基于三维重建与Unet神经网络的隧道掌子面围岩快速分级技术

李赤谋， 吕 明， 袁 青， 陈宇佳， 王树英

(1. 中交文山高速公路建设发展有限公司， 云南 文山 663099； 2. 中交第二航务工程局有限公司， 湖北 武汉 430040； 3. 中南大学土木工程学院， 湖南 长沙 410075)

0 引言

地质工作贯穿了隧道勘察、设计和施工过程。由于地质情况的复杂多变，施工过程中实际揭露的围岩与地勘资料往往有较大的出入，导致施工参数存在不合理性，造成经济损失、工期延误、安全事故等问题，因此，有必要根据实际揭露的围岩状况，对施工参数进行动态调整。围岩等级便是确定和调整施工方案合理性的一个重要参数。

在隧道建设过程中，由于围岩级别的判别指标获取困难，围岩等级的及时判定常常滞后，往往耗费大量的财力、物力。有学者利用数码相机、激光扫描仪等进行围岩信息提取和完整性分析。冷彪[1]研究了正面单像拍摄的掌子面数字图像的地质信息提取方法，并构建了TFGIS系统； 喻军等[2]对模型隧道周边围岩内部变形过程进行二维照相量测，得到了深部隧道围岩内部变形的时空演化规律； 董鑫等[3]采用surf算法分析处理隧道掌子面摄影图像，实现了半自动提取围岩结构面的层理、节理及断层等信息； 赵慧俊[4]利用激光发射器在围岩上产生的光斑移动进行了隧道变形监测； 高源等[5]基于摄影测量、孔内雷达、电视等测试隧道硐室围岩的表面节理、破碎带、松动圈空间分布等； 罗佳等[6]开发了一套测量方法，用以实现隧道施工掌子面围岩结构面发育程度信息提取的自动化； 李汪石[7]采用深度学习算法进行岩体裂隙识别。随着三维建模技术的普及，有学者将其应用在施工隧道的地质信息提取编录上。王洋等[8]基于双目立体视觉原理开发了岩体模型空间分析系统GeoSMA-3D，实现了隧道掌子面节理信息快速识别及稳定性分析。Buyer等[9]利用近景摄影测量技术获取三维点云，结合ShapeMetriX3D系统实现了对岩体不连续面的间距计算。李术才等[10]、刘红等[11]、张延欢等[12-13]使用以双目立体摄像为基础的CAE Sirovision系统，对围岩结构进行了数字识别和完整性评价。其中，张延欢等构建了基于径向RQD的隧道围岩评价体系； 刘红等实现了掌子面区域岩体结构面信息的数字化表征，并利用蒙特卡洛方法得到其概率分布函数，对岩体质量进行了可靠评估； 李术才等基于岩体结构RBI量化值，建立了隧道掌子面围岩结构玫瑰花表征体系，并以序列掌子面Z-RBI值为基础，初步构建了隧道轴向岩体完整性预测方法。李宗平等[14]采用三维点云及模型套接技术，实现了对隧道三维变形、支护侵限、二次衬砌厚度的评估。詹建勇[15]将三维激光扫描技术应用于山岭隧道施工期的变形监测，给出了从原始点云数据提取隧道断面收敛和全空间变形场的理论方法，并利用变形监测结果反演隧道围岩参数。祝志恒等[16]基于3DZI技术，实现了三维实景与平面全景展开图的信息协同与辨识和隧道空间距离、体积的测算。综上所述，目前学者通过数码摄影及三维建模技术对隧道围岩地质信息提取进行了大量研究并取得了成果，但现有研究大多停留在围岩的地质信息提取上，深入到围岩分级的研究较少，且通过现场实际运用情况来看，现有技术对掌子面节理信息识别准确度不高，效果不理想。

本文依托云南文山文麻高速大法郎隧道，针对该隧道某施工段Ⅳ、Ⅴ级围岩，利用数码相机进行了图像采集，通过三维点云技术获得了掌子面及周边硐壁的三维模型，基于该模型进行了掌子面高清图像拼接，再基于Unet神经网络对掌子面节理信息进行迹线识别及分析，最后利用分析结果进行了掌子面围岩完整性分析，结合围岩单轴饱和抗压强度及其他地勘信息对掌子面围岩进行了分级，建立了一种便捷的围岩完整性判别手段和分级方法。

