快速鲁棒掌子面全局节理特征提取算法

白宇; 郝毅仁; 陈玮; 裴少康; 王贺; 王继超; 方浩

doi:10.12404/j.issn.1671-1815.2408157

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (3) :1157-1165 DOI: 10.12404/j.issn.1671-1815.2408157

论文：自动化技术、计算机技术

快速鲁棒掌子面全局节理特征提取算法

白宇 ¹^,² ,
郝毅仁 ³ ,
陈玮 ⁴ ,
裴少康 ² ,
王贺 ⁴ ,
王继超 ² ,
方浩 ³^,^*

作者信息 +

Fast and Robust Algorithm for Extracting Global Joint Features on Tunnel Face

BAI Yu ¹^,² ,
HAO Yi-ren ³ ,
CHEN Wei ⁴ ,
PEI Shao-kang ² ,
WANG He ⁴ ,
WANG Ji-chao ² ,
FANG Hao ³^,^*

Author information +

文章历史 +

摘要

隧道掌子面监测对于保障施工安全与工程质量至关重要,然而传统依赖手工测量和现场观察的监测方式效率低下且精度受限。为提升监测水平,提出一种结合深度学习的掌子面快速数字化方法。该方法通过构建掌子面单应变换模型,运用基于深度学习的特征匹配算法和基于多尺度信息的快速自适应节理特征提取算法,实现不依赖相机参数和拍摄角度的快速、准确节理特征提取,并借助快速节理检测和融合方法达成实时性监测。实验结果显示,此方法能够有效提取全局掌子面节理信息,显著提高数据采集效率,降低操作难度。综上,该方法为隧道工程监测提供了全新的思路与方法,有力保障了隧道施工安全。

Abstract

Tunnel face monitoring is of great significance for ensuring construction safety and project quality. However, traditional monitoring methods relying on manual measurement and on-site observation are inefficient and limited in accuracy. To improve the monitoring level, a rapid digitization method of tunnel face combined with deep learning was proposed. By constructing a homography transformation model of the tunnel face, applying a feature matching algorithm based on deep learning and a fast adaptive joint feature extraction algorithm based on multi-scale information, rapid and accurate joint feature extraction independent of camera parameters and shooting angles was achieved. Real-time monitoring was also accomplished with the help of fast joint detection and fusion methods. The experimental results show that this method can effectively extract the global joint information of the tunnel face, significantly improve the data acquisition efficiency and reduce the operation difficulty. In conclusion, this method provides a new idea and approach for tunnel engineering monitoring and effectively guarantees the safety of tunnel construction.

Graphical abstract

关键词

掌子面图像 / 单应变换 / 深度学习特征点 / 节理特征提取 / GPU加速 / 随机样本一致算法

Key words

tunnel face image / homography transformation / deep learning feature points / joint feature extraction / GPU acceleration / random sample consensus(RANSAC)

引用本文

引用格式 ▾

白宇, 郝毅仁, 陈玮, 裴少康, 王贺, 王继超, 方浩. 快速鲁棒掌子面全局节理特征提取算法[J]. 科学技术与工程, 2026, 26(3): 1157-1165 DOI:10.12404/j.issn.1671-1815.2408157

BAI Yu, HAO Yi-ren, CHEN Wei, PEI Shao-kang, WANG He, WANG Ji-chao, FANG Hao. Fast and Robust Algorithm for Extracting Global Joint Features on Tunnel Face[J]. Science Technology and Engineering, 2026, 26(3): 1157-1165 DOI:10.12404/j.issn.1671-1815.2408157

登录浏览全文

4963

注册一个新账户忘记密码

在隧道工程中,掌子面监测是确保施工安全和工程质量的关键环节。隧道掌子面指的是隧道开挖的前沿部分,其形状和稳定性直接关系到后续施工的安全性和有效性。传统的掌子面监测方法通常依赖手工测量和现场观察,尽管这些方法在某种程度上有效,但在面对复杂地质条件和要求高精度的情况下,其局限性逐渐显现。

随着计算机视觉和三维重建技术的发展,采用现代化方法监测掌子面的需求应运而生。隧道图像数字化技术通过整合不同视角下的图像信息,可以高效地进行图像拼接、特征检测等工作,这在隧道监测中具有重要的应用前景。利用隧道图像数字化技术,可以实现完整的掌子面图像的节理特征提取,从而为隧道施工提供更为可靠的数据支持。

