适用于隧道穿越富水破碎带的地质雷达图像智能解译方法

摘要

本发明公开了一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法，包括如下步骤：步骤一、基于数据库中的地质雷达图像建立富水破碎带波形特征标注数据集；步骤二、通过深度学习神经网络算法提取地质雷达波形数据集的图像特征，建立富水破碎带识别基础模型；步骤三、通过数据集的预测训练建立适用于富水破碎带地质雷达波形特征的解译模型；步骤四、形成智能解译系统；步骤五、导入地质雷达图片，生成超前地质预报报告；步骤六、识别出隧道内富水破碎带不良地质体的分布区域和范围大小，确定应对措施。本发明可以提高地质雷达波形图像解译的速度和准确性，减少人工标定的误差影响，提高超前地质预报效率，辅助决策，增加施工的安全性。

说明书

技术领域

本发明涉及隧道超前地质预报领域。更具体地说，本发明涉及一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法。

背景技术

在公路隧道工程建设中，经常遇到地质环境复杂、施工条件恶劣的情况。特别是西南地区山岭隧道的开发过程中，断层破碎带、岩溶、富水带、富水破碎带等不良地质现象时有发生，伴随而来的造成涌水突泥、围岩垮塌大变形等工程事故。所以对于隧道掌子面前方不良地质的探明工作，在整个隧道建设的过程中极其重要。目前通常利用钻探和现代物探等超前地质预报方法来查清隧道开挖工作面前方的工程地质情况，其中地质雷达由于探测精度高、环境适应强、操作简单、对于岩层和水体均有较好的敏感度等优势，在隧道的超前地质预报工作中得到广泛应用。

地质雷达通过电磁波的传播、透射、反射作用来探测目标区域的地质情况，基于信号反馈生成波形图像，反映出区域内的岩体分层与水体分布情况。目前地质雷达波形图像的解译工作途径直观且单一，完全依靠人工。通过技术人员的经验对波形图像特征进行判断，识别出各类地质体的分布范围并进行标定，以此形成超前地质预报报告。这样的方法存在几个关键问题：(1)图像解译速度慢，效率低，人力成本耗费大；(2)由于人的主观性因素影响，每个人对于地质雷达波形图像特征的识别尺度不同，可能会造成地质误判，影响后期工程决策；(3)每个波形图像的解译与其对应报告都是独立的，没有形成完整可分享的数据管理系统。故必须重视地质雷达波形图像解译的精细化与系统化，开发一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法。

发明内容

本发明的一个目的是提供一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法，可以提高地质雷达波形图像解译的速度和准确性，减少人工标定的误差影响，提高超前地质预报效率，通过建立全天候可实时共享的地质数据库实现工程方案辅助决策，增加施工的安全性。

为了实现根据本发明的这些目的和其它优点，提供了一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法，包括如下步骤：

步骤一、基于现有工程项目及数据库中的地质雷达图像建立富水破碎带波形特征标注数据集；

步骤二、通过深度学习神经网络算法提取地质雷达波形数据集的图像特征，建立富水破碎带识别基础模型；

步骤三、通过数据集的预测训练建立适用于隧道穿越富水破碎带地质雷达波形特征的解译模型；

步骤四、形成内嵌解译模型及其算法的一体化智能解译系统；

步骤五、工程人员通过智能解译系统导入地质雷达图片，生成解译结果即对应的超前地质预报报告；

步骤六、根据超前地质预报报告识别出隧道内富水破碎带不良地质体的分布区域和范围大小，从而确定应对措施。

优选的是，所述步骤一具体包括：

S11、通过对现有工程项目及数据库中的地质雷达图像数据进行提取，收集得到包含正常无不良地质、富水带、破碎带、富水破碎带这四类地质现象的地质雷达图像初始数据集并分别标定，且四类地质体在地质雷达波形图中共同平均分布；

S12、基于电磁波正演模拟机制提取不同地质体雷达波形图的特征信号，并对四类地质体的波形进行特征区分，确定出富水破碎带不良地质体在地质雷达波形图中的具体特征；

S13、结合步骤S12的特征区分结果以及步骤S11中对四种地质体的标定结果，通过专家二次验证的方式最终确定初始图像数据集中各图像上富水破碎带的位置，并进行标注，形成地质雷达图像初始标注数据集；

S14、根据地质雷达图像初始标注数据集的图像数量进行相应的图像处理，以强化图像特征并完成数据集增广，最后形成地质雷达图像富水破碎带波形特征标注数据集。

优选的是，所述步骤S12中在正演模拟时，根据参数修改建立不同的地质体模型，放大地质雷达波形图的信号特征，以此对四类地质体的地质雷达波形特征进行区分。

优选的是，所述步骤S14具体为：若地质雷达图像初始标注数据集的图像数量大于设定值，则仅需要进行滤波与去噪优化以加强图像分辨率与灰度特征；若地质雷达图像初始标注数据集的图像数量小于设定值，则在滤波去噪强化特征的基础上还要进行数据集增广，数据集增广方式包括几何变换、噪声注入、噪声擦除。

