(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210611127.1 (22)申请日 2022.05.31 (71)申请人 浙江大学高端装备研究院 地址 311106 浙江省杭州市余杭区兴国路 503号5幢10 3室 申请人 浙江大学 (72)发明人 丁红钦　杨华宇　祝毅　谢海波　 杨华勇　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 贾玉霞 (51)Int.Cl. G06T 7/73(2017.01) G06T 7/80(2017.01) G06T 7/11(2017.01)G06T 5/20(2006.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 20/00(2019.01) (54)发明名称 基于机器学习的地铁盾构施工中管片位姿 自动识别方法 (57)摘要 本发明公开一种基于机器学习的地铁盾构 施工中管片位姿自动识别方法， 该方法首先构建 地铁盾构施工中管片摆放位置的位姿数据库， 数 据库中每个管片的数据包括管片摆放位置和管 片的位姿， 管片的位姿包括： 拍摄角度、 拍摄距 离、 环境光照、 粉尘影响、 细节缺失； 选取管片位 姿数据库中的数据作为训练数据集， 并将管片 摆 放位置作为目标属性， 管片的位姿作为特征数 据， 输入基于神经网络的管片位姿的机器学习识 别模型中， 对模型进行训练； 最后将待识别的地 铁盾构施工管片的图像输入训练后的基于神经 网络的管片位姿的机器学习识别模 型中， 即可得 到对应的管片摆放位置。 该方法识别精度高， 能 为从业人员提高决策效率， 节省实验成本， 节约 时间成本 。 权利要求书1页 说明书4页 附图3页 CN 114937084 A 2022.08.23 CN 114937084 A 1.一种基于机器学习的地铁盾构施工中管片位姿自动识别方法， 其特征在于， 该方法 包括如下步骤： 步骤一： 构建地铁盾构施工中管片摆放位置的位姿数据库， 该数据库中每个管片的数 据包括管片摆放位置和管片的位姿， 所述管片的位姿包括： 拍摄角度、 拍摄距离、 环境光照、 粉尘影响、 细节缺失； 步骤二： 选取管片位姿数据库中的数据作为训练数据集， 并将管片摆放位置作为目标 属性， 将管片的位姿作为特征数据， 输入基于神经网络的地铁盾构施工中管片位姿的机器 学习识别模型中， 对 模型进行训练； 步骤三： 将待识别的地铁盾构施工管片的图像输入训练后的基于神经网络的地铁盾构 施工中管片位姿的机器学习识别模型中， 即可 得到对应的管片摆放 位置。 2.根据权利要求1所述的基于机器学习的地铁盾构施工中管片位姿自动识别方法， 其 特征在于， 所述管片位姿数据库中的管片包括标准环境、 干扰环境与细节缺失下 的管片摆 放位置。 3.根据权利要求2所述的基于机器学习的地铁盾构施工中管片位姿自动识别方法， 其 特征在于， 所述 步骤一具体包括如下子步骤： (1.1)建立标准管片位姿的三维模型； (1.2)分别在标准环境、 干扰环境、 细节缺失环境下拍摄施工中管片摆放位置的图片， 在标准环 境下， 保持环 境光照正常， 无明显粉尘， 变换拍摄角度、 镜头离地高度、 拍摄距离三 个参数， 拍摄整个管片； 在干扰环境下， 环境光照分别为曝光不足、 过度曝光， 粉尘分别为轻微粉尘、 中度粉尘、 重度粉尘； 拍摄时变换拍摄角度、 镜 头离地高度、 拍摄距离， 拍摄整个管片； 细节缺失环境下， 环境光照正常， 无明显粉尘， 拍摄时变换拍摄角度、 拍摄距离， 分别对 多个管片特 征点进行局部拍摄； (1.3)对拍摄的照片进行裁剪滤波， 并标定管片的位姿和管片摆放位置， 得到地铁盾构 施工中管片摆放 位置的位姿数据库。 4.