1 掌子面围岩完整性评价方法

隧道围岩分级过程中，把握岩体结构面的几何特征是进行围岩完整性及稳定性分析的前提条件，传统的采集手段主要包括人工现场接触测量、钻孔测量等。人工现场接触测量劳动强度大、效率低，具有一定危险性； 钻孔测量造价高、耗时长，难以广泛应用。也有学者利用图像识别等人工智能技术对掌子面的节理信息进行自动识别和特征分析，但受隧道内环境复杂等因素影响，现场应用效果不理想。本文提出基于三维重建、图像拼接以及Unet神经网络的掌子面围岩节理信息提取方法，该方法主要由图像采集、三维模型建立、隧道掌子面图像拼接以及掌子面节理迹线自动识别和分析组成，具体步骤见图1。

1.1 掌子面及周边硐壁图像采集

在建立掌子面三维模型之前，需要先获取高质量的掌子面及周边硐壁的数码图像。使用尼康D7100单反相机及外置闪光灯作为图像采集工具，选择合适的相机参数、标记板位置及图像采集时机，具体步骤如下。

1)相机参数调试。由于隧道内环境特殊，光线昏暗、粉尘等对获取清晰完整的图像具有很大影响，需要对相机的摄影参数进行调试以适应隧道拍摄环境。

图1 围岩完整性特征分析步骤

2)标记板位置选择及固定。建立好的三维模型需要有准确的大地坐标，因此需在拍摄区域内合适位置布置适量的标记板。考虑到隧道通视条件等其他因素，最终标记板布置位置如图2所示。

(a) 标记板布置位置(俯视)

(b) 标记板布置位置(三维示意图)

3)拍摄方法。拍摄时沿着隧道中心轴线，环向约10°旋转相机拍摄，每环拍摄约18张照片； 纵向移动1.0～1.2 m，循环往复直至拍摄至掌子面。拍摄时尽量垂直于拍摄对象表面。

1.2 掌子面及周边硐壁三维模型建立

采取SFM(structure from motion)技术进行掌子面及周边硐壁三维模型建立，该技术原理为： 使用相机从多个角度对同一物体拍摄高重叠度的照片序列，获取照片的特征点，利用几何投影关系构建被拍摄物体特征点的空间结构方程，最后通过求解方程获得被拍摄物体的特征点和拍摄相机的空间位置关系，即从2D图片中获取3D信息。具体建模使用PhotoScan软件，先进行三维点云生成与标记板识别，得到拍摄相机与围岩特征点相对位置的空间关系，然后将离散的三维点云模型构建成连续三维曲面，完成建模。掌子面及周边硐壁三维模型构建步骤如图3所示。

图3 掌子面及周边硐壁三维模型构建步骤

1.3 掌子面高清图像拼接

以往大多数针对隧道围岩节理智能识别的研究所使用的图像清晰度有限，且受制于隧道内复杂环境，实际节理识别效果并不理想。图像拼接技术可以将多张照片拼接成一张无缝的大影像，解决单张照片无法覆盖目标物或单张拍摄存在障碍物的问题。本文将原始拍摄所得含有掌子面的“图像块”进行拼接及图像处理，获得掌子面全景图像，作为节理迹线识别的基底图。该方法相比直接采用单张图像分析具有的优势有： 无需使用标定过的相机和固定的镜头及焦距； 无需测定现场拍摄方位； 在保证图像重叠度的情况下可自由分区拍摄，避开台车等作业设备遮挡的影响； 适用于各种不同断面形状的隧道； 可通过一次拍摄的照片获得掌子面展示图。使用课题组自研软件Bamboo，在得到三维模型的基础上，使用二维参数化方法构建设计轮廓作为矫正曲面，将隧道表面图像矫正拼接制作成全景展开图[16]。掌子面图像拼接步骤如图4所示。

图4 掌子面图像拼接步骤

掌子面图像拼接前需要先建立真实空间坐标系下隧道设计开挖三维轮廓曲面模型以及掌子面断面模型。隧道设计开挖轮廓曲面模型使用隧道断面轮廓沿施工导线扫掠的方式建立[16]。掌子面模型则使用竖向直线在掌子面里程处沿导线的垂线扫掠生成，生成方法如图5所示。

1)将隧道实际开挖三维模型、隧道设计开挖轮廓模型、掌子面断面模型置于同一坐标系下，进行模型整合。

2)运行图像矫正程序，生成掌子面图像块。

3)进行图像后处理及掌子面图像拼接。

1.4 掌子面围岩节理自动识别及特征分析

围岩BQ分级计算中，围岩完整性指标主要是体积节理数Jv。现有的通过机器学习算法进行岩体裂缝、节理信息提取的研究中，大多采用传统机器视觉的各种边缘检测算法及阈值分割方法，而隧道环境复杂、岩体面各种图像特征错综复杂、节理分布长度粗细各异等因素使得各研究效果大多达不到预期，难以推广应用。因此，已经有学者开始利用深度学习方法进行信息分析。本文选择深度学习中的Unet神经网络[17]进行围岩节理迹线识别提取，然后进行Jv计算。具体流程如下：