一些方法使用图像处理进行掌子面数字化监测。刘红等^[1]借助CAESirovsion双目立体摄影量测系统,快速实现掌子面区域岩体结构面信息的数字化表征及获取其概率分布模型,由此对岩体质量进行了可靠评估。赵慧俊等^[2]为了解决传统隧道测量方法成本高、受施工干扰影响大以及精度低等问题,提出一种基于图像处理的隧道围岩形变量测方法。通过对隧道围岩上若干个观测点进行拍摄,利用图像预处理、模板匹配、阈值分割、连通体分析等研究方法,使得图像更加清晰。王平让等^[3]中针对传统的裂缝图像识别方法存在运行速度慢、效率低等缺点,提出基于图像结构信息的隧道衬砌裂缝实时快速识别方法,识别速度快且准确性高,可显著提高隧道衬砌病害的检测效率。喻军等^[4]中以透明岩体实验新技术为出发点,对模型隧道周边围岩的内部变形过程进行全程二维数字照相量测,得到深部隧道围岩内部变形的时空演化规律。罗佳等^[5]针对常规围岩变形量测方法难以同时实现安全、快速、经济要求的现状,提出一种基于图像处理技术的新型围岩变形非接触量测方法,并对其理论推导、图像处理等关键技术进行研究和分析。

一些方法使用三维重建模型进行掌子面数字化监测。董鑫等^[6]中通过研究隧道掌子面摄影图像,采用SURF(speeded up robust features),分析和处理图像,提取围岩结构面信息包括岩体层理、节理及断层等,利用三维重建技术,建立隧道围岩结构面三维结构模型。段兴龙等^[7]以甘肃省某在建高速公路隧道衬砌断面检测工程实践为例,研究了基于三维激光扫描技术的隧道衬砌断面检测方法,利用一次扫描即可准确建立隧道三维矢量模型。陶雄等^[8]中通过某隧道项目的实例分析,探究了三维激光扫描精度在隧道断面检测中的应用。徐晓雅等^[9]中针对山岭隧道地上地下一体化三维建模效率低、数据融合难度大的问题,提出一套基于建筑信息模型+地理信息系统+倾斜摄影技术的建模方法,实现隧道工程信息的集成与共享。

还有一些方法使用深度学习进行掌子面表面节理检测,取得了不错的效果。彭磊等^[10]提出了一种基于Mask R-CNN(Mask regions with convolutional neural networks)的隧道掌子面节理图像智能识别分割算法,可直接用于检测隧道掌子面图片中的节理目标。高洪飞等^[11]中通过引入Swin Transformer网络提高了算法对掌子面图像节理特征的提取能力,采用迁移学习降低训练成本,加速模型收敛。鲁冠宏等^[12]中提出了一种基于深度学习的隧道衬砌裂缝检测网络YOLOv5-CT(YOLOv5 CBAM Transformer),可以实现隧道衬砌裂缝实时检测。张运波等^[13]采用先进的EfficientNet网络作为主干网络,加强Mask R-CNN算法获取特征信息的能力,提升了识别精度。孟馨等^[14]中联合隧道散射地震成像(tunnel seismic tomography, TST)偏移图像、地质分区与物探指标数据集训练模型,建立了一种工程地质环境评价及围岩等级预测方法。

然而,目前在隧道掌子面实际应用中,仍面临诸多挑战。如设备复杂、实时性要求高、现场环境复杂、采集位置和角度要求高,导致传统算法在实际操作中的效率和鲁棒性不足。为了解决这些问题,现提出一种结合深度学习的掌子面快速数字化方法。该方法不依赖于相机的具体参数,这意味着施工人员在进行数据采集时设备和数据采集角度要求都相对宽松,施工人员可以在多种环境和条件下灵活地进行数据收集。这种便利性可大大降低施工人员的操作难度,提高数据采集的效率,使得整个过程更加顺畅和高效,从而更好地服务于隧道施工与管理。

此外,提出的方法应具备优越的实时性,能够迅速响应隧道施工过程中不断变化的需求。这种实时性使得施工人员能够在数据采集和处理的各个环节中,及时获取所需信息,从而快速做出决策,尤其适合隧道施工环境,可增强施工过程的安全性。施工人员能够实时监测掌子面的状态,及时发现潜在问题并采取相应措施,从降低施工风险。研究结果可为掌子面节理检测提供更为高效和安全的解决方案,也将为未来的隧道工程监测提供新的思路。

1 本文算法

提出一种能够快速准确提取掌子面节理信息的算法,该算法主要可分为局部节理特征提取、掌子面图像融合建模和求解、节理特征匹配和数据融合等三个部分。整体算法流程如图1所示。

