李青蔚，杜立杰，*，楊亞磊，劉雷濤，蔡 龍，劉金輝

(1.石家莊鐵道大學(xué)，河北 石家莊 050043；2.中鐵十九局集團第一工程有限公司，遼寧 遼陽 111000)

0 引言

近年來，全斷面巖石隧道掘進機(tunnel boring machine，TBM)因其施工速度快、安全環(huán)保等優(yōu)點，在鐵路隧道、公路隧道、水利水電、地鐵等工程建設(shè)中得以應(yīng)用及快速發(fā)展，例如：川藏鐵路建設(shè)計劃采用18臺以上的TBM進行施工。然而，TBM施工受地質(zhì)條件影響較大，且在掘進過程中受機械結(jié)構(gòu)的限制無法直接觀察到掌子面的圍巖情況。在遭遇不良地質(zhì)時，因不能及時調(diào)整掘進參數(shù)和掘進策略，導(dǎo)致TBM被卡、被困的情況時有發(fā)生，這就需要多方面加強施工前方地質(zhì)的超前預(yù)報及在掘巖體的識別預(yù)警。若能在TBM掘進過程中持續(xù)掌握掌子面圍巖條件的實時變化，對不良地質(zhì)進行及時預(yù)警，將會極大地降低施工風(fēng)險。巖渣作為TBM切割巖體的直接產(chǎn)物，其形態(tài)最能及時反映地質(zhì)條件變化，所以根據(jù)巖渣的變化可以對掌子面的圍巖條件進行實時判斷和預(yù)警。

目前關(guān)于TBM掘進巖渣的研究主要有2個方面：

1)巖渣粒徑分布規(guī)律與TBM破巖效率的研究。陳文莉等[1]和宋克志等[2]通過理論分布模型對巖渣粒徑的分布曲線進行描述，發(fā)現(xiàn)TBM巖渣粒徑分布規(guī)律均符合Rosin-Rammler函數(shù)；Aydin等[3]和閆長斌等[4]對TBM巖渣粒徑分布規(guī)律與TBM破巖效率之間的關(guān)系進行了研究，指出TBM破巖效率隨巖渣粗糙度指數(shù)的減小而降低；文獻[5-6]基于現(xiàn)場掘進試驗和巖片篩分試驗研究了TBM運行參數(shù)和破巖效率之間的關(guān)系；龔秋明等[7]采用室內(nèi)線性切割試驗，探討了不同滾刀間距和貫入度下的巖片分布規(guī)律及其與TBM破巖效率的關(guān)系。

2)基于巖渣判斷圍巖類別的研究[8-10]。將巖渣作為判斷圍巖條件的因素之一，總結(jié)巖渣與圍巖類別的對應(yīng)關(guān)系，根據(jù)對應(yīng)關(guān)系預(yù)測前方的巖體條件。黃祥志[11]和宋志成[12]把數(shù)學(xué)理論及方法引入到巖渣與圍巖類別的判斷中，將圍巖評價指標標準化，使圍巖等級評價更加客觀、準確。

隨著計算機技術(shù)和圖像識別技術(shù)的發(fā)展，巖渣研究有了新的方向。Rispoli等[13]基于圖像分析方法確定了巖渣粒徑分布規(guī)律與TBM性能參數(shù)、巖體參數(shù)之間的關(guān)系。Jeong等[14]通過圖像處理和篩分試驗2種方法對巖渣粒徑分布規(guī)律進行分析，認為篩分試驗是分析巖渣粒徑分布規(guī)律的最佳方法。黃科[15]以深度學(xué)習(xí)的方式建立巖渣自動識別模型，將巖渣區(qū)分為有風(fēng)險和無風(fēng)險2類，證明了將圖像識別技術(shù)應(yīng)用到巖渣識別中的可行性。甘章澤等[16]提出一種消除無效背景的改進標記分水嶺巖渣圖像分割算法，并采用最小矩形擬合法測量巖渣的長、短軸，實現(xiàn)了巖渣尺寸的快速測量，但該算法處理的巖渣圖像較為簡單。Gong等[17]基于室內(nèi)模擬試驗開發(fā)了一套輔助TBM智能化施工的渣片分析系統(tǒng)；通過對皮帶機上巖渣的圖像、質(zhì)量流量和體積流量實時采集與分析，實現(xiàn)對掌子面巖體狀態(tài)的實時預(yù)測和失穩(wěn)預(yù)警；該系統(tǒng)利用深度學(xué)習(xí)算法實現(xiàn)巖渣圖像的分割與特征提取，但在某些情況下該算法的準確性還需不斷提高。

