基于三維重建與Unet神經網絡的隧道掌子面圍巖快速分級技術

李赤謀， 呂 明， 袁 青， 陳宇佳， 王樹英

(1. 中交文山高速公路建設發展有限公司， 云南 文山 663099； 2. 中交第二航務工程局有限公司， 湖北 武漢 430040； 3. 中南大學土木工程學院， 湖南 長沙 410075)

0 引言

地質工作貫穿了隧道勘察、設計和施工過程。由于地質情況的復雜多變，施工過程中實際揭露的圍巖與地勘資料往往有較大的出入，導致施工參數存在不合理性，造成經濟損失、工期延誤、安全事故等問題，因此，有必要根據實際揭露的圍巖狀況，對施工參數進行動態調整。圍巖等級便是確定和調整施工方案合理性的一個重要參數。

在隧道建設過程中，由于圍巖級別的判別指標獲取困難，圍巖等級的及時判定常常滯后，往往耗費大量的財力、物力。有學者利用數碼相機、激光掃描儀等進行圍巖信息提取和完整性分析。冷彪[1]研究了正面單像拍攝的掌子面數字圖像的地質信息提取方法，并構建了TFGIS系統； 喻軍等[2]對模型隧道周邊圍巖內部變形過程進行二維照相量測，得到了深部隧道圍巖內部變形的時空演化規律； 董鑫等[3]采用surf算法分析處理隧道掌子面攝影圖像，實現了半自動提取圍巖結構面的層理、節理及斷層等信息； 趙慧俊[4]利用激光發射器在圍巖上產生的光斑移動進行了隧道變形監測； 高源等[5]基于攝影測量、孔內雷達、電視等測試隧道硐室圍巖的表面節理、破碎帶、松動圈空間分布等； 羅佳等[6]開發了一套測量方法，用以實現隧道施工掌子面圍巖結構面發育程度信息提取的自動化； 李汪石[7]采用深度學習算法進行巖體裂隙識別。隨著三維建模技術的普及，有學者將其應用在施工隧道的地質信息提取編錄上。王洋等[8]基于雙目立體視覺原理開發了巖體模型空間分析系統GeoSMA-3D，實現了隧道掌子面節理信息快速識別及穩定性分析。Buyer等[9]利用近景攝影測量技術獲取三維點云，結合ShapeMetriX3D系統實現了對巖體不連續面的間距計算。李術才等[10]、劉紅等[11]、張延歡等[12-13]使用以雙目立體攝像為基礎的CAE Sirovision系統，對圍巖結構進行了數字識別和完整性評價。其中，張延歡等構建了基于徑向RQD的隧道圍巖評價體系； 劉紅等實現了掌子面區域巖體結構面信息的數字化表征，并利用蒙特卡洛方法得到其概率分布函數，對巖體質量進行了可靠評估； 李術才等基于巖體結構RBI量化值，建立了隧道掌子面圍巖結構玫瑰花表征體系，并以序列掌子面Z-RBI值為基礎，初步構建了隧道軸向巖體完整性預測方法。李宗平等[14]采用三維點云及模型套接技術，實現了對隧道三維變形、支護侵限、二次襯砌厚度的評估。詹建勇[15]將三維激光掃描技術應用于山嶺隧道施工期的變形監測，給出了從原始點云數據提取隧道斷面收斂和全空間變形場的理論方法，并利用變形監測結果反演隧道圍巖參數。祝志恒等[16]基于3DZI技術，實現了三維實景與平面全景展開圖的信息協同與辨識和隧道空間距離、體積的測算。綜上所述，目前學者通過數碼攝影及三維建模技術對隧道圍巖地質信息提取進行了大量研究并取得了成果，但現有研究大多停留在圍巖的地質信息提取上，深入到圍巖分級的研究較少，且通過現場實際運用情況來看，現有技術對掌子面節理信息識別準確度不高，效果不理想。

本文依托云南文山文麻高速大法郎隧道，針對該隧道某施工段Ⅳ、Ⅴ級圍巖，利用數碼相機進行了圖像采集，通過三維點云技術獲得了掌子面及周邊硐壁的三維模型，基于該模型進行了掌子面高清圖像拼接，再基于Unet神經網絡對掌子面節理信息進行跡線識別及分析，最后利用分析結果進行了掌子面圍巖完整性分析，結合圍巖單軸飽和抗壓強度及其他地勘信息對掌子面圍巖進行了分級，建立了一種便捷的圍巖完整性判別手段和分級方法。