该算法首先利用边缘检测和图像金字塔获得掌子面图像的多尺度纹理特征,在不同分辨率下分析特征,从而增强了模型对多尺度特征的捕捉能力。之后算法针对每一张掌子面局部图像,会进行边缘信息提取,并根据边缘像素分布情况,融合多尺度特征信息,自适应的进行节理特征的提取。这一过程使用在GPU(graphics processing unit)上的多线程并行方法,通过并行化高性能计算,对算法进行了加速,进一步提高了算法的工作效率。最终实现高效、鲁棒的自适应掌子面局部节理特征提取。

获取局部掌子面图像的节理信息后,根据掌子面图像采集空间有限、平整度高、光照稳定等特点,建立基于单应性矩阵的掌子面图像融合模型,并采用了先进的特征点提取和匹配方法来计算单应性矩阵。具体而言,使用单应性变换对掌子面的图像融合问题进行建模,使用深度学习方法来提取图像中的特征点。接下来,为了提高匹配的精度与可靠性,设计了稳定的特征匹配方法,通过迭代方式有效地排除匹配结果中的外点(错误匹配)。使用最小二乘求解单应变换矩阵。

最后,利用获得的局部掌子面节理特征和单应变换矩阵,设计了稳定的节理融合算法,进行节理特征的查询和融合,最终实现掌子面图像的数据关联和融合,获得了全局节理特征信息。

提出的方法能够利用拍摄的多张局部掌子面图像,快速、完整地提取出全局掌子面图像的节理特征信息,并且不需要相机的参数和拍摄角度等信息,可为隧道监测与评估等相关应用提供有效的数字化方法。本文中所使用方法的具体介绍如下。

1.1 局部节理特征提取

局部节理特征提取由两个主要部分组成,分别为多尺度数据增强和快速自适应特征提取。首先,在数据增强环节,采用高斯金字塔提取图像的多尺度信息。这一过程在只消耗少量空间的同时提取了图像的全局信息,提高了后续特征提取的鲁棒性和准确性。

在特征提取阶段,设计一种自适应的节理特征提取方法。该方法的独特之处在于其能够高效、准确且稳健地从图像中提取出节理特征。通过局部像素差分检测节理方向和宽窄,自适应的进行节理位置的提取,以应对不同掌子面图像的多样性和复杂性。此外该方法利用GPU并行计算的优势,同时进行多个像素的节理特征提取和判断,大大提高了算法速度,保证了算法的高效性。算法流程如图2所示。

1.1.1 快速鲁棒节理特征提取算法

主要使用高斯图像金字塔^[15]进行数据增强。高斯图像金字塔通过构建多层金字塔结构,允许在多个分辨率下观察图像,可以在不同的尺度上捕获特征信息,使得细节和全局特征可以同时被捕获。此外高斯图像金字塔具有较高的计算效率,使用高斯图像金字塔处理较大图像时,能在低分辨率下进行快速处理,减少计算负担。

本文算法输入为一张源图像src和N张参考图像ref_n(n∈1,2,…,N),最终将融合参考图像信息到源图像所在坐标系。通过图像金字塔进行数据增强获得源图像和参考图像的多尺度图像,分别命名为srcⁱ和re${f}_{n}^{i}$,(i∈1,2,…,I),其中i为金字塔层级编号,原始图像设为第0层。之后使用Roberts算子对得到的图像金字塔srcⁱ和re${f}_{n}^{i}$进行多尺度边缘信息提取。设使用边缘提取后的源图像金字塔和参考图像金字塔分别为edge_srcⁱ和edge_re${f}_{n}^{i}$。针对金字塔图像中的每一个像素p,计算其得分score_p进行筛选,以获取初步的节理信息,具体公式为

(1)if_joint=

1, s c o r e p > s c o r e t h 0, s c o r e p < s c o r e t h

(2)score_p=

∑ i = 0 I p i m e a n i

(3)meanⁱ=

∑ i = 0 I p w h

式中:pⁱ为像素p在第i层金字塔所对应的像素灰度值;meanⁱ为该像素所在图像金字塔第i层的灰度均值;w、h分别为图像的宽和高,通过灰度均值进行光度归一化,从而在相机光照不均匀时增强算法的鲁棒性和稳定性。使用先验阈值score_th进行初步的节理位置筛选。当if_joint=1时即判断该像素为节理特征。

获得初步节理信息后,针对源图像和参考图像中的每一个阈值达到标准判断为节理的像素p,需要计算其局部节理联通信息,以排除被误检测的断点、散点等信息,具体公式为

(4)if_joint=

1, s c o r e p > s c o r e t h 1 0, s c o r e p < s c o r e t h 1

(5)score_p=$\sum _{s=0}^{S}\frac{1}{S}$i${f}_{joint}^{s}$

式中:i${f}_{joint}^{s}$为像素p周围S个像素在上一步计算所得到的值。当每个像素周围的区域中至少有score_th1个像素在上一步中判定为节理时,该像素才能作为节理进行保留。本步骤主要使用连通区域的像素信息,排除那些误检测为节理的散点,进而只保留较为干净准确的节理信息。

