本發明涉及隧道工程與智能信息處理，尤其涉及一種隧道圍巖等級自動化評估方法、系統及設備。
背景技術：
1、在隧道施工過程中，圍巖等級是反映圍巖工程地質條件的重要參數，其判定結果直接影響施工方法選擇、支護結構設計以及施工安全控制。圍巖等級通常需要綜合考慮巖體結構形態、完整性、風化程度、節理裂隙發育狀況以及掌子面整體穩定性等多種因素，具有信息維度多、判斷過程復雜的特點。其中，巖體結構形態、節理裂隙的發育程度及其空間分布特征、掌子面表面起伏與破碎狀態等因素，能夠直接或間接反映在隧道施工掌子面圖像中，并可通過圖像分析手段進行識別與量化；而風化程度、穩定性等指標在實際工程中，往往需要結合掌子面可視特征及相關經驗進行綜合判斷，因此，圍巖等級的判定具有較強的專業性和經驗依賴性。
2、現有技術還存在如下技術問題有待解決：
3、（1）圍巖等級判定對人工經驗依賴程度高，評價結果主觀性和一致性不足：目前工程實踐中，圍巖等級判定仍以人工現場觀察為主，由地質技術人員根據掌子面暴露情況，對巖體結構形態、裂隙發育程度及表面破碎特征進行經驗分析，并結合相關規范進行定性或半定量分級。該方式在工程早期和復雜條件下具有一定實用性，但高度依賴人員經驗水平和主觀判斷，在不同施工區段、不同時間或不同判定人員之間，評價結果的一致性和可重復性難以保證，難以滿足圍巖等級穩定、客觀評估的需求。
4、（2）基于掌子面圖像的現有分析方法缺乏對圍巖結構特征的系統量化與可解釋表達：隨著圖像處理和深度學習技術在本領域的應用，已有研究嘗試利用掌子面圖像對圍巖狀態進行輔助分析或等級預測。然而，現有方法多側重于對圍巖等級進行直接分類或回歸預測，往往將圖像特征與最終等級結果進行端到端映射，缺乏對裂隙發育程度、結構方向分布及表面粗糙特征等圍巖結構信息的顯式提取和量化表達。這種“黑箱式”預測方式雖然在部分數據集上能夠取得一定精度，但其預測過程難以解釋，工程人員難以理解圖像特征與圍巖工程性質之間的對應關系，限制了其在實際施工決策中的應用價值。
5、（3）現有深度學習模型對復雜施工環境與圍巖結構異質性的適應能力不足：隧道施工環境具有光照條件復雜、空間狹窄、粉塵干擾嚴重、背景結構多變等特點，對掌子面圖像質量和穩定性提出較高要求。盡管深度學習算法已在本領域得到應用，但現有模型多基于常規卷積神經網絡結構，在多尺度結構特征建模和復雜圍巖結構異質性適配方面能力有限；同時，模型訓練方式往往較為單一，在樣本數量有限或地質條件變化較大的情況下，容易出現過擬合或泛化能力不足的問題，影響預測結果的可靠性。
6、（4）圖像獲取與預處理手段缺乏標準化，影響后續特征提取精度：現有技術中，掌子面圖像的獲取多依賴固定安裝攝像設備或人工拍攝，存在拍攝角度受限、補光條件不穩定、圖像質量差異較大等問題；同時，對采集到的圖像通常僅進行簡單裁剪、均值去噪或亮度調整等基礎處理，缺乏針對隧道施工環境特點的標準化、精細化預處理流程，難以有效消除無效區域干擾、光照不均和噪聲污染，導致后續圍巖結構特征提取精度受限。
7、鑒于此，特提出此發明。
技術實現思路
1、本發明的目的是為了解決現有技術中存在的缺點，而提出的一種隧道圍巖等級自動化評估方法、系統及設備。
2、為了實現上述目的，本發明采用了如下技術方案：
3、一種隧道圍巖等級自動化評估方法，包括如下步驟：
4、步驟1：通過無人機拍攝掌子面的圖像，并將掌子面圖像傳輸至計算機終端；