优选的是，所述步骤二中通过特征提取网络和目标检测网络的优化设计提取富水破碎带地质雷达波形特征，特征提取网络基于ResNet基础残差网络结构进行设计，设计包含输入层、卷积层、瓶颈层、平均池化层、全连接层、输出层的多层结构的深度卷积神经网络检测模型，预测包含不良地质体位置的预测边框和结果可能性指标的结果；目标检测网络基于YOLO基础网络结构进行优化，通过给定输入的地质雷达图像，直接在图像的多个位置上识别预测出富水破碎带地质体的范围框以及其分类类别；从而在地质雷达波形图上实现特征目标检测与标定，建立富水破碎带识别基础模型。

优选的是，所述步骤三具体包括：

S31、通过改进确定合适的数据加载算法，将步骤一中获取的富水破碎带波形特征标注数据集调取载入至步骤二中富水破碎带识别基础模型中；

S32、针对富水破碎带检测目标任务建立相应的损失函数的误差评判方式，包含置信度损失函数与定位损失函数；

S33、选择Tanh函数通过归一化处理将目标损失函数和模型输出结果的数值收敛在 (0，1)范围内，得到定位的目标区域富水破碎带不良地质发生概率；

S34、通过模型的不断迭代训练完成超参数寻优，调整获取最好的超参数值；

S35、通过验证数据集的预测效果评判模型精度与实用性，即通过使用精度以及召回率的计算结果判断测试是否达到要求，若是，则当前的网络模型作为训练好的适用于隧道穿越富水破碎带地质雷达波形特征的解译模型；否则，调整模型的参数进行重新训练来优化结果，直到训练后的网络模型测试结果能够满足任务要求。

优选的是，智能解译系统包括用户注册单元、系统登录单元、菜单功能单元、项目管理单元、图片编辑单元、解译分析单元、报告生成单元、后台管理单元；

所述用户注册单元显示注册页面，显示内容包括姓名、公司名称、注册账号和登陆密码，新用户通过用户注册单元提交注册页面的信息后，提交至后台管理单元进行信息核实，然后授权注册新用户为授权使用人群；

所述系统登录单元显示登录界面，显示内容包括账号输入窗口、密码输入窗口和登录按钮，登录按钮包括管理员登录和用户登录两种模式，“管理员登陆”模式下，可以对智能解译系统中的所有菜单功能单元进行设置，并对部分用户权限进行调整；而“用户登陆”模式下，只能进行地质雷达图片解译和报告的查看下载；

所述菜单功能单元显示内容包括系统账号的增删、权限的调整、项目的管理、登录日志；

所述项目管理单元显示内容包括项目新建、项目编辑、文件上传、项目查找，项目新建包括项目的基本信息输入，项目基本信息包括①公司名称；②项目名称；③隧道名称；④测点起始里程；⑤测点终止里程；

所述图片编辑单元显示内容包括①多段线绘制；②删除线；③平移；④自动去噪；⑤灰度调整；⑥撤销；⑦恢复，通过图片编辑单元可以对已上传的准备解译的原始地质雷达图片做初步处理与人工修正，调整分辨率和灰度信息，增强特征；

所述解译分析单元内嵌有解译模型，显示内容包括①自动解译；②人工校正；③两点距离测量；④闭合线面积测量；⑤缩小、放大查看；通过对编辑处理后的地质图像自动解译来识别破碎带、富水带、富水破碎带不良地质体的具体位置和形状尺寸，并在输出地质雷达图形上标注出不良地质体的边界和几何特征；针对自动解译结果存在的问题，可以人工对自动识别结果进行校正，包括修正不良地质体的类型和赋存的位置、范围和几何尺寸；通过两点距离测量和闭合线面积测量功能可以对比图片的比例尺确定现实中不良地质体的分布区域大小；

所述报告生成单元在确认结果无误后生成多种格式的解译报告结果，内容包括①工程名称；②隧道名称；③解译日期；④测点起始里程；⑤测点终止里程；⑥方法依据；⑦仪器设备编号；⑧解译结果图片；⑨解译结论。

优选的是，智能解译系统中还包括Utils层日志记录模块，用于对预训练模型运行、训练的全过程进行参数可视化并记录，包括文件夹创建、图像文件读取、时间记录、配置说明、路径说明多个信息可视化与记录功能。

优选的是，智能解译系统中还内嵌有解译模型的算法，智能解译系统中还包括数据库上传单元，所述数据库上传单元由用于自主选择是否将此次结果到数据库中，当成功上传后，可以通过解译模型的算法中的训练学习模块，软件自动进入学习状态，将此次解译结果纳入深度学习数据库的一部分。

