深部隧道施工中，岩爆、应力坍塌等高危地质灾害严重威胁人员与设备安全，而硬性结构面是控制这些灾害发生的核心因素。传统识别方法依赖人工测量，不仅效率低下，还受光照干扰导致精度不足，本文提出的智能方法将硬性结构面识别精度提升 8.49%，并在实际工程中实现 81.25% 的完整识别率，解决非接触识别难题。
标题: Intelligent identification method for hard structural planes in surrounding rocks of deep tunnels 译文: 深部隧道围岩硬性结构面智能识别方法 期刊: Journal of Rock Mechanics and Geotechnical Engineering (IF = 10.2) DOI: https://doi.org/10.1016/j.jrmge.2025.05.012 |
1. 依赖卷尺、罗盘人工记录隧道掌子面节理信息，工作量大、效率低，结果精度严重依赖操作人员技术与经验；
2. Sobel、Canny 等边缘检测算法对图像质量要求高，光照不均、阴影等环境因素会导致图像细节丢失、节理宽度失真，严重影响识别结果；
3. FCN、U-Net、R-CNN 等模型对深部隧道中闭合、不连续的硬性结构面识别精度低，R-CNN 系列的矩形候选框难以适配微弱、碎片化的节理特征。
深部隧道埋深大（部分超2000m）、地应力高（可达 58MPa），硬性结构面诱发的灾害风险极高，快速准确获取其信息是灾害评估、预警与控制的关键，传统方法已无法满足工程安全需求。
解决深部隧道围岩硬性结构面因光照不均（过曝光、高对比度阴影）和暴露不连续（高应力压缩导致闭合、迹线碎片化）引发的识别难题，实现快速、准确、非接触的智能识别。
1. 提出结合二维伽马函数与自适应非线性增强的光照校正方法，显著降低光照对识别的负面影响，使精确率（P）提升 7.03%、准确率（Acc）提升 4.43%；
2. 建立融合局部不连续节理自动补全的 YOLOv8 识别模型，解决结构面暴露不连续问题，完整提取节理迹线，使识别完整性（ALI）提升 8.49%；
3. 在实际深部隧道 DK196+600-700 段验证，实现 81.25% 的硬性结构面完整识别，为深部隧道灾害智能评估提供数据与方法支撑。
先通过自适应光照校正预处理图像以提升质量，再经数据增强构建样本库，最后采用融合局部不连续节理自动补全模块的 YOLOv8 模型，实现深部隧道硬性结构面智能识别。
1. 自适应光照校正预处理
针对过曝光、高对比度阴影等问题，分别处理图像的亮度（Value）和饱和度（Saturation）：用二维伽马函数降低过亮区域亮度、提升暗区亮度，用自适应非线性增强优化饱和度。
自适应光照不均图像校正方法流程图
2. 硬性结构面标注与样本增强
用 LabelMe 标注预处理后的隧道围岩图像，通过旋转、翻转、颜色变换等方式扩充样本，从 137 张原始图像构建 1096 张标注样本库，按 8:2 分为训练集（876 张）与验证集（220 张）。
3. 局部不连续节理自动补全模块设计
针对 A 类（点状不连续）节理，通过设置搜索半径的闭运算自动连接；针对 B 类（条状不连续）节理，通过 “端点判定（八邻域矩阵检索）→补全区域识别（基于主节理角度与距离筛选）→膨胀补全” 实现。
传统结构面智能提取方法识别的不连续节理碎片类型
A 类不连续节理碎片补全方法示意图
八邻域矩阵、节理骨架及端点示意图
4. 融合不全模块的YOLOv8模型构建
Backbone 用 Conv+C2f 模块堆叠提取特征，引入 SPPF 模块统一特征图维度；Head 采用 Anchor-free 解耦预测头，将补全模块接入输出端以处理不连续节理。
局部不连续节理自动补全与 YOLOv8 融合的硬性结构面智能识别模型图
1. 关照校正的影响
预处理后图像灰度直方图从分散分布变为正态分布，过曝光区域节理边缘变清晰、暗区节理特征显现；模型精确率（P）从 81.26% 提升至 88.29%，准确率（Acc）从 75.11% 提升至 79.54%。
硬性结构面图像预处理前后灰度直方图对比
预处理对模型节理预测精度的影响
2. 节理补全模块的作用
加入补全模块后，模型对 377 条节理的完整识别数量从 298 条增至 362 条，ALI 从 85.21% 提升至 93.7%，有效解决节理碎片化问题。
局部不连续节理自动补全算法应用效果对比
局部不连续节理自动补全算法对模型节理分割精度的影响
3. 实际工程验证
在深部隧道 DK196+600-700 段，模型从 35 张图像中识别出 48 条节理中的 39 条，完整识别率达 81.25%，与人工标注形态高度一致。
DK196+600-700 段围岩硬性结构面识别结果
该文提出融合自适应光照校正与局部节理补全的 YOLOv8 智能识别方法，有效解决深部隧道硬性结构面因光照与不连续性导致的识别难题，为深部隧道灾害防控提供关键技术支撑。
1. 突破传统机器视觉对图像质量的高依赖，提出的光照校正与节理补全策略，为低质量地质图像的结构面识别提供新范式；
2. 实现非接触、快速识别，规避深部隧道掌子面的岩爆风险，替代低效的人工测量，提升工程探测安全性与效率；
3. 为岩爆、应力坍塌等灾害的智能评估与动态预警提供精准的结构面数据，推动深部隧道工程从 “经验防控” 向 “智能防控” 转型。
原文摘要