上述文獻中TBM巖渣的分析以篩分試驗和經(jīng)驗總結(jié)為主，多為研究渣片與破巖效率的對應(yīng)關(guān)系或直接人工觀察巖渣再分析總結(jié)其對應(yīng)圍巖條件，而不是圍巖在線識別預(yù)警，無法為智能掘進提供依據(jù)。因此，圖像識別技術(shù)剛剛開始應(yīng)用到巖渣分析中，提出的方法和模型還不完善，還需后續(xù)不斷研究探索。為實現(xiàn)TBM不良地質(zhì)實時預(yù)警和智能掘進，本文提出一種新的TBM巖渣圖像分割與識別方法。根據(jù)施工現(xiàn)場采集的巖渣圖像特點，采用改進的標記分水嶺算法對巖渣圖像進行分割，并對圖像分割結(jié)果進行巖渣特征提取與分類，實現(xiàn)TBM巖渣的自動分析與識別。

1 TBM掘進巖渣特征分析

1.1 依托工程概況

本文以浙江臺州朱溪水庫引水工程TBM施工隧洞為依托，并結(jié)合其他工程TBM掘進巖渣情況進行研究。朱溪水庫引水工程上游段輸水隧洞全長22.501 km，采用TBM與鉆爆法聯(lián)合施工。TBM施工洞段長15.94 km，采用1臺敞開式TBM分2段進行，其中，TBM-1段長度為4 792 m(樁號K17+499～K22+291)；TBM-2段長度為11 147 m(樁號K5+697～K16+844)。該敞開式TBM的主要技術(shù)參數(shù)如表1所示，刀盤刀具布置如圖1所示。

表1 敞開式TBM的主要技術(shù)參數(shù)Table 1 Main technical parameters of open TBM

圖1 刀盤刀具布置(單位：mm)Fig.1 Cutter arrangement on cutterhead (unit:mm)

隧洞圍巖以角礫熔結(jié)凝灰?guī)r為主，新鮮巖石塊狀堅硬，單軸抗壓強度較高。新鮮巖石巖樣天然狀態(tài)下抗壓強度一般為68.8～241.4 MPa；飽和狀態(tài)下抗壓強度一般為65.4～240.1 MPa；局部巖體強度更高。隧洞主要埋深為150～600 m，最大可達800 m。

本工程依據(jù)GB 50287—2016《水力發(fā)電工程地質(zhì)勘察規(guī)范》[18]對圍巖類別進行劃分，其中，Ⅱ類圍巖占比53%，Ⅲ類占比22%，Ⅳ～Ⅴ類占比25%。隧洞沿線圍巖以Ⅱ～Ⅲ類為主，整體圍巖較為穩(wěn)定；斷層通過段圍巖以Ⅳ～Ⅴ類為主，巖體不穩(wěn)定，易發(fā)生坍塌。

1.2 巖渣特征與巖體完整程度現(xiàn)場分析

不同工程對應(yīng)的地質(zhì)條件不同，但TBM掘進的巖渣與巖體條件具有一定相關(guān)性。本文基于依托工程現(xiàn)場分析，選取樁號為K20+623～+410里程的完整巖體、K20+322～+190里程的較完整巖體、K20+362～+322里程的較破碎巖體和K20+376～+362里程的破碎巖體等，對巖渣和巖體完整程度的對應(yīng)關(guān)系基本規(guī)律進行總結(jié)，如表2所示。同時，結(jié)合遼西北供水工程、新疆EH工程等現(xiàn)場收集的巖渣圖像進行分析，給出不同巖體完整程度下的典型渣料如圖2所示。