1 掌子面圍巖完整性評價方法

隧道圍巖分級過程中，把握巖體結構面的幾何特征是進行圍巖完整性及穩定性分析的前提條件，傳統的采集手段主要包括人工現場接觸測量、鉆孔測量等。人工現場接觸測量勞動強度大、效率低，具有一定危險性； 鉆孔測量造價高、耗時長，難以廣泛應用。也有學者利用圖像識別等人工智能技術對掌子面的節理信息進行自動識別和特征分析，但受隧道內環境復雜等因素影響，現場應用效果不理想。本文提出基于三維重建、圖像拼接以及Unet神經網絡的掌子面圍巖節理信息提取方法，該方法主要由圖像采集、三維模型建立、隧道掌子面圖像拼接以及掌子面節理跡線自動識別和分析組成，具體步驟見圖1。

1.1 掌子面及周邊硐壁圖像采集

在建立掌子面三維模型之前，需要先獲取高質量的掌子面及周邊硐壁的數碼圖像。使用尼康D7100單反相機及外置閃光燈作為圖像采集工具，選擇合適的相機參數、標記板位置及圖像采集時機，具體步驟如下。

1)相機參數調試。由于隧道內環境特殊，光線昏暗、粉塵等對獲取清晰完整的圖像具有很大影響，需要對相機的攝影參數進行調試以適應隧道拍攝環境。

圖1 圍巖完整性特征分析步驟

2)標記板位置選擇及固定。建立好的三維模型需要有準確的大地坐標，因此需在拍攝區域內合適位置布置適量的標記板。考慮到隧道通視條件等其他因素，最終標記板布置位置如圖2所示。

(a) 標記板布置位置(俯視)

(b) 標記板布置位置(三維示意圖)

3)拍攝方法。拍攝時沿著隧道中心軸線，環向約10°旋轉相機拍攝，每環拍攝約18張照片； 縱向移動1.0～1.2 m，循環往復直至拍攝至掌子面。拍攝時盡量垂直于拍攝對象表面。

1.2 掌子面及周邊硐壁三維模型建立

采取SFM(structure from motion)技術進行掌子面及周邊硐壁三維模型建立，該技術原理為： 使用相機從多個角度對同一物體拍攝高重疊度的照片序列，獲取照片的特征點，利用幾何投影關系構建被拍攝物體特征點的空間結構方程，最后通過求解方程獲得被拍攝物體的特征點和拍攝相機的空間位置關系，即從2D圖片中獲取3D信息。具體建模使用PhotoScan軟件，先進行三維點云生成與標記板識別，得到拍攝相機與圍巖特征點相對位置的空間關系，然后將離散的三維點云模型構建成連續三維曲面，完成建模。掌子面及周邊硐壁三維模型構建步驟如圖3所示。

圖3 掌子面及周邊硐壁三維模型構建步驟

1.3 掌子面高清圖像拼接

以往大多數針對隧道圍巖節理智能識別的研究所使用的圖像清晰度有限，且受制于隧道內復雜環境，實際節理識別效果并不理想。圖像拼接技術可以將多張照片拼接成一張無縫的大影像，解決單張照片無法覆蓋目標物或單張拍攝存在障礙物的問題。本文將原始拍攝所得含有掌子面的“圖像塊”進行拼接及圖像處理，獲得掌子面全景圖像，作為節理跡線識別的基底圖。該方法相比直接采用單張圖像分析具有的優勢有： 無需使用標定過的相機和固定的鏡頭及焦距； 無需測定現場拍攝方位； 在保證圖像重疊度的情況下可自由分區拍攝，避開臺車等作業設備遮擋的影響； 適用于各種不同斷面形狀的隧道； 可通過一次拍攝的照片獲得掌子面展示圖。使用課題組自研軟件Bamboo，在得到三維模型的基礎上，使用二維參數化方法構建設計輪廓作為矯正曲面，將隧道表面圖像矯正拼接制作成全景展開圖[16]。掌子面圖像拼接步驟如圖4所示。

圖4 掌子面圖像拼接步驟

掌子面圖像拼接前需要先建立真實空間坐標系下隧道設計開挖三維輪廓曲面模型以及掌子面斷面模型。隧道設計開挖輪廓曲面模型使用隧道斷面輪廓沿施工導線掃掠的方式建立[16]。掌子面模型則使用豎向直線在掌子面里程處沿導線的垂線掃掠生成，生成方法如圖5所示。

1)將隧道實際開挖三維模型、隧道設計開挖輪廓模型、掌子面斷面模型置于同一坐標系下，進行模型整合。

2)運行圖像矯正程序，生成掌子面圖像塊。

3)進行圖像后處理及掌子面圖像拼接。

1.4 掌子面圍巖節理自動識別及特征分析

圍巖BQ分級計算中，圍巖完整性指標主要是體積節理數Jv。現有的通過機器學習算法進行巖體裂縫、節理信息提取的研究中，大多采用傳統機器視覺的各種邊緣檢測算法及閾值分割方法，而隧道環境復雜、巖體面各種圖像特征錯綜復雜、節理分布長度粗細各異等因素使得各研究效果大多達不到預期，難以推廣應用。因此，已經有學者開始利用深度學習方法進行信息分析。本文選擇深度學習中的Unet神經網絡[17]進行圍巖節理跡線識別提取，然后進行Jv計算。具體流程如下：