获取所有准确的备选节理特征后,本文中使用区域增长算法进行节理的生长和连接,通过节理像素灰度质心的方向计算,获取节理特征的方向信息。具体来说,每次都将在未被访问过的节理像素点中随机选取数个种子点,并通过深度优先搜索,每次发现新的判定为节理的像素时,就将他们进行连接,生成新的节理或将像素加入旧的节理中,从而实现节理的自动生长。针对源图像和参考图像都使用上述算法进行节理提取,获得节理分别记为

(6)join${t}_{src}^{j}$, j∈1,2,…,J_src

(7)join${t}_{refn}^{j}$, j∈1,2,…,${J}_{ref}^{n}$,n∈1,2,…,N

式中:J_src为源图像提取出的全部节理;join${t}_{src}^{j}$为其中的第j条;${J}_{ref}^{n}$为第n张参考图像提取出的全部节理;join${t}_{refn}^{j}$为其中的第j条节理。

将所提取出的节理统一记为joint,获取每条节理的方向信息,具体公式为

(8)direction_j=arctan

p y m a x - p y m i n p x m a x - p x m i n

, p∈joint

式(8)中:direction_j为第j条节理的主方向;p为节理中的像素;${p}_{y}^{max}$、${p}_{y}^{min}$、 ${p}_{x}^{max}$、${p}_{x}^{min}$分别为节理中的像素y坐标和x坐标最大、最小值。

1.1.2 并行化计算加速方法

采用并行计算技术对掌子面节理特征提取算法进行加速。节理特征的提取过程中,每个像素点是否被判定为节理,仅依赖于输入图像中的信息,而不受其他像素的影响。因此,在初步提取阶段,各个像素的处理是相对独立的。然而,在高分辨率图像中,由于像素数量庞大且金字塔层数较多,逐一遍历每个像素点进行判断将耗费大量时间。为了解决这一问题,引入高并行计算的方法,显著提升了节理特征初步提取的效率。这种方法不仅加快了算法的处理速度,还有效提高了整体性能,使得在处理高分辨率图像时能够更快速地完成特征提取任务。通过并行计算的优势,本文算法在节理特征提取领域展现出更高的效率和更好的实用性。具体而言,利用CUDA(compute unified device architecture)技术将掌子面多尺度图像金字塔的数据输入GPU中进行处理。在这一过程中,为每个像素单独开辟一个计算线程,实现并行处理。每个线程负责对对应像素进行特征提取计算,从而充分利用GPU的强大并行处理能力。这种方法不仅大幅提升了处理速度,还使得算法能够高效地处理高分辨率图像。在计算完成后,将每个线程的最终结果存储到一幅新的图像中。这种高效的计算框架使得整个算法在性能上得到了显著增强,确保在复杂的图像数据上仍能保持较高的计算效率和准确性。设图像高为w,宽为h,图像金字塔的层级为i,则总共声明w×h个线程,编号为n的线程负责计算的像素位置为

(9)[n/w,n%w]

式中:n/w为像素的图像横坐标,n%w为像素的图像纵坐标。使用多线程并行化方法对算法进行加速,在不同分辨率图像输入时加速效果如表1所示。

可以发现并行计算方法极大地降低了算法耗时,尤其在大分辨率图像上加速效果更加明显。

1.2 掌子面图像融合建模及求解

根据掌子面的实际物理特性和数据采集条件,建立基于单应变换的掌子面图像融合模型,使用基于深度学习的方法进行特征点提取,并基于RANSAC思想设计稳定的特征点匹配算法。通过进行特征点的匹配求解出掌子面图像融合模型的单应矩阵参数。算法流程如图3所示。

