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

作     者：高洪飞 杨仁松 张运波 肖勇卓 丁家浩 雷明锋 

作者机构：贵州贵金高速公路有限公司贵阳550081 中南大学长沙410075 

出 版 物：《工业建筑》 (Industrial Construction)

年 卷 期：2023年第53卷第S2期

页      面：583-587页

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：贵州省交通运输厅科技项目(2021-122-047) 

主　　题：隧道工程 掌子面节理 深度学习 实例分割 神经网络 

摘      要：为解决传统掌子面节理识别方法存在的主观性较强、效率较低等问题,提出了一种基于深度学习的隧道掌子面节理智能识别与分割算法。该算法以Mask RCNN为基础算法,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,设置多尺度训练方式提升训练模型在复杂隧道环境下的适用性。在此基础上,设置对比实验,采用mAP指标评估增强模型的性能。研究表明:基于Mask RCNN等基础算法的隧道掌子面节理识别与分割方法是可行的;增强的Mask RCNN网络在b_mAP、b_mAP(50)与b_mAP(75)等性能评估指标上高达70.0%、76.2%与75.7%,相较于原Mask RCNN网络、Cascade RCNN与Mask Scoring RCNN网络有显著提升,验证了所提出算法的优越性;智能识别算法通过开发手机程序直接应用于在建隧道掌子面节理识别任务,在实际工程应用中表现良好,具有设备便携、操作简单、高效率、高精度等优点。