5、步驟2：對掌子面進行多維度預處理，用于獲取有效圖像區域，包括基于maskr-cnn語義分割的圖像裁剪、非局部均值去噪處理、clahe自適應光照校正、gamma亮度均衡、拉普拉斯銳化增強、雙線性插值尺度歸一化及基于邊緣檢測的有效區域提純；
6、步驟3：通過裂隙分割網絡對預處理得到的圖像進行像素級結構識別，得到裂隙概率分布圖，計算獲得裂隙密度圖像量df；結合裂隙概率分布圖得到的裂隙的集合，通過方向感知特征學習網絡對預處理得到的圖像進行方向感知特征建模，得到裂隙方向分布概率，計算獲得裂隙方向離散度hθ；通過紋理響應特征學習網絡對預處理得到的圖像中的表面起伏特征進行建模，得到表征圍巖表面粗糙程度的紋理響應特征圖，計算獲得表面粗糙度er；
7、步驟4：裂隙密度圖像量df、裂隙方向離散度hθ、表面粗糙度er進行歸一化處理，計算圍巖結構復雜度指數rsci，公式如下：
8、；
9、公式中，、、分別為歸一化后的裂隙密度圖像量、裂隙方向離散度、表面粗糙度，ɑ、β、γ為權重；
10、步驟5：基于圍巖結構復雜度指數rsci，通過單調映射函數計算連續圍巖質量評分q，公式如下：
11、；
12、公式中，k為大于0的常數，用于控制評分曲線陡峭度，b為偏置參數；
13、步驟6：將連續圍巖質量評分q按預設閾值區間映射為圍巖等級，輸出圍巖等級評估結果。
14、進一步，步驟2包括如下步驟：
15、步驟2.1、基于mask?r-cnn語義分割的圖像裁剪：采用預訓練的mask?r-cnn模型，設置置信度閾值0.75，識別并分割圖像中非圍巖區域，輸出僅包含掌子面圍巖暴露區域的初始有效圖像；
16、步驟2.2、非局部均值去噪處理：采用opencv庫實現非局部均值去噪算法，設置相似性窗口尺寸7×7、搜索窗口尺寸21×21、去噪強度參數h=10，對裁剪后圖像進行去噪；
17、步驟2.3、clahe?自適應光照校正：采用opencv的clahe函數，限制對比度增益為2.0，分塊尺寸8×8，對去噪后圖像進行直方圖均衡化，以解決隧道內補光不均導致的局部過亮/過暗問題，均衡圖像亮度分布，使陰影區域的圍巖結構特征清晰可見；
18、步驟2.4、gamma亮度均衡：根據圖像平均灰度值自適應調整gamma系數（范圍0.8-1.2），灰度值低于128時取0.8-0.9，在128-192之間取1.0，高于192時取1.1-1.2，通過冪律變換優化圖像整體亮度，增強弱光區域細節表現力，避免亮度極值導致的特征丟失；
19、步驟2.5、拉普拉斯銳化增強：采用3×3拉普拉斯算子（系數矩陣為[0,-1,0;-1,5,-1;0,-1,0]），對光照校正后的圖像進行卷積運算，以強化邊緣特征，提升細節辨識度，為裂隙發育狀態特征提取提供支撐；
20、步驟2.6、雙線性插值尺度歸一化：采用雙線性插值算法，將銳化后的圖像統一縮放至224×224像素，采用雙線性插值算法保持特征不失真，以統一步驟3模型輸入數據格式，消除不同拍攝距離、角度導致的圖像尺度差異，確保特征提取的一致性；
21、步驟2.7、基于邊緣檢測的有效區域提純：采用canny邊緣檢測算法（閾值范圍50-150），識別圍巖區域邊緣輪廓，剔除尺度歸一化后殘留的少量非圍巖邊緣像素，以進一步提純有效圖像區域，確保輸入步驟3模型的圖像僅包含圍巖核心特征信息。
22、進一步，步驟3中，通過如下步驟計算獲得裂隙密度圖像量df：
23、步驟a.1：通過裂隙分割網絡對預處理得到的圖像進行像素級結構識別，得到裂隙概率分布圖，裂隙概率分布圖為尺寸與預處理得到的圖像一致的矩陣，矩陣各元素為裂隙的概率值；