1.2.1 掌子面图像融合模型建立

掌子面是指在隧道或一些地下施工中,爆破或挖掘后形成的面。尽管掌子面可能不是严格的平面,但在一定范围内,可以将其视为局部线性,满足平面假设的几何关系。在对掌子面进行数据采集时,由于隧道空间的局限性,掌子面相对于相机的位置变化较小,使得图像之间往往有较大的共视区域,满足单应性模型图像重叠的要求。此外,在掌子面上具备较多的图像特征(如矿石纹理、裂缝等),这些特征提供了数量足够、质量稳定的特征点,满足单应性模型的特征提取要求。在隧道中空间有限且没有外在光源,只要人造光源(如探照灯)不进行移动,就能获得较为稳定的光照环境,不会出现较大的光照变化。单应性矩阵(homography matrix)是一种 3×3 的矩阵,用于描述在平面上的点之间的转换关系。它常用于计算两幅图像中同一平面上点的对应关系,特别是在图像拼接、透视变换和特征匹配等领域。单应性变换假设场景是平面的,或者目标对象在相机视角中的平面部分(如图像中的一个平面)。如果场景中存在大范围的三维结构变化,单应性变换无法准确描述。此外单应性模型需要相机在拍摄连续图像时需要有一定的视角变化。如果视角变化过小,可能会导致特征匹配困难。光照变化也是一个重要因素,应尽量在光照条件相似的情况下进行拍摄,或者应用光照不变性算法来处理光照变化的影响。结合上述掌子面的平面度高、光照较为稳定、图像共视区域大、特征明显等特点,使用单应性矩阵进行掌子面图像融合是合理的。

给定齐次坐标表达的原始图像中的点P=(x,y,1)^T和目标图像中的点P'=(x',y',1)^T,则单应性关系可以用矩阵方程表示为

(10)P'=HP

代入可得

(11)

x' y' 1

x y 1

式(11)中 :H 为单应性矩阵,形式为

(12)H=

h 11 h 12 h 13 h 21 h 22 h 23 h 31 h 32 h 33

将式(12)代入式(11)单应性矩阵建立方程,即

(13)

x y 1000 - x' x - x' y - x' 000 x y 1 - y' x - y' y - y' h 11 h 12 h 13 h 21 h 22 h 23 h 31 h 32 h 33

由式(13)可知一对匹配特征点能够建立两个约束,而单应性矩阵具有8个自由度。因此最少只需要找到4对匹配点,就可以求解单应性矩阵。当匹配点对超过四对时,能够使用非线性优化的方法求得最优解。

1.2.2 掌子面图像融合模型求解

主要使用文献[16]中的方法进行特征点的提取。SuperPoint是一种使用卷积神经网络的特征点提取方法,能够提取特征点的坐标、置信度以及128维描述子。相较于传统的方法,superpoint具有更好的鲁棒性和全局一致性,描述子质量更高且易于集成。使用SuperPoint所得的128维特征向量进行特征描述,并使用特征点描述子的内积进行特征相似度衡量。

设计基于随机抽样一致性算法(random sample consensus,RANSAC)^[17]思想改进的特征匹配方法。算法的核心思想是通过迭代地选择数据中的小子集来估计模型,并利用这些估计为基础来判断哪些数据点是“内点”,即符合模型的点。基于这种思想,设计能够在含有噪声和外点的数据中找到正确结果的匹配算法。

首先选择待估计的模型类型以及所需的最小数据点数量(样本数)。本文中估计的模型最少需要4组匹配特征点对作为输入。选取特征匹配互为最好的前20%组匹配点对中随机选取4组作为输入,用以计算单应变换矩阵的初值。

之后将所有数据点与当前模型进行对比,统计符合模型的内点数量。当重投影距离大于一定阈值时,即判断该点为外点。本文中使用所有匹配点对的重投影欧氏距离之和作为损失函数计算模型损失。定义损失为

(14)E=

∑ i = 1 n D i n

(15)D_i=|HP_i-P_i|

式中:E 为损失得分;n为匹配的特征点的个数;D_i为第i个特征点经过单应变换后的特征点HP_i到其匹配特征点P_i的欧氏距离。如果当前模型的损失(如外点数量)小于之前的模型,就更新最优模型参数及其对应的内点集合。重复上述步骤,直到达到预设的迭代次数,或者达到某个内点数量的阈值。

迭代结束后,从内点集中选取最为相似,即内积最大的10对匹配特征点作为输入,使用上一节所介绍的单应变换模型,建立掌子面图像拼接模型,并通过该匹配关系建立方程。使用最小二乘法进行求解,得到单应性变换矩阵。

1.3 全局掌子面节理特征融合

设计一种自适应节理检测与融合方法,旨在有效实现源图像与参考图像之间的数据融合。该方法能够在大量数据中定位并匹配到相应的节理特征信息,将节理特征的匹配结果与提取结果相结合,以实现参考图像与源图像之间的节理信息关联。最终得到完整的掌子面的节理特征图,从而为后续分析和决策提供准确可靠的数据支持。

具体来说,通过局部节理特征提取可以得到源图像和参考图像的局部节理特征,分别记为J_src和${J}_{ref}^{n}$。其中的第j条节理分别记为join${t}_{src}^{j}$和join${t}_{refn}^{j}$。设参考图像像素p_ref坐标为(u,v),则该像素在源图像上的投影坐标p'_ref可以通过1.2节中单应性变换矩阵H进行计算,具体公式为