1) 训练图像预处理。现场获取到的照片尺寸较大，如果直接输入神经网络对计算机的显存要求过高。为了获得合理尺寸的神经网络训练图，将采集的图片裁剪成大量小尺寸的图片，剔除不含节理线的小尺寸图片，剩余的作为训练图片； 同时为了增强数据的多样性，提高训练结果的泛化性，对训练原图和对应的训练标记图进行扭曲、旋转、翻转操作。

2) Unet神经网络训练。收集现场采集的大量照片，利用其中的2 000张硐壁照片进行网络训练。标记其中的节理线，输入Unet神经网络训练。训练时将标记的节理照片按4∶1的比例分成训练集和验证集。采用自定义损失函数Dice coefficient作为损失函数。当网络训练至设定精度或次数时，停止训练。某掌子面围岩节理识别效果如图6所示。

3) 节理线骨架化。利用神经网络已经对节理区域进行了分割识别，而对节理进行分析需要的是节理单像素组成的线，需要对输出结果进一步处理得到单像素的节理线，这个过程称为节理骨架化。本文采用经典的Zhang-Suen算法[18]进行节理骨架化，骨架化前后的效果对比如图7所示。

(a) 骨架化前

(b) 骨架化后

4) 毛刺剔除及节理线连接。在进行节理骨架提取后，形成的骨架会含有许多毛刺，剔除这些毛刺后才能得到合理的节理线； 由于识别效果有限，属于同一节理的节理线被分割成多段，影响后续分析，因此还需要对同属于一条节理的多段迹线进行连接。连接过程由节理线端点寻找和节理线连接2个步骤组成，通过计算机编程自动化实现。完成上述流程后，节理识别效果如图8所示。

图8 处理后节理识别效果图

5) 体积节理数Jv计算。在BQ法围岩分级中，通过岩体体积节理数Jv能快速评价岩体完整程度，Jv能够简易地从掌子面节理识别图中实现计算。

①节理线识别结果图的像素比例尺通常为500像素/m，1 m×1 m单位面积窗口用像素大小表示为500像素×500像素。

②从节理线识别结果图左上顶点开始，以0.5 m(250像素)为移动步长，截选1 m×1 m的窗口(500像素×500像素)，从左至右、从上至下依次统计窗口内的节理数量，如果统计窗口中存在节理，测量区域数量N在上次数量基础上加1(N初始值为0)，否则忽略该窗口。

③选用条数法[19]计算体积节理数

(1)

式中：ni为第i个单位测量面积内的节理条数；N为测量区域数量。

2 掌子面围岩评价分级

2.1 围岩分级方法选择

BQ分级法是国内运用最为广泛的围岩分级方法，一般分为以下2个步骤进行： 1)基于岩石坚硬程度和岩体完整性系数2个指标，对围岩的BQ值进行初步计算； 2)考虑地下水状况、初始地应力状况和结构面状况等因素的影响，对围岩质量指标BQ值进行修正，得到修正的[BQ]值，按照修正以后的[BQ]值，对围岩级别进行初步确定。BQ值的计算公式如下：

BQ=90+3Rc+250Kv。

(2)

式中：Rc为岩石单轴饱和抗压强度，MPa；Kv为岩体完整性系数。

确定BQ值后，再引入地下水系数K1、软弱结构面系数K2、初始地应力修正系数K3，然后根据式(3)进行修正，得到

[BQ]=BQ-100(K1+K2+K3)。

(3)

得到[BQ]值后即可通过查表进行掌子面围岩分级。本文采用BQ分级方法来进行围岩分级。

2.2 各分级参数获取

BQ分级需要确定多种参数，才能从定性到定量地对围岩进行分级，Kv的估计计算即本文的目标工作，计算出Kv即可结合Rc值对BQ值进行计算。Kv可由岩体体积节理数Jv得出，Jv值则由围岩完整性特征分析得到，两者关系见表1。

表1 Jv与Kv关系对照表

一般情况下具体的计算公式如下[20]：

(4)

其余的分级参数，包括Rc、K1、K2、K3值，可由地勘报告及补充试验得到。

3 工程应用

云南文麻高速大法郎隧道位于云南省西畴县境内，为分离式隧道，全长3 390 m，最大埋深约206.5 m。隧址区属于构造侵蚀低中山地貌区，穿越南北走向的山脊，最高点地面高程约1 505 m，最低点约1 270 m。隧址围岩岩体主要为强、中风化板岩及强、中风化页岩。隧址区整体岩体节理发育，侧壁自稳能力较差。