1) 訓練圖像預處理。現場獲取到的照片尺寸較大，如果直接輸入神經網絡對計算機的顯存要求過高。為了獲得合理尺寸的神經網絡訓練圖，將采集的圖片裁剪成大量小尺寸的圖片，剔除不含節理線的小尺寸圖片，剩余的作為訓練圖片； 同時為了增強數據的多樣性，提高訓練結果的泛化性，對訓練原圖和對應的訓練標記圖進行扭曲、旋轉、翻轉操作。

2) Unet神經網絡訓練。收集現場采集的大量照片，利用其中的2 000張硐壁照片進行網絡訓練。標記其中的節理線，輸入Unet神經網絡訓練。訓練時將標記的節理照片按4∶1的比例分成訓練集和驗證集。采用自定義損失函數Dice coefficient作為損失函數。當網絡訓練至設定精度或次數時，停止訓練。某掌子面圍巖節理識別效果如圖6所示。

3) 節理線骨架化。利用神經網絡已經對節理區域進行了分割識別，而對節理進行分析需要的是節理單像素組成的線，需要對輸出結果進一步處理得到單像素的節理線，這個過程稱為節理骨架化。本文采用經典的Zhang-Suen算法[18]進行節理骨架化，骨架化前后的效果對比如圖7所示。

(a) 骨架化前

(b) 骨架化后

4) 毛刺剔除及節理線連接。在進行節理骨架提取后，形成的骨架會含有許多毛刺，剔除這些毛刺后才能得到合理的節理線； 由于識別效果有限，屬于同一節理的節理線被分割成多段，影響后續分析，因此還需要對同屬于一條節理的多段跡線進行連接。連接過程由節理線端點尋找和節理線連接2個步驟組成，通過計算機編程自動化實現。完成上述流程后，節理識別效果如圖8所示。

圖8 處理后節理識別效果圖

5) 體積節理數Jv計算。在BQ法圍巖分級中，通過巖體體積節理數Jv能快速評價巖體完整程度，Jv能夠簡易地從掌子面節理識別圖中實現計算。

①節理線識別結果圖的像素比例尺通常為500像素/m，1 m×1 m單位面積窗口用像素大小表示為500像素×500像素。

②從節理線識別結果圖左上頂點開始，以0.5 m(250像素)為移動步長，截選1 m×1 m的窗口(500像素×500像素)，從左至右、從上至下依次統計窗口內的節理數量，如果統計窗口中存在節理，測量區域數量N在上次數量基礎上加1(N初始值為0)，否則忽略該窗口。

③選用條數法[19]計算體積節理數

(1)

式中：ni為第i個單位測量面積內的節理條數；N為測量區域數量。

2 掌子面圍巖評價分級

2.1 圍巖分級方法選擇

BQ分級法是國內運用最為廣泛的圍巖分級方法，一般分為以下2個步驟進行： 1)基于巖石堅硬程度和巖體完整性系數2個指標，對圍巖的BQ值進行初步計算； 2)考慮地下水狀況、初始地應力狀況和結構面狀況等因素的影響，對圍巖質量指標BQ值進行修正，得到修正的[BQ]值，按照修正以后的[BQ]值，對圍巖級別進行初步確定。BQ值的計算公式如下：

BQ=90+3Rc+250Kv。

(2)

式中：Rc為巖石單軸飽和抗壓強度，MPa；Kv為巖體完整性系數。

確定BQ值后，再引入地下水系數K1、軟弱結構面系數K2、初始地應力修正系數K3，然后根據式(3)進行修正，得到

[BQ]=BQ-100(K1+K2+K3)。

(3)

得到[BQ]值后即可通過查表進行掌子面圍巖分級。本文采用BQ分級方法來進行圍巖分級。

2.2 各分級參數獲取

BQ分級需要確定多種參數，才能從定性到定量地對圍巖進行分級，Kv的估計計算即本文的目標工作，計算出Kv即可結合Rc值對BQ值進行計算。Kv可由巖體體積節理數Jv得出，Jv值則由圍巖完整性特征分析得到，兩者關系見表1。

表1 Jv與Kv關系對照表

一般情況下具體的計算公式如下[20]：

(4)

