得到預(yù)測結(jié)果，將預(yù)測值與步驟2.3標(biāo)簽中的真實值輸入損失函數(shù)能夠算得當(dāng)前損失值，也就是預(yù)測值和真實值之間的距離；計算損失值對于所有網(wǎng)絡(luò)參數(shù)的導(dǎo)數(shù)，利用優(yōu)化器對網(wǎng)絡(luò)參數(shù)進(jìn)行優(yōu)化更新，即為一輪訓(xùn)練迭代；當(dāng)把訓(xùn)練集中所有圖片都輪次輸入網(wǎng)絡(luò)中進(jìn)行訓(xùn)練后，即為一個訓(xùn)練循環(huán)；結(jié)束一個訓(xùn)練循環(huán)后，再將驗證集的圖片輪次輸入網(wǎng)絡(luò)中計算網(wǎng)絡(luò)精度，據(jù)此觀察網(wǎng)絡(luò)訓(xùn)練情況并作為下次網(wǎng)絡(luò)訓(xùn)練調(diào)整超參數(shù)的依據(jù)；當(dāng)損失下降收斂至某個穩(wěn)定值后，訓(xùn)練結(jié)束，保存訓(xùn)練后的網(wǎng)絡(luò)參數(shù)，即獲得可準(zhǔn)確定位渣土目標(biāo)和判斷渣土類型的識別模型；3.4在模型測試及評估指標(biāo)模塊中，加載訓(xùn)練好的模型和參數(shù)，輸入需要測試的渣土圖片即可獲得回歸出的渣土定位信息以及類別信息；編寫評估指標(biāo)計算代碼，對測試集的檢測結(jié)果進(jìn)行定量評估，可評價檢測模型的效果；3.5在渣土識別結(jié)果可視化模塊中，將網(wǎng)絡(luò)回歸得到的渣土體目標(biāo)框定位信息以及類別信息繪制在原圖像上進(jìn)行識別結(jié)果可視化；利用網(wǎng)絡(luò)回歸出的目標(biāo)框中心點位置信息x0、y0以及長寬信息h、w在原圖中繪制目標(biāo)框，將回歸得到的渣土類別信息及相應(yīng)的置信度以文字形式寫在每一個目標(biāo)框的左上角，同時不同渣土類型的目標(biāo)框和類別信息采用不同顏色進(jìn)行繪制和書寫。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人同濟(jì)大學(xué)，其通訊地址為：200092 上海市楊浦區(qū)四平路1239號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。