The hard structural plane exerts a significant controlling effect on high-stress geological hazards in deep tunnels. Rapid and accurate acquisition of information on the hard structural planes is crucial for hazard assessment, early warning, and control. First, the challenges of machine vision-based recognition of hard structural planes in deep tunnels were analyzed. Then, an adaptive illumination correction algorithm was developed to mitigate the adverse effects of lighting on the recognition of hard structural planes. Subsequently, a hard structural plane recognition algorithm integrating joint-local completion and YOLOv8 was established based on the developmental characteristics of hard structural planes, in order to address the challenge of discontinuous exposure of hard structural planes on the tunnel face. Finally, the model's performance was validated based on a deep tunnel project. The results indicate that by applying a preprocessing method combining a two-dimensional gamma function with adaptive nonlinear enhancement for uneven illumination correction, the adverse effects of lighting on hard structural plane recognition were significantly mitigated. The precision (P) increased by 7.03%, while the accuracy (Acc) improved by 4.43%. An identification method incorporating automatic completion of discontinuous joints was established, which allows for the complete extraction of hard structural plane traces. The recognition accuracy increased by 8.49%. Through application of the proposed intelligent identification method at the section DK196+600-700 of a deep tunnel, 81.25% of the hard structural planes were completely recognized. The results can address the challenge of rapid, accurate, and non-contact recognition of hard structural planes in deep tunnels, providing a foundation for intelligent hazard assessment.
译文
硬性结构面对深部隧道高应力地质灾害（如岩爆、应力坍塌）具有显著控制作用，快速准确获取硬性结构面信息是灾害评估、预警与控制的关键。首先，分析了基于机器视觉识别深部隧道硬性结构面的核心挑战；其次，提出自适应光照校正算法，以削弱光照对硬性结构面识别的不利影响；随后，基于硬性结构面的发育特征，建立融合局部节理补全与 YOLOv8 的硬性结构面识别算法，解决隧道掌子面硬性结构面暴露不连续的问题；最后，依托某深部隧道工程验证模型性能。结果表明：采用二维伽马函数与自适应非线性增强结合的预处理方法校正光照不均，可显著削弱光照对硬性结构面识别的负面影响，使精确率（P）提升 7.03%、准确率（Acc）提升 4.43%；建立的融合不连续节理自动补全的识别方法，可完整提取硬性结构面迹线，使识别完整性提升 8.49%；将该智能识别方法应用于某深部隧道 DK196+600-700 段，硬性结构面完整识别率达 81.25%。研究成果可解决深部隧道硬性结构面快速、准确、非接触识别的难题，为灾害智能评估提供基础。
声明：本文内容由解读人员在生成式人工智能技术辅助下创作而成，相关观点仅为解读人员基于论文内容的个人分析，不代表原文作者、期刊及本公众号立场，仅供读者学术交流参考，不构成任何决策建议。论文版权归属于相应期刊或出版方，本公众号不提供任何论文全文的下载、转发、存储或分发服务，亦不鼓励任何侵犯论文版权的行为。如有版权侵权情况，请权利持有人及时与我们联系，我们将立即采取相应措施。
点击"阅读原文"查看更多