Page 35 - 2024年第55卷第1期

４ 工程实例

以某长距离引水隧洞工程 ＴＢＭ施工日志为例，采用本文方法对施工活动时间信息进行智能提取。
每页施工日志记录一个班次的 ＴＢＭ施工活动，一个班次为 １２ｈ，每日 ８∶００至 ２０∶００为白班，２０∶００
至次日 ８∶００为夜班。表格每一行代表 １５ｍｉｎ，每一列代表 ＴＢＭ 掘进及停机活动。本研究在该工程
１７个月的施工日志原始照片中将清晰度低和不完整图像排除，选取 ９７７张图像作为数据集图像。
４．１ 数据预处理 对施工日志原始图像进行基于单应性变换的图像预处理，经过预处理后图像像素尺
寸长为 １０２４，宽为 ３８４；最后，对处理后的图像中的手绘横道图进行标注。在全部 ９７７张原始图像经
过预处理后，选择 ７５０张图像作为训练集，并通过上下翻转、左右翻转和 １８０°旋转的数据增强操作，
最终得到包含 ３０００张图像的训练集，原始图像中剩余的 ２２７张图像作为验证集。图 ７为数据集预处理
结果示例，红色线段为手绘横道图标签。

图 ７ 数据集原图和标注结果
４．２ 基于改进 ＨＴ － ＬＣＮＮ模型的手绘线段检测结果 本案例搭建模型使用服务器为 Ｉｎｔｅｌ  Ｘｅｏｎ
Ｇｏｌｄ６１３２ＣＰＵ，ＱｕａｄｒｏＲＴＸ８０００显卡，Ｕｂｕｎｔｕ１６．０４操作系统。模型在训练过程中，总训练轮数设置
为 ２７轮，单批训练和验证图像数量设置为 ８，学习率设置为 ０．００１。
图 ８以 ２０１５年 ８月 ２１日白班的施工日志为例，展示了基于改进 ＨＴ － ＬＣＮＮ的施工日志手绘横道
图线段的自动检测结果，如图中红色线段所示。局部放大图中标注了部分线段端点的归一化坐标值。
由图可知，该模型在检测手绘线段时能够排除与其颜色、粗细相近的表格模板与印刷及手写文字的干
扰，并对手绘线段中比较复杂的情况具有良好的识别效果，能够准确地检测到较短和不平直的线段。例
如，图 ８中线段 ＡＢ代表 ＴＢＭ施工中的换步活动，其持续时间短，故手绘线段较短；线段 ＢＣ代表该活
动与下一活动的衔接关系，其手绘线有明显的弯曲。对于检测目标 ＡＢ与 ＢＣ，模型能够准确地得到三个
端点的位置，与施工日志记录的本意一致，既未漏识别点 Ｂ，也没有将 ＢＣ识别为多条线段。因此，该模
型能够精准地检测出手绘横道图线段，从而确保后续步骤所转化的施工时间信息的准确性。
４．３ 施工活动时间信息提取结果 本案例选取某长距离输水隧洞 ＴＢＭ 施工从 ２０１５年 ３月至 １２月掘
进报告，采用人工提取和本文方法提取两种方式，共采样 ２７９班次施工活动。施工日志中所列施工活
动共 １５项，依次为：保养（Ａ），掘进（Ｂ），换步（Ｃ），支护（Ｄ），仰拱施工（Ｅ），通风（Ｆ），供排水处
理（ Ｇ），刀盘检修（Ｈ），机械检修（Ｉ），液压检修（Ｊ），电气故障（Ｋ），机械润滑（Ｌ），皮带检修（Ｍ），
材料运输（Ｎ），其他停机故障（Ｏ）。
人工提取时间根据施工日志记录，若所绘横道图线段旁有文字注明起止时刻，或端点落在表格线
上，则以文字记录或表格线的时刻为准。例如，图 ８中活动 Ｄ结束时刻旁有文字记录，则其结束时刻
为 ８∶５０；若无文字记录，则根据端点所在位置估读。部分提取结果对比如图 ９所示。

— ３ ０ —