表2 巖渣與巖體完整程度對應(yīng)關(guān)系Table 2 Correspondence between rock muck and rock mass integrity

(a)完整巖體的巖渣

1.3 TBM掘進巖渣圖像特點分析

本文處理對象為TBM掘進過程中皮帶機上的巖渣圖像。在識別方法研究階段，為確保巖渣圖像清晰，巖渣圖像拍攝于皮帶機停機狀態(tài)，后續(xù)工程應(yīng)用時可采取高速攝影等拍攝手段，本文在此不做進一步探討。圖像寬度對應(yīng)皮帶機運載渣料時的寬度，目的是以皮帶機實際寬度為參考標準計算圖像中巖渣的實際粒徑大小。4種具有代表性的巖渣圖像如圖3所示。

對巖渣圖像進行分析，總結(jié)其特點如下：

1)TBM巖渣本身紋理復(fù)雜，還包含有水、泥、巖粉等，導(dǎo)致采集的巖渣圖像噪聲嚴重，邊緣特征不明顯。

2)TBM巖渣尺寸差異大，最大巖渣粒徑可以達到300 mm以上，而最小的不足1 mm。

3)巖渣圖像復(fù)雜多變。TBM出渣量大小不同，導(dǎo)致采集的巖渣圖像具有不同的特點。當(dāng)出渣量小時，巖渣邊緣被水覆蓋，各巖渣之間不存在堆積情況，巖渣基本對應(yīng)圖像中的暗區(qū)域，如圖3(a)所示；當(dāng)出渣量大時，巖渣表面被巖粉覆蓋，巖渣顆粒堆積情況嚴重，巖渣基本對應(yīng)圖像中的亮區(qū)域，如圖3(b)—(d)所示。

(a)

2 TBM掘進巖渣圖像分割

圖像分割是圖像處理技術(shù)的關(guān)鍵，分割效果的好壞直接影響后續(xù)分析與識別的結(jié)果。目前常規(guī)圖像分割研究已比較成熟，提出的分割算法很多，但各有優(yōu)缺點。

本文針對巖渣圖像的特點，選擇基于標記的分水嶺算法對圖像進行分割[19]。分水嶺算法定位準確，可直接得到連續(xù)閉合的單像素邊界，對圖像中粘連目標分割具有較好的效果，但直接使用分水嶺變換存在嚴重的過分割現(xiàn)象。圖像中的噪聲、巖渣自身紋理等細微灰度變化都會導(dǎo)致圖像中產(chǎn)生大量的偽局部極小值，引起過分割?；跇擞浀姆炙畮X變換可以通過標記控制去掉偽極小值區(qū)域，使局部極小值僅出現(xiàn)在標記位置，減少過分割。標記分水嶺算法的關(guān)鍵在于前景、背景標記的提取，標記越準確，分割效果則越好。因此，本文根據(jù)巖渣圖像特點，對標記方法進行改進，提出一種適用于TBM巖渣圖像的標記分水嶺分割方法。