根据权利要求2所述的基于机器学习的地铁盾构施工中管片位姿自动识别方法， 其 特征在于， 所述 步骤二具体包括如下子步骤： (2.1)从地铁盾构施工中管片摆放位置的位姿数据库中选取训练数据集， 并将训练数 据集中的标定的管片的位姿数据作为特征数据X， 管片摆放位置作为目标属性Y， 将X和Y均 进行标准化处理； (2.2)选用BP神经网络， 作为基于神经网络的地铁盾构施工中管片位姿 的机器学习识 别模型， 所述BP神经网络包括一层输入层、 3层隐藏层和一层输出层， 各层的神经元个数分 别为1、 13、 13、 8、 1， 激活函数为Sigmoid函数， 损失函数为MSELoss， 采用步骤(2.1)标准化的 数据对BP神经网络进行训练。 5.根据权利要求2所述的基于机器学习的地铁盾构施工中管片位姿自动识别方法， 其 特征在于， 所述步骤三中， 将待识别的地铁盾构施工管片的图像也经过裁剪滤波后， 标定其 位姿数据， 输入训练后的BP神经网络中， 即可得到该待识别的地铁盾构施工管片的图像对 应的管片摆放 位置。权　利　要　求　书 1/1 页 2 CN 114937084 A 2基于机器学习的地铁盾构施工中管片位姿自动识别方 法 技术领域 [0001]本发明涉及 地铁盾构施工技术领域， 尤其涉及一种基于机器学习的地铁盾 构施工 中管片位姿自动识别方法。 背景技术 [0002]随着我国城镇化水平不断加快， 特大城市数量越来越多， 城市交通基础设施建设 需求规模不断增大。 地铁作为城市重要公共交通工具， 其工程建设需求量随之增多。 我国从 上个世纪50年代就开始展地铁隧道的建设， 以缓解交通拥堵问题。 在这样的背 景下， 地铁这 种占用土地和空间最少， 运输能量最大、 运行速度最快、 环境污染最小、 乘客最安全舒适的 理想交通方式， 是政 府大力发展的交通方式之一。 [0003]地铁隧道施工方法有很多， 最常见的施工方法是盾构法。 区别与直接在地面开挖 隧道的施工方式， 盾构法的施工过程主要在地下进 行， 既不影响地面交通， 又可减少对附近 居民的噪声和振动影响。 在盾构施工中管片拼装机时一个重要的组成部分， 工作情况最为 复杂， 管片拼装的速度和精度， 直接影响工程施工的速度及质量。 而目前仍需人工操控拼装 机完成管片拼装， 这严重影响了管片拼装机的施工效率和施工质量一致性。 盾构管片拼装 机拼装管片的质量直接影响着隧道施工质量， 拼装机拼装管片的效率直接影响着隧道施工 期限。 在拼装管片任务完成方面， 我国已经逐步掌握盾构管片拼装机的结构设计基本方法， 但是在盾构拼装机自动化智能化等方面， 我国与发达国家 仍有些差距。 日本、 德国等盾构技 术先进的国家已开始研究管片的自动化拼装， 尝试远程或无人干预 的拼装操作， 国内拼装 机在自动化和智能化方面仍有很大发展空间。 尽管已有不少研究试图解决管片的自动化拼 装中的管片位姿自动识别问题， 但这一研究过程往往需要进行大量的实验， 尤其是实际施 工环境中， 外界干扰因素多， 标定测量困难， 需要 大量的实地测量， 进 行大量的重复实验， 方 能获得管片位姿数据。 因此有必 要减少实验的次数， 降低研究 的成本， 提升获得管片位姿 数 据的效率。 机器学习的出现为科研人员提供了新的思路， 机器学习是人工智能的子集， 能够 依托过去的过程参数， 通过数据拟合的方式进行成形件表面性能的预测。 机器学习在位姿 识别上的应用不仅可以帮助从业人员优化施工过程， 提高工程质量， 更重要的是可以节省 大量时间成本， 并且能让非专业人士也能参与到参数优化的过程中来。 因此把机器学习算 法应用于管片位姿数据具有重要的意 义。 发明内容 [0004]针对现有技术的不足， 本发明提出一种基于机器学习的地铁盾构施工中管片位姿 自动识别方法， 能够快速准确识别盾构施工中管片摆放 位置。 [0005]本发明的目的通过如下的技 术方案来实现： [0006]一种基于机器学习的地铁盾构施工中管片位姿自动识别方法， 该方法包括如下步 骤： [0007]步骤一： 构建地铁盾构施工中管片摆放位置 的位姿数据库， 该数据库 中每个管片说　明　书 1/4 页 3 CN 114937084 A 3