基于卷积神经网络的隧道掌子面图像质量评价方法研究

摘要：

鉴于隧道掌子面图像的多样性和复杂性,提出一种基于深度卷积神经网络(Convolutional Neural Network,CNN)的图像质量评价方法,以筛选出满足工程需求的掌子面图像.基于多条隧道创建掌子面图像数据集,采用Keras深度学习框架,应用多种主流的CNN进行对比试验,并结合传统的图像评价指标,分别从清晰度、分类和相似度3个方面对掌子面图像质量进行评价.其中基于DenseNet169的多分类模型可达到88.7％的准确率.研究结果表明:跟传统的图像处理技术相比,深度学习方法在隧道掌子面图像识别上具有精度高、效率高的显著优势.该方法可为实现隧道掌子面的自动素描提供技术支持,具有良好的工程应用前景.

关键词：隧道、图像质量评价、卷积神经网络、掌子面、深度学习

所属期刊栏目：17

分类号：U45(隧道工程)

资助基金：国家自然科学基金资助项目51678495,51578463

在线出版日期：2020-04-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：563-572