2.1 算法流程

基于改進的標記分水嶺巖渣圖像分割算法主要分為以下5部分，算法流程如圖4所示。

1)圖像預(yù)處理。圖像預(yù)處理包括：圖像讀取、灰度化、尺寸大小調(diào)整和雙邊濾波。

2)梯度圖像。對原圖重構(gòu)結(jié)果進行形態(tài)學(xué)梯度運算，得到梯度圖像，將其作為分水嶺分割的對象。

3)前景標記。對預(yù)處理圖像進行閾值分割，其分割結(jié)果作為初始前景標記；對初始前景標記進行優(yōu)化，得到前景標記。

4)背景標記。對初始前景標記的距離變換圖像進行分水嶺變換，得到背景標記。

5)梯度分水嶺變換。根據(jù)前景、背景標記對梯度圖像進行修正，對修正后的梯度圖像進行分水嶺分割。

圖4 算法流程圖Fig.4 Flowchart of proposed algorithm

2.2 前景標記的獲取

標記分水嶺算法分割效果的好壞取決于標記的提取是否準確，其最為理想的情況是提取的每一個標記均對應(yīng)圖像中一個目標所在位置。本文將圖像分割的研究重點放在前景標記的獲取部分。為獲得目標位置準確的前景標記，先對預(yù)處理后的圖像做閾值分割，對分割結(jié)果進行形態(tài)學(xué)處理，實現(xiàn)目標與背景的初步分離，將最終處理結(jié)果作為初始前景標記；再對初始前景標記進行優(yōu)化，去除不合理標記，并經(jīng)過距離變換和形態(tài)重構(gòu)h頂變換運算，實現(xiàn)粘連目標分離。

因此前景標記的提取過程可分為2部分。1)初始前景標記獲?。洪撝捣指?。2)初始前景標記優(yōu)化：距離變換和形態(tài)重構(gòu)h頂變換。

2.2.1 初始前景標記獲取

將Otsu全局閾值分割方法和頂帽變換的局部閾值分割方法結(jié)合，以減少目標之間的粘連，得到效果更好的初始前景標記。具體處理步驟如下：步驟1，將預(yù)處理圖像先重構(gòu)再做Otsu全局閾值分割，將分割結(jié)果與局部閾值分割結(jié)果相減，再進行閉/開運算、填充等處理，得到二值圖像；步驟2，將步驟1中的二值圖像與梯度圖像的Otsu閾值分割結(jié)果結(jié)合，再進行開運算、填充、腐蝕、刪除雜質(zhì)點等處理，將處理后的二值圖像作為初始前景標記。

1)Otsu法。Otsu法即最大類間差法[20]，算法假設(shè)根據(jù)閾值可將圖像像素分成目標和背景2部分，計算區(qū)分這2部分像素的最佳閾值，使其類間方差最大。Otsu法分割過程簡單、性能穩(wěn)定，可快速得到圖像的大致輪廓，是一種自適應(yīng)閾值分割算法，但比較適用于目標與背景具有較強對比度的圖像。

2)頂帽變換。頂帽變換定義為原圖減去開運算結(jié)果圖：

That=f-(f°b)。

(1)

式中：f為輸入圖像；b為結(jié)構(gòu)元素。頂帽變換可以將比背景稍亮一些的區(qū)域分離出來。對預(yù)處理圖像進行頂帽變換的局部閾值分割，剛好可以將與目標灰度相差不大的部分背景區(qū)域提取出來。

前景標記獲取如圖5所示。從圖像處理結(jié)果看，直接對圖像進行Otsu 法全局閾值分割，分割結(jié)果并不理想，如圖5(b)所示。由于圖像中部分背景區(qū)域(巖渣邊緣)與目標灰度相差不大，而被分割成目標區(qū)域，導(dǎo)致目標粘連嚴重。因此，本文將全局閾值分割結(jié)果與頂帽變換的局部閾值分割結(jié)果相減，目標之間的粘連有所減弱，如圖5(c)所示；然后，再與梯度圖像的Otsu閾值分割結(jié)果結(jié)合，目標之間的粘連再次減弱，如圖5(d)所示；最后，對結(jié)合結(jié)果進行開運算、填充、腐蝕、刪除雜質(zhì)點等處理，此時得到的二值圖像中大部分目標已被分離，如圖5(e)所示。

對圖像進行閾值分割及后續(xù)處理，可以將目標和背景區(qū)域分離，但此時的二值圖像并不能直接作為最終分割結(jié)果。因為對其進行了形態(tài)學(xué)腐蝕操作，目的是減弱目標之間的粘連程度，但同時也改變了目標的形狀與大小，導(dǎo)致最終分割結(jié)果與實際目標不符。但是，可以將二值圖像作為分水嶺分割的初始前景標記，圖像中的大部分目標已被分離開，且每個目標基本對應(yīng)一個標記，目標標記位置準確。

2.2.2 初始前景標記優(yōu)化

圖像閾值分割結(jié)果中可能仍會有目標粘連情況，若將其直接作為前景標記，可能會導(dǎo)致欠分割；因此，將其作為初始前景標記，并進行優(yōu)化。優(yōu)化步驟如下：