24、步驟a.2：裂隙概率分布圖進行閾值化，獲得裂隙二值掩膜，區分裂隙區域和非裂隙區域；
25、步驟a.3：進行形態學去噪和連通域篩選，獲得若干段裂隙中心線；
26、步驟a.4：得到各段裂隙中心線的投影長度l，并通過如下公式計算裂隙密度圖像量df：
27、；
28、公式中，a為掌子面有效區域面積，nf為裂隙數量，li為第i條裂隙中心線的投影長度。
29、進一步，步驟3中，通過如下步驟計算獲得裂隙方向離散度hθ：
30、步驟b.1：確定方向區間數量k，并確定各方向區間的范圍；
31、步驟b.2：根據裂隙概率分布圖得到的裂隙中心線的集合，通過方向感知特征學習網絡對預處理得到的圖像進行方向感知建模，得到各裂隙中心線的各局部的方向角；
32、步驟b.3：統計各方向區間的樣本數，除以樣本總數，得到各方向區間的分布概率pk；
33、步驟b.4：通過如下公式計算裂隙方向離散度hθ：
34、；
35、公式中，為極小常數。
36、進一步，步驟3中，通過如下步驟計算獲得表面粗糙度er：
37、步驟c.1：通過紋理響應特征學習網絡對預處理得到的圖像中的表面起伏特征進行建模，得到表征圍巖表面粗糙程度的紋理響應特征圖；
38、步驟c.2：通過如下公式計算表面粗糙度er：
39、；
40、公式中，m和n為紋理響應特征圖的像素尺寸，為拉普拉斯算子，i(x,y)為紋理響應特征圖像素點上的灰度值。
41、進一步，步驟6中，圍巖等級評估結果包括ⅰ級、ⅱ級、ⅲ級、ⅳ級、ⅴ級；當q≥0.8時，判定為i級圍巖；當0.6≤q<0.8時，判定為ⅱ級圍巖；當0.4≤q<0.6時，判定為ⅲ級圍巖；當0.2≤q<0.4時，判定為ⅳ級圍巖；當q<0.2時，判定為ⅴ級圍巖。
42、進一步，通過如下步驟計算損失，用于對步驟3~6構建的模型的訓練：
43、步驟d.1：通過如下公式計算裂隙分割損失lseg：
44、；
45、公式中，ω為預處理得到的圖像的像素集合，p(x,y)為模型預測像素(x,y)屬于裂隙的概率，g(x,y)為對應像素的裂隙真實標注值；
46、步驟d.2：通過如下公式計算圍巖結構圖像量回歸損失lreg：
47、；
48、公式中，n為訓練樣本數量，、、為模型預測的第i個樣本的裂隙密度圖像量、裂隙方向離散度、表面粗糙度，、、為對應的真實標注值；
49、步驟d.3：通過如下公式計算圍巖質量評分一致性損失lcon：
50、；
51、公式中，為模型預測的第?i個樣本的圍巖質量評分，為對應的真實標注值；
52、步驟d.4：通過如下公式計算圍巖等級分類損失lcls：
53、；
54、公式中，c為圍巖等級類別數，當模型預測的圍巖等級正確時取1，當模型預測的圍巖等級不正確時取0，為模型預測第?i個樣本的屬于第c類的置信度；
55、步驟d.5：通過如下公式計算總損失l：
56、；
57、公式中，λ1、λ2、λ3、λ4為權重系數，用于平衡不同任務在訓練過程中的影響，所述權重系數可根據任務重要性或通過交叉驗證方式進行設定。
58、為了實現上述目的，本發明還采用了如下技術方案：
59、一種隧道圍巖等級自動化評估系統，包括：無人機和計算機終端，所述無人機用于執行本發明提供的任意一項所述的方法的步驟1，所述計算機終端用于執行本發明提供的任意一項所述的方法的步驟2~6；
60、所述無人機搭載自主控制單元、環境光傳感器、自動補光單元、高清攝像單元、無線通信模塊、無人機供電單元；所述計算機終端搭載本地處理單元、存儲單元、人機交互界面、終端供電單元。