(u',v',1)=H(u,v,1)^T (16)

当参考图像节理中的像素通过上述变换投影到源图像时,若源图像在投影位置附近存在节理,则融合参考图像和源图像的节理。即

∀p'_ref-p_src<threshold (17)

(18)p_src∈join${t}_{src}^{j}$,p'_ref∈join${t}_{refn}^{j}$

(19)join${t}_{src}^{j}$=join${t}_{src}^{j}$+join${t}_{refn}^{j}$

当参考图像的节理中的像素通过上述变换投影到源图像时,若源图像在投影位置附近不存在节理,则使用以下公式在源图像中创建参考图像的节理特征,即

(20)join${t}_{src}^{j}$={p'_ref|p'_ref-p_src>threshold,p_ref>p_src}

式中:p_ref为参考图像中像素的灰度值;p_src为源图像上最接近p'_ref位置的像素灰度。提出的节理融合方法主要考虑到光照不均匀的情况下,暗部区域的节理信息可能无法得到有效提取。因此,当参考图像的亮度高于源图像亮度时,认为参考图像中的节理提取是正确的,并将其纳入最终的节理特征。这种方法能够有效利用所有图像中亮度较高区域的信息,增强了对于光照变化的鲁棒性,使提取的节理信息更加完整和丰富。

2 工程应用

针对实际隧道工程施工过程中采集的掌子面数据进行了实际工程化应用。隧道掌子面的数字化工作主要可以分为数据采集、数据预处理、特征提取和数据融合等步骤。下面将分别进行介绍。

2.1 数据采集

在掌子面隧道的数据采集过程中,应根据隧道的具体条件与需求选择高分辨率的相机和传感器,以确保数据的准确性和可靠性。同时,环境条件如温湿度、光照和粉尘等也会影响数据采集质量,因此,必须采取有效的防护措施,确保设备在相对稳定的环境下工作。例如,使用防水防尘的外壳,屏蔽外界干扰等。此外,光照条件对数据采集也十分重要。隧道内因缺乏自然光源,建议采用高亮度、均匀的人工照明,避免因光线不足导致的图像模糊或信息缺失,确保采集到清晰、有效的图像和数据。

在采集过程中,应合理设定采集角度和频率。采集角度需根据目标区域特征进行灵活调整,以确保覆盖所有关键区域;而采集频率则应结合施工进度和需求进行设置,避免过于频繁导致数据冗余,同时又需防止过于稀疏引起的信息遗漏,保证数据的时效性和连续性。同时,相机稳定性直接关系到图像的清晰度,应使用三脚架或其他稳定装置来减少震动,以减少因震动或移动引起的图像模糊,确保数据的连续性和一致性。

2.2 数据预处理

在隧道掌子面图像数据的预处理过程中,数据质量的提升和有用信息的提取至关重要。主要从共视图筛选、数据去重和光照归一化等方面进行阐述。

针对采集的掌子面数据首先要进行共视图筛选,该步骤的目的在于确保获取的信息全面可靠。共视图筛选是指在对采集到的图像进行处理时,选择那些具有一定重叠区域的图像进行分析。具体来说,共视图筛选是指根据重叠区域的大小和质量,选取具有较高重叠度的图像对进行后续的数据处理和分析。

数据去重旨在消除重复信息,确保每个图像仅被分析一次。此步骤首先对所有采集到的图像进行比较,识别出视觉上重复或几乎相同的图像。可以利用直方图比较、相似度度量等方法,设定相似度阈值,判断是否为重复数据。对于发现的重复图像,根据采集时间、光照条件及视角差异,选择性保留清晰度较高或角度更优的图像,去除冗余部分,降低数据量,提高后续处理效率。

由于隧道环境的照明条件复杂且不均匀,图像的光照变化会影响后续分析的准确性,因此需要对光照进行归一化处理。利用直方图均衡化等技术对图像进行光照调整,使得不同图像的亮度分布趋于一致。这样可以有效减少光照变化带来的影响,使得图像之间更具可比性。针对因光源类型和环境不同造成的色彩偏差,应用色彩变换算法(如白平衡处理),确保图像在色彩上的一致性,使得后续的特征提取和机器学习模型更为有效。最终实际采用的掌子面数据如图4所示。

2.3 特征提取和数据融合

在隧道掌子面图像数据的数据融合和特征提取过程中,主要包括多尺度掌子面图像特征提取、基于单应变换的数据融合等步骤。基于2.2节中所给出的掌子面图像数字化算法,首先使用superpoint进行特征点、置信度和描述子提取,之后使用基于Ransac思想的特征匹配方法得到最优匹配,进而得到单应性变换矩阵。使用单应性矩阵进行图像拼接从而实现多张掌子面图像数据的数据融合。