其余的分級參數，包括Rc、K1、K2、K3值，可由地勘報告及補充試驗得到。

3 工程應用

云南文麻高速大法郎隧道位于云南省西疇縣境內，為分離式隧道，全長3 390 m，最大埋深約206.5 m。隧址區屬于構造侵蝕低中山地貌區，穿越南北走向的山脊，最高點地面高程約1 505 m，最低點約1 270 m。隧址圍巖巖體主要為強、中風化板巖及強、中風化頁巖。隧址區整體巖體節理發育，側壁自穩能力較差。

3.1 圖形采集

采集了大法郎隧道K43+199～+294、K44+347～+452，共計200 m、14個掌子面的數據進行圍巖完整性分析和分級，下面以K44+373處掌子面為例進行描述。使用尼康D7100數碼相機在該里程處掌子面共采集119張照片，用時10 min，采集的部分原始圖像如圖9所示。

3.2 結構三維模型構建

將原始圖像導入PhotoScan軟件，經過坐標導入與矯正、三維點云及曲面生成后，該里程處的掌子面及周邊硐壁三維模型即可構建完成，效果如圖10所示。

3.3 掌子面巖體圖像生成及節理分析

建立結構設計開挖輪廓模型、掌子面模型，與建立好的三維模型置于同一坐標系中進行模型整合，這些操作可在自研軟件中進行可視化操作，最終建立的模型整合效果如圖11所示。完成上述步驟，即可對原始圖像進行圖像矯正，生成掌子面“圖像塊”，完成掌子面圖像拼接，如圖12所示。最終得到的該里程處掌子面節理跡線素描如圖13所示。

3.4 掌子面巖體評價分級

通過上述步驟得到了14組左右線不同里程的隧道掌子面圍巖節理信息，并參考設計文件和現場采集數據時的信息記錄，得到了各里程段的巖石單軸飽和抗壓強度和修正系數K1、K2、K3值。根據以上得到的數據信息，依據BQ分級方法進行隧道掌子面圍巖分級，將分級結果與設計文件中傳統方法獲取的BQ分級結果進行對比驗證，表2是這14組數據的分級結果。

(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

圖10 K44+373處掌子面及周邊硐壁三維模型圖

該14組數據中，大多數里程處圍巖分級結果與現場實際揭露圍巖級別一致，其中K44+347、K44+370里程處洞身圍巖級別設計文件中為Ⅳ級，而在現場實際施工過程中遇到的圍巖節理裂隙發育，巖體破碎，曾出現過塌方事故，經設計變更后圍巖級別變更為Ⅴ級，與本文圍巖分級結果相符。K44+452里程處洞身圍巖級別設計文件中為Ⅳ級，本文分級結果為Ⅴ級，初步分析可能有以下原因： 1)部分圖像不夠清晰，影響節理判斷分析效果； 2) 挖掘機清理掌子面的印記、堆積在掌子面未清理完全的碎石會造成神經網絡誤判其為節理、連續節理被打斷等。表2說明本文圍巖分級較原始設計分級更符合現場實際情況，相比于傳統手段更具針對性和靈活性。

圖11 模型整合效果圖

(b) 掌子面拼接圖像(成圖)

圖13 掌子面節理識別效果圖

表2 本文分級結果與傳統BQ分級結果對比

4 結論與分析

本文對文麻高速大法郎隧道進出口選取多處里程段掌子面進行圍巖完整性分析，結合相關圍巖試驗結果及地質勘查結果，進行了隧道掌子面圍巖級別評價，得出以下主要結論：

1)建立了隧道掌子面及硐壁的三維模型，使用自研Bamboo軟件得到了掌子面高清拼接圖像，基于Unet深度神經網絡技術進行節理自動識別標記，結合BQ值建立了整套系統化的隧道掌子面結構面分析及圍巖快速分級方法。現場測試結果表明，本文分級方法對Ⅳ、Ⅴ級圍巖具有良好的判斷能力。

2)本文提供的圍巖結構面特征獲取及分級方法相比傳統圍巖完整性測量及BQ分級方法具有費用更低、效率更高的優點。該方法分析過程中大部分工作可在室內進行，改善了工作者的作業環境，降低了勞動強度。

3)圍巖分級涉及因素較多，本文主要對掌子面巖體完整性進行評價。基于本文提供方法的優勢，該分析方法可在現場多次進行，從而實現對圍巖級別的動態評價，更好地指導施工，具有推廣應用價值。

現場應用證明本文提出的方法可獲得掌子面清晰的結構面特征，并具有良好的圍巖分級效果，但在應用中也暴露出訓練數據有限、節理自動識別準確率待提高等局限性，今后可注重對訓練數據、節理線識別算法、掌子面圖像后期處理算法的優化。為提升分級效果，考慮掌子面實際巖石強度、地下水等情況也是今后主要研究方向，例如可在現場開展圍巖回彈試驗、點荷載試驗等用于修正圍巖抗壓強度Rc，作為強度參數的補充等。