步驟1，根據(jù)巖渣的最小外接矩形面積和長、短軸比值，去除部分不合理標記(受刀盤結(jié)構(gòu)限制，巨大塊狀的巖渣一般會經(jīng)過二次擠壓破碎，基本不存在40 cm以上的巖渣；另外，巖渣短軸越大，其長、短軸比值的范圍會越小)。

步驟2，根據(jù)矩形度大小將標記分為單目標標記和粘連目標標記。矩形度大于0.5的視為單目標標記，將直接作為前景標記；矩形度小于0.5的視為粘連目標標記，需進行后續(xù)判斷與處理。

步驟3，對步驟2中的粘連目標標記圖像進行距離變換，對距離變換圖像進行形態(tài)重構(gòu)h頂變換運算，實現(xiàn)粘連目標的分離，將處理后的結(jié)果作為前景標記(fgm)。

1)距離變換。距離變換圖像中，每個像素的像素值用該像素與圖像中所有背景像素間的最小距離值表示[21]。因此，通過距離變換可以區(qū)分出圖像中目標的邊界像素點和內(nèi)部像素點，離邊界越遠的點值越大，體現(xiàn)在距離圖像上亮度越高。

2)形態(tài)重構(gòu)h頂變換。形態(tài)重構(gòu)h頂變換是建立在測地膨脹[22]基礎(chǔ)上的，測地膨脹定義為：

(2)

式中：F為標記圖像；G為掩模圖像；B為結(jié)構(gòu)元素。

式(2)針對于灰度圖像，二值圖像將最大值和最小值運算轉(zhuǎn)變?yōu)椤芭c”和“或”運算即可。標記圖像F關(guān)于掩模圖像G的測地膨脹，反復(fù)迭代直至穩(wěn)定狀態(tài)，即可定義為F對G的膨脹形態(tài)學(xué)重構(gòu)。

形態(tài)重構(gòu)h頂變換是標記圖像F對掩模圖像G的膨脹形態(tài)學(xué)重構(gòu)，其中F=G-h(h為常數(shù))。

對距離變換圖像進行形態(tài)重構(gòu)h頂變換，可提取距離變換圖像中的高亮部分，其中，標記圖像F=DT-h，DT為距離變換圖像。掩模圖像G=DT；重構(gòu)結(jié)果IM=RDT(DT-h)；提取的高亮部分(局部極大值區(qū)域)dome=DT-IM；h為差值參數(shù)(常數(shù))，表明了提取出的結(jié)構(gòu)高度[23]，h的取值大小決定了重構(gòu)保留的細節(jié)是多少，h越小，重構(gòu)保留的細節(jié)越多，提取的高亮部分越少。

初始前景標記經(jīng)過腐蝕操作，已經(jīng)極大地削弱了目標之間的粘連程度，目標輕微粘連情況，邊界像素間的距離值較??；因此對距離變換圖像進行形態(tài)重構(gòu)h頂變換，提取距離變換圖像中的高亮部分(局部極大值區(qū)域)，可將目標粘連的地方削去，實現(xiàn)粘連目標的分離。最終前景標記結(jié)果如圖5(f)所示。

(a)巖渣圖像

2.3 基于標記的分水嶺變換

2.3.1 初始梯度圖像

梯度圖像反映的是圖像像素的變化信息，主要用于突出圖像輪廓。將其作為分水嶺算法的分割對象比在原始圖像上使用分水嶺算法分割的結(jié)果更加準確。

本文采用形態(tài)學(xué)梯度求取梯度圖像。用膨脹后的圖像減去腐蝕后的圖像，得到的差值圖像即為形態(tài)學(xué)梯度[22]。其運算可表示為

grad=(f⊕b)-(f?b)。

(3)

經(jīng)形態(tài)學(xué)梯度運算后的巖渣圖像，可以更好地反映出巖渣的邊緣信息，但受噪聲和巖渣本身紋理等影響，得到的梯度圖像中會存在大量的偽局部極值點，需對其進行修正。