在获得较为完整的掌子面图像后,采用高斯图像金字塔方法进行多尺度特征提取。高斯图像金字塔通过将原始图像逐层模糊并下采样,生成一系列不同分辨率的图像,为分析提供了丰富的多尺度信息。这一技术不仅能够捕捉图像中的细节特征,还有效地提高了对尺度变化和光照变化的鲁棒性。使用图像金字塔进行数据预处理的效果如图5所示。

使用基于算子的边缘检测方法,以提取掌子面图像中的多尺度结构化特征。边缘检测是图像处理中重要的一环,其基本作用在于识别图像中的显著边界和结构。这些边缘信息在后续的图像分析、对象识别或特征匹配中具有重要意义,因为它能够帮助构建掌子面更为精确的几何和拓扑结构。

通过结合高斯金字塔和基于算子的边缘检测,本研究能够在不同尺度上实施综合分析,提高特征的稳定性与可识别性。这种多尺度特征提取策略为掌子面图像的后续处理提供了坚实的理论基础和技术支持。

本文中建立了基于单应变换的掌子面图像融合模型,使用SuperPoint进行特征点提取。使用SuperPoint进行特征点提取的效果如图6所示。

设计了基于RANSAC的特征匹配方法进行模型参数求解,通过融合多张局部节理特征图,最终实现掌子面全局节理特征提取。使用本文模型进行掌子面图像融合的效果如图7所示。使用本文算法进行全局节理特征提取效果如图8所示。

3 结论

建立了基于单应性变换的掌子面图像融合模型,并提出自适应节理特征提取融合方法,得到以下结论。

(1)提出的节理提取方法利用多尺度图像金字塔,结合光度归一化和节理自适应估计等技术,从多张图像中快速提取节理特征,具有较强的鲁棒性,受光照、拍摄角度和相机设备影响较小。

(2)算法采用深度学习的特征点检测和基于RANSAC的特征匹配机制,融合不同角度拍摄的掌子面图像,生成全局掌子面节理特征图。

(3)为了提高计算效率,运用CUDA加速,充分利用GPU的并行计算优势,显著提升处理速度,并在不同分辨率图像下保持稳定性。

(4)通过实际隧道掌子面拍摄数据进行验证,成功提取全局掌子面节理信息,有效证明了算法的准确性和稳定性。这些研究成果为掌子面图像的节理特征提取提供了新思路与方法。

本文算法也存在一些不足之处。在特定复杂光照或遮挡条件下,算法的鲁棒性可能下降,需继续优化算法参数以适应更广泛的拍摄条件。冲突或重叠的特征可能影响节理特征的提取效果,应探索改进的特征选择策略和后处理方法,以提升准确性。

未来可以考虑进一步优化特征提取和匹配算法,提升在复杂环境下的适应性和准确性。探索将不同类型传感器(如激光扫描、红外成像等)获取的数据进行融合,以增强节理特征提取的全面性和准确性。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	刘红, 刘鹏, 贺鹏. 超大断面隧道围岩等级稳健评定方法及应用[J]. 公路, 2017, 62(9): 8-11.

[2]	Liu Hong, Liu Peng, He Peng. Robust evaluation method for surrounding rock classification of super-large section tunnels and its application[J]. Highway, 2017, 62(9): 8-11.

[3]	赵慧俊, 马月辉, 刘宁宁, 等. 基于数字图像处理的隧道围岩形变量测[J]. 现代电子技术, 2018, 41(21): 76-79.

[4]	Zhao Huijun, Ma Yuehui, Liu Ningning, et al. Measurement of tunnel surrounding rock deformation based on digital image processing[J]. Modern Electronic Technology, 2018, 41(21): 76-79.

[5]	王平让, 黄宏伟, 薛亚东. 基于图像结构信息的隧道衬砌裂缝实时快速识别[J]. 科学技术与工程, 2022, 22(29): 13075-13082.

[6]	Wang Pingrang, Huang Hongwei, Xue Yadong. Real-time and rapid identification of tunnel lining cracks based on image structure information[J]. Science Technology and Engineering, 2022, 22(29): 13075-13082.

[7]	喻军, 林志斌, 李元海. 基于透明岩体的深部隧道围岩变形分析[J]. 地下空间与工程学报, 2017, 13(4): 943-949.

[8]	Yu Jun, Lin Zhibin, Li Yuanhai. Deformation analysis of surrounding rock in deep tunnels based on transparent rock mass[J]. Journal of Underground Space and Engineering, 2017, 13(4): 943-949.