3.1 图形采集

采集了大法郎隧道K43+199～+294、K44+347～+452，共计200 m、14个掌子面的数据进行围岩完整性分析和分级，下面以K44+373处掌子面为例进行描述。使用尼康D7100数码相机在该里程处掌子面共采集119张照片，用时10 min，采集的部分原始图像如图9所示。

3.2 结构三维模型构建

将原始图像导入PhotoScan软件，经过坐标导入与矫正、三维点云及曲面生成后，该里程处的掌子面及周边硐壁三维模型即可构建完成，效果如图10所示。

3.3 掌子面岩体图像生成及节理分析

建立结构设计开挖轮廓模型、掌子面模型，与建立好的三维模型置于同一坐标系中进行模型整合，这些操作可在自研软件中进行可视化操作，最终建立的模型整合效果如图11所示。完成上述步骤，即可对原始图像进行图像矫正，生成掌子面“图像块”，完成掌子面图像拼接，如图12所示。最终得到的该里程处掌子面节理迹线素描如图13所示。

3.4 掌子面岩体评价分级

通过上述步骤得到了14组左右线不同里程的隧道掌子面围岩节理信息，并参考设计文件和现场采集数据时的信息记录，得到了各里程段的岩石单轴饱和抗压强度和修正系数K1、K2、K3值。根据以上得到的数据信息，依据BQ分级方法进行隧道掌子面围岩分级，将分级结果与设计文件中传统方法获取的BQ分级结果进行对比验证，表2是这14组数据的分级结果。

(a) DSC_3556.JPG

(b) DSC_3557.JPG

(c) DSC_3558.JPG

(d) DSC_3559.JPG

(e) DSC_3560.JPG

(f) DSC_3561.JPG

(g) DSC_3562.JPG

(h) DSC_3564.JPG

图10 K44+373处掌子面及周边硐壁三维模型图

该14组数据中，大多数里程处围岩分级结果与现场实际揭露围岩级别一致，其中K44+347、K44+370里程处洞身围岩级别设计文件中为Ⅳ级，而在现场实际施工过程中遇到的围岩节理裂隙发育，岩体破碎，曾出现过塌方事故，经设计变更后围岩级别变更为Ⅴ级，与本文围岩分级结果相符。K44+452里程处洞身围岩级别设计文件中为Ⅳ级，本文分级结果为Ⅴ级，初步分析可能有以下原因： 1)部分图像不够清晰，影响节理判断分析效果； 2) 挖掘机清理掌子面的印记、堆积在掌子面未清理完全的碎石会造成神经网络误判其为节理、连续节理被打断等。表2说明本文围岩分级较原始设计分级更符合现场实际情况，相比于传统手段更具针对性和灵活性。

图11 模型整合效果图

(b) 掌子面拼接图像(成图)

图13 掌子面节理识别效果图

表2 本文分级结果与传统BQ分级结果对比

4 结论与分析

本文对文麻高速大法郎隧道进出口选取多处里程段掌子面进行围岩完整性分析，结合相关围岩试验结果及地质勘查结果，进行了隧道掌子面围岩级别评价，得出以下主要结论：

1)建立了隧道掌子面及硐壁的三维模型，使用自研Bamboo软件得到了掌子面高清拼接图像，基于Unet深度神经网络技术进行节理自动识别标记，结合BQ值建立了整套系统化的隧道掌子面结构面分析及围岩快速分级方法。现场测试结果表明，本文分级方法对Ⅳ、Ⅴ级围岩具有良好的判断能力。

2)本文提供的围岩结构面特征获取及分级方法相比传统围岩完整性测量及BQ分级方法具有费用更低、效率更高的优点。该方法分析过程中大部分工作可在室内进行，改善了工作者的作业环境，降低了劳动强度。

3)围岩分级涉及因素较多，本文主要对掌子面岩体完整性进行评价。基于本文提供方法的优势，该分析方法可在现场多次进行，从而实现对围岩级别的动态评价，更好地指导施工，具有推广应用价值。

现场应用证明本文提出的方法可获得掌子面清晰的结构面特征，并具有良好的围岩分级效果，但在应用中也暴露出训练数据有限、节理自动识别准确率待提高等局限性，今后可注重对训练数据、节理线识别算法、掌子面图像后期处理算法的优化。为提升分级效果，考虑掌子面实际岩石强度、地下水等情况也是今后主要研究方向，例如可在现场开展围岩回弹试验、点荷载试验等用于修正围岩抗压强度Rc，作为强度参数的补充等。