本文的初始梯度圖像是對原圖重構(gòu)結(jié)果進行形態(tài)學(xué)梯度運算得到的，如圖6(a)所示。對原圖進行形態(tài)學(xué)重構(gòu)可以先濾除部分噪聲和復(fù)雜細小紋理，消除部分偽局部極值，簡化圖像，便于后續(xù)處理。

2.3.2 梯度分水嶺變換

分水嶺算法借助了地形學(xué)的概念，將圖像分割過程模擬成地理學(xué)中地形被浸沒的過程，本質(zhì)上是一種區(qū)域生長算法。分水嶺算法分割圖像，其分割區(qū)域的個數(shù)由局部極小值數(shù)量決定，當(dāng)局部極小值個數(shù)大于目標數(shù)時，導(dǎo)致過分割，反之，則導(dǎo)致欠分割[24]。

對初始前景標記的距離變換圖像進行分水嶺變換，將分水嶺變換脊線(bgm=0)作為背景標記，如圖6(b)所示。利用強制最小值標定算法[25]，對初始梯度圖像進行修正，使得修正后的梯度圖像僅在標記對應(yīng)位置存在極小值，如圖6(c)所示。對修正后的梯度圖像進行分水嶺變換，得到最終分割結(jié)果，如圖6(d)所示。

(a)初始梯度圖像

3 TBM掘進巖渣圖像識別

圖像識別包含圖像特征提取和圖像分類2部分。對圖像進行改進標記的分水嶺分割，只是將巖渣顆粒從圖像背景中分離出來，接下來需對巖渣圖像進行特征提取，根據(jù)提取的特征對巖渣圖像進行分類。

3.1 巖渣圖像特征提取

根據(jù)巖渣特征與巖體完整程度的對應(yīng)關(guān)系可以看出，巖渣的形狀和粒徑大小是區(qū)分巖體完整程度的主要特征。因此提取的特征參數(shù)主要有：

1)長軸。巖渣長度，最小外接矩形長邊，用于反映粒徑大小。

2)短軸。巖渣寬度，最小外接矩形短邊，用于反映巖渣形狀；片狀巖渣的寬度受刀間距影響，一般小于刀間距。

3)長、短軸比。用于判斷巖渣形狀。

4)圓形度。圓形度R是用來描述目標形狀與圓形相似程度的量，是目標形狀復(fù)雜度的一種度量，理論上圓形度的值不大于1，目標形狀越復(fù)雜，圓形度值越小[22]。圓形度用于去除不屬于巖渣的分割區(qū)域。分割過程中受水、泥土等影響，可能會導(dǎo)致分割結(jié)果中存在非目標巖渣的分割區(qū)域。由于巖渣多為長圓形片狀或立方體狀，其分割區(qū)域形狀較為簡單，圖像中的非巖渣分割區(qū)域形狀又多為復(fù)雜，因此，可通過圓形度判斷分割區(qū)域是否為巖渣。計算公式：

R=4πS/l2。

(4)

式中：S為連通域面積；l為連通域周長。

5)巖渣數(shù)量。用于判斷出渣量的多少。

3.2 巖渣圖像分類

巖渣形狀和粒徑大小是判斷巖體完整程度的主要特征。先根據(jù)提取的特征參數(shù)對巖渣的形狀和粒徑大小進行分類，再根據(jù)分類結(jié)果對巖渣圖像進行分類，巖渣圖像分類結(jié)果與巖體完整程度相對應(yīng)。

3.2.1 巖渣形狀分類

TBM開挖的渣料一般由片狀、塊狀和粉狀巖渣構(gòu)成。其中，片狀巖渣為盤形滾刀切削下來的典型巖渣，近似橢圓形，長軸長度一般為1～2倍刀間距，短軸長度一般不會超過刀間距；塊狀巖渣多為立方體狀，巖渣短軸大于刀間距的一般為塊狀；由于粉狀巖渣無法通過圖像進行識別，本文也并未把粉狀巖渣作為主要特征，故在此不予分析。