[9]	罗佳, 刘大刚. 基于图像处理技术的围岩变形非接触量测方法[J]. 计算机应用与软件, 2013, 30(7): 32-34.

[10]	Luo Jia, Liu Dagang. Non-contact measurement method for surrounding rock deformation based on image processing technology[J]. Computer Application and Software, 2013, 30(7): 32-34.

[11]	董鑫, 熊自明, 郝以庆, 等. 基于摄影测量的海底隧道围岩结构面识别研究[J]. 港工技术, 2017, 54(4): 100-104.

[12]	Dong Xin, Xiong Ziming, Hao Yiqing, et al. Research on identifying structural planes in subsea tunnel surrounding rocks based on photogrammetry[J]. Port Engineering Technology, 2017, 54(4): 100-104.

[13]	段兴龙, 高智莉. 三维激光扫描技术在隧道衬砌断面检测中的应用研究[J]. 甘肃科技, 2024, 40(7): 27-32.

[14]	Duan Xinglong, Gao Zhili. Application of three-dimensional laser scanning technology in tunnel lining section detection[J]. Gansu Science and Technology, 2024, 40(7): 27-32.

[15]	陶雄, 徐岱. 三维激光扫描技术在隧道断面检测中的应用[J]. 江苏建筑, 2021(3): 63-65, 78.

[16]	Tao Xiong, Xu Dai. Application of three-dimensional laser scanning technology in tunnel section detection[J]. Jiangsu Architecture, 2021(3): 63-65, 78.

[17]	徐晓雅, 王章琼, 李雷烈, 等. 山岭隧道地上地下一体化三维建模方法[J]. 科学技术与工程, 2024, 24(8): 3373-3380.

[18]	Xu Xiaoya, Wang Zhangqiong, Li Leilie, et al. Integrated three-dimensional modeling method of the above-ground and underground parts of mountain tunnels[J]. Science Technology and Engineering, 2024, 24(8): 3373-3380.

[19]	彭磊, 周春, 胡锋, 等. 基于深度学习的隧道掌子面节理智能检测与分割[J]. 人民长江, 2023, 54(10): 243-250.

[20]	Peng Lei, Zhou Chun, Hu Feng, et al. Intelligent detection and segmentation of joint surfaces in tunnel headings based on deep learning[J]. Yangtze River, 2023, 54(10): 243-250.

[21]	高洪飞, 杨仁松, 张运波, 等. 基于增强Mask RCNN算法的隧道掌子面节理智能识别方法与应用[J]. 工业建筑, 2023, 53(S2): 583-587.

[22]	Gao Hongfei, Yang Rensong, Zhang Yunbo, et al. Intelligent identification method and application of tunnel heading face joints based on the enhanced Mask RCNN algorithm[J]. Industrial Construction, 2023, 53(S2): 583-587.

[23]	鲁冠宏, 吕成顺, 田隽, 等. 改进YOLOv5的公路隧道衬砌裂缝检测[J]. 科学技术与工程, 2025, 25(7): 2997-3006.

[24]	Lu Guanhong, Lü Chengshun, Tian Jun, et al. Detection of highway tunnel lining cracks based on improved YOLOv5[J]. Science Technology and Engineering, 2025, 25(7): 2997-3006.

[25]	张运波, 雷明锋, 肖勇卓, 等. 隧道掌子面节理卷积神经网络智能识别方法[J]. 中国公路学报, 2024, 37(7): 35-45.

[26]	Zhang Yunbo, Lei Mingfeng, Xiao Yongzhuo, et al. Intelligent identification method of tunnel heading face joints based on convolutional neural network[J]. China Journal of Highway and Transport, 2024, 37(7): 35-45.

[27]	孟馨, 秦拥军, 谢良甫, 等. 基于深度学习的东天山特长隧道围岩等级预测[J]. 科学技术与工程, 2022, 22(25): 11219-11226.

[28]	Meng Xin, Qin Yongjun, Xie Liangfu, et al. Prediction of surrounding rock grade of the long Dongtianshan Tunnel based on deep learning[J]. Science Technology and Engineering, 2022, 22(25): 11219-11226.

[29]	Lindeberg T. Scale-space theory: a basic tool for analyzing structures at different scales[J]. Journal of Applied Statistics, 1994, 21(1/2): 225-270.

[30]	Detone D, Malisiewicz T, Rabinovich A, et al. SuperPoint:self-supervised interest point detection and description[C]//2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops (CVPRW). Salt Lake City: IEEE, 2018: 18-22.

[31]	Fischler M A, Bolles R C. Random sample consensus: a paradigm for model fitting with applications to image analysis and automated cartography[J]. Commun ACM, 1981, 24: 381-395.