61、為了實現上述目的，本發明還采用了如下技術方案：
62、一種隧道圍巖等級自動化評估設備，包括：圖像預處理模塊：對掌子面進行多維度預處理，用于獲取有效圖像區域，包括基于maskr-cnn語義分割的圖像裁剪、非局部均值去噪處理、clahe自適應光照校正、gamma亮度均衡、拉普拉斯銳化增強、雙線性插值尺度歸一化及基于邊緣檢測的有效區域提純；
63、圍巖結構特征學習模塊：通過裂隙分割網絡對預處理得到的圖像進行像素級結構識別，得到裂隙概率分布圖，計算獲得裂隙密度圖像量df；結合裂隙概率分布圖得到的裂隙的集合，通過方向感知特征學習網絡對預處理得到的圖像進行方向感知特征建模，得到裂隙方向分布概率，計算獲得裂隙方向離散度hθ；通過紋理響應特征學習網絡對預處理得到的圖像中的表面起伏特征進行建模，得到表征圍巖表面粗糙程度的紋理響應特征圖，計算獲得表面粗糙度er；
64、圍巖結構復雜度計算模塊：裂隙密度圖像量df、裂隙方向離散度hθ、表面粗糙度er進行歸一化處理，計算圍巖結構復雜度指數rsci；
65、圍巖質量評分模塊：基于圍巖結構復雜度指數rsci，通過單調映射函數計算連續圍巖質量評分q；
66、圍巖等級映射模塊：將連續圍巖質量評分q按預設閾值區間映射為圍巖等級，輸出圍巖等級評估結果。
67、本發明與現有技術相比，其有益效果為：
68、1、通過引入圍巖結構復雜度指數和連續圍巖質量評分機制，實現從掌子面圖像到圍巖等級的可解釋、連續化評估，降低人工經驗依賴，提高圍巖等級評價的客觀性、一致性和效率，為隧道施工安全與支護決策提供可靠依據。
69、2、針對圍巖等級判定對人工經驗依賴程度高、評價結果主觀性和一致性不足的問題，本實施例引入無人機自動化采集掌子面圖像，并結合深度學習模型對圍巖結構特征進行自動分析與量化，減少人工現場判斷的參與程度。通過對裂隙密度、裂隙方向離散度及表面粗糙度等圍巖圖像結構指標的客觀計算，實現圍巖等級評價過程的標準化和自動化，有效降低人為經驗差異對評價結果的影響，提高圍巖等級判定的客觀性和一致性。
70、3、針對現有基于圖像或深度學習方法缺乏圍巖結構特征系統量化、預測結果可解釋性不足的問題，本實施例從掌子面圖像中顯式提取裂隙密度、裂隙方向離散度和表面粗糙度能量等具有明確工程意義的圍巖結構特征量，并構建圍巖結構復雜度指數和連續圍巖質量評分，實現從圖像特征到圍巖等級的可解釋映射關系。相比現有端到端黑箱式預測方法，本實施例的圍巖等級評估過程具有清晰的物理含義和工程解釋性，便于施工人員理解和應用。
71、4、針對現有深度學習模型對復雜圍巖結構和施工環境適應能力不足的問題，本實施例采用標準化、多維度的圖像預處理流程，并結合共享特征提取主干網絡與多分支結構特征學習架構，對圍巖裂隙結構和表面紋理特征進行多尺度建模；同時，通過多任務聯合學習方式對模型進行訓練，兼顧裂隙分割、結構量回歸、質量評分和等級分類等任務，提高模型對復雜圍巖結構異質性和施工環境變化的適應能力，增強預測結果的穩定性和可靠性。
72、5、針對現有掌子面圖像獲取方式受限、圖像質量不穩定及預處理不規范的問題，本實施例利用具備自動補光、環境光感知、路徑規劃和避障能力的無人機對掌子面進行自動化拍攝，并對獲取的圖像執行語義分割裁剪、去噪、光照校正、銳化增強及尺度歸一化等標準化預處理操作，有效克服隧道施工環境中光照不足、粉塵干擾和無效區域影響等問題，為后續圍巖結構特征提取和等級評估提供高質量、穩定的圖像輸入。