對TBM掘進巖渣圖像中片狀巖渣和塊狀巖渣的尺寸進行測量統(tǒng)計與分析，得到以下分類：

1)短軸小于最大刀間距、長短軸比值小于1.5，為小片狀或小塊狀巖渣；

2)短軸小于最大刀間距、長短軸比值大于1.5，定為片狀巖渣；

3)短軸大于最大刀間距，定為大塊狀巖渣。

3.2.2 巖渣粒徑大小分類

雖然巖渣特征變化基本規(guī)律相同，但各工程的地質(zhì)條件不同，導(dǎo)致粒徑范圍會略有不同。對以往研究[8-11,26]和依托工程的巖渣粒徑大小規(guī)律進行總結(jié)，并結(jié)合巖渣圖像中巖渣尺寸的測量結(jié)果，分類如下：1)長軸小于10 cm的巖渣；2)長軸在10～15 cm的片狀巖渣；3)長軸在10～15 cm的塊狀巖渣；4)長軸在15～20 cm的片狀巖渣；5)長軸在15～20 cm的塊狀巖渣；6)長軸大于20 cm的巖渣。

3.2.3 巖渣圖像分類

根據(jù)巖渣與巖體完整程度對應(yīng)關(guān)系以及巖渣形狀和粒徑大小的分類結(jié)果，對巖渣圖像進行分類,見表3。

表3 巖渣圖像分類Table 3 Classification of rock muck images

4 工程應(yīng)用驗證

本文研究目標為拍攝于皮帶機上的巖渣圖像。以皮帶機實際寬度為參考，可以計算出圖像中巖渣的實際尺寸。巖渣圖像中皮帶機的實際寬度為75 cm，為便于圖像分割處理，統(tǒng)一對圖像進行了裁剪，寬度為原來的3/5，即45 cm，長度不變；因此處理的圖像實際大小為45 cm×100 cm，對應(yīng)圖像尺寸大小為1 080 pixels×2 400 pixels。

應(yīng)用matlab2014b軟件編程實現(xiàn)巖渣圖像的分割與識別。為驗證本文圖像識別方法的準確性，將巖渣圖像分類結(jié)果與實際巖體完整程度進行對比。根據(jù)施工現(xiàn)場給出的實際圍巖類別和巖體條件，分別選取A(巖體完整)、B(巖體較完整)、C(巖體較破碎)類圍巖下80、50、30張巖渣圖像進行驗證，每10張為1組，共16組，每組為不同時間段連續(xù)拍攝的10張圖像。

4.1 圖像分割結(jié)果及分析

對采集到的巖渣圖像進行分析發(fā)現(xiàn)，TBM出渣量大小不同，導(dǎo)致巖渣對應(yīng)圖像中的明暗區(qū)域不同;因此本文在進行圖像分割時，將巖渣圖像分為了2大類。1)巖渣含水量較大，圖像閾值分割后巖渣為背景區(qū)域；2)常規(guī)巖渣圖像，閾值分割后巖渣為前景區(qū)域。針對這2類圖像，分別給出了相應(yīng)的分割代碼，分割方法及過程均相同，只是其中個別參數(shù)設(shè)置不同，以及當(dāng)巖渣對應(yīng)圖像中的背景區(qū)域時，對全局閾值分割結(jié)果進行取反操作，使二值圖像中目標像素變?yōu)?，以便于后續(xù)處理。在圖像預(yù)處理階段，先根據(jù)重構(gòu)后的巖渣圖像中連通域的數(shù)量對2類圖像進行自動區(qū)分，再分別進行后續(xù)處理。

表4給出了應(yīng)用本文算法進行巖渣圖像分割的結(jié)果以及對算法性能的客觀評價結(jié)果。

表4中圖(a)—(d)是4幅具有代表性的巖渣圖像分割結(jié)果。其中，圖(a)代表含有大量水的巖渣，巖渣與水對比較為明顯，整體分割效果較好，極少量巖渣被水覆蓋，邊緣不清晰，未被檢測出；圖(b)—(c)代表一般巖體下巖渣，巖渣受水、泥和巖粉等影響較小，易于識別，分割效果比較理想；圖(d)為混合有大量泥土的巖渣。該算法對檢測到的圖像表面的巖渣，分割效果較好，少部分巖渣與背景灰度極為相近，無法檢測到其邊緣特征。

上述分析為對算法分割效果的定性分析，為正確、客觀評價巖渣圖像分割算法的性能，將圖像分割結(jié)果與人工識別結(jié)果進行對比，采用準確率(PR)和誤差率(ER)2個性能指標進行分析，計算公式如下：

(5)

(6)

式(5)—(6)中：NAT為正確分割區(qū)域個數(shù)(目標分割區(qū)域與巖渣實際大小基本相同)；N為目標區(qū)域個數(shù)，即人工計數(shù)法得到的巖渣數(shù)量；NA為算法分割后自動統(tǒng)計的目標區(qū)域個數(shù)。

根據(jù)表4的圖像分割結(jié)果及性能指標分析可知，該算法對于復(fù)雜巖渣圖像能夠進行有效分割，大部分巖渣可以被完整地分割出來，邊緣定位比較準確，目標粘連問題也得到很好的解決，巖渣圖像分割效果較為理想，準確率較高。

從16組圖像分割結(jié)果看，本文提出的改進標記的分水嶺分割方法對這16種類型的巖渣圖像均適用，但分割效果不同，少部分圖像的分割誤差較大。

4.2 圖像識別結(jié)果及分析

16組巖渣圖像的識別分類結(jié)果如表5所示。采用準確率(TPR)作為該識別算法的性能評價指標，計算公式如下：

(7)

式中：TP為算法預(yù)測類別與實際類別相同的巖渣圖像數(shù)量；FN為算法預(yù)測類別與實際類別不同的巖渣圖像數(shù)量。

表5 巖渣圖像分類結(jié)果Table 5 Classification results of rock muck images

表5中，A、B、C類巖體對應(yīng)的巖渣圖像分類結(jié)果準確率分別為96.3%、94%、86.7%。巖渣圖像分類結(jié)果的誤差在可接受范圍內(nèi)，說明本文提出的巖渣圖像分割與識別方法是可行的。

5 結(jié)論與討論

1)本文采用提出的改進標記分水嶺算法對TBM巖渣圖像進行分割，重點對標記獲取方法進行改進，將處理后的閾值分割結(jié)果作為分水嶺變換的前景標記。驗證結(jié)果表明，此算法得到的目標標記位置準確，有效實現(xiàn)了粘連目標的自動分割，巖渣圖像分割效果較為理想，算法性能可以滿足后續(xù)處理需求。

2)在圖像分割結(jié)果基礎(chǔ)上，對巖渣圖像進行特征提取和分類，巖渣圖像分類結(jié)果與巖體完整程度相對應(yīng)。經(jīng)測試驗證，A(巖體完整)、B(巖體較完整)、C(巖體較破碎)類對應(yīng)的巖渣圖像分類結(jié)果的準確率分別為96.3%、94%、86.7%，方法準確性比較高，可以有效實現(xiàn)巖渣的自動分析與識別。

3)TBM巖渣圖像比較復(fù)雜，平均每張圖像用時6.15 s，TBM掘進速度一般在10～100 mm/min，因此該方法基本可以滿足實時處理的要求，可以對在掘巖體狀況和變化趨勢及時判別預(yù)警。此方法的提出為TBM在掘巖體的智能化識別及不良地質(zhì)預(yù)警提供了可行性。

由于目前分析的每張巖渣圖像對應(yīng)皮帶機上1 m的巖渣，不同巖體完整程度下的1張巖渣圖像可能差別不大，導(dǎo)致分類結(jié)果存在誤差。因此在根據(jù)巖渣圖像判斷巖體完整程度時，需根據(jù)1組圖像(選擇合適周期連續(xù)采集)的整體特征來判斷，或是將1組圖像中占比最大的定為最終類別。另外，巖渣圖像復(fù)雜多變，將來可考慮將巖渣圖像識別結(jié)合掘進參數(shù)識別的方法對巖體條件進行綜合判斷。