本发明至少包括以下有益效果：

本发明的适用于隧道穿越富水破碎带的地质雷达图像智能解译方法及解译系统，基于实际工程地质雷达图像数据库的原始样本，通过电磁波正演模拟机制与专家标定二次验证的方法，以图像增强增广处理技术为辅助手段形成地质雷达图像富水破碎带波形特征标注数据集，增强了地质雷达图像特征与分辨率，解决了人工智能网络学习样本少，地质雷达波形图像分类难的问题。通过建立基于卷积神经网络深度学习算法的地质雷达图像智能识别解译模型，准确快速预测出隧道建设过程中富水破碎带等不良地质体的分布区域与存在概率。开发内嵌此模型的一体化云端解译系统，输出地质雷达图像解译结果与超前地质预报报告。全过程智能自动化，大大提高了超前地质预报工作效率，增强了地质图像解译精度，为工程设计及施工管理提供辅助决策依据，减少人工预测的误差影响，提升了施工的安全性。

本发明的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本发明的研究和实践而为本领域的技术人员所理解。

附图说明

图1为本发明的智能解译方法的流程图；

图2为本发明富水破碎带识别基础模型图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

需要说明的是，下述实施方案中所述实验方法，如无特殊说明，均为常规方法，所述试剂和材料，如无特殊说明，均可从商业途径获得；在本发明的描述中，术语“横向”、“纵向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，并不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

如图1所示，本发明提供一种适用于隧道穿越富水破碎带的地质雷达图像智能解译方法，包括如下步骤：

步骤一、基于现有工程项目及数据库中的地质雷达图像建立富水破碎带波形特征标注数据集；具体包括：

S11、通过对现有工程项目施工现场应用地质雷达手段的超前地质预报案例采集，以及高校、研究所等研究机构的地质雷达图像数据库中的地质雷达图像数据进行提取，收集得到包含正常无不良地质、富水带、破碎带、富水破碎带这四类地质现象的地质雷达图像初始数据集并分别标定，且四类地质体在地质雷达波形图中共同平均分布；数量上，保持四类地质体图像均衡发展，图像参数方面，分辨率、宽高比、特征中心点位置分布等无需设置统一标准，并且可以通过不同参数设置增加后续样本多样性，保证深度学习模型的泛化性；

S12、基于GprMax软件针对地质雷达图像初始数据集中的地质体进行电磁波正演模拟，根据参数的修改建立不同的地质体模型，放大地质雷达信号特征，以此对四类地质体的地质雷达波形特征进行区分，确定出富水破碎带不良地质体在地质雷达波形图中的具体特征。其中时空参数包括：空间步长(空间上两个节点之间的垂直距离)，时间步长(前后两个时间点之间的差值)，时窗大小(模型窗口大小)；材料参数包括：介电常数、电导率、磁导率、磁损率；模型参数包括：形状、位置、材料等；

S13、结合步骤S12的正演模拟波形特征区分结果以及步骤S11中前期技术人员对现有的四种地质体烦人地质雷达初始数据集图像的标定结果，通过专家二次验证的方式最终确定初始图像数据集中各图像上富水破碎带的位置，并进行标注，以富水破碎带为标签内容标注所有包含富水破碎带区域的地质雷达波形图，形成地质雷达图像初始标注数据集；

S14、根据地质雷达图像初始标注数据集的图像数量进行相应的图像处理，以强化图像特征并完成数据集增广，最后形成地质雷达图像富水破碎带波形特征标注数据集。如果数据集中的图片数量大于1000张，则仅需要进行滤波与去噪优化以加强图像分辨率与灰度特征；如果数据集中的图片数量小于1000张，则在滤波去噪强化特征的基础上需要完成数据集增广，数据增广方式包括几何变换、噪声注入、噪声擦除等。

通过一些几何变换如镜像、翻转、缩放等方式让地质雷达波形图像中的深层次信息更好地表征出来，同时向图像中随机注入一些噪声以及随机擦除一些原有的噪声都能在一定程度上扩大数据集，模拟出地质雷达采集数据时收到外界环境干扰时产生的一些噪音波形。通过人为地给图像施加噪声干扰，可为数据集引入冗余和干扰信息，模拟不同成像质量的图像，增强后续深度学习模型对噪声干扰和冗余信息的过滤能力，提高模型对不同质量图像的识别能力，加强模型在遮挡条件下的鲁棒性。最后形成地质雷达图像富水破碎带波形特征标注数据集。

步骤二、通过深度学习神经网络算法提取地质雷达波形数据集的图像特征，建立富水破碎带识别基础模型；

通过特征提取网络和目标检测网络的优化设计提取富水破碎带地质雷达波形特征，在地质雷达波形图上实现特征目标检测与标定。设置合适的初始结构与参数实现模型全过程动态可调。

特征提取网络基于ResNet基础残差网络结构进行设计，以便更好的提取地质雷达图像的深层特征。一般而言，神经网络模型随着网络结构层数深度的增加，其特征提取效果越好，但是实际情况中增加层数深度首先要面对的就是梯度弥散的问题，导致模型难以训练且结果不再收敛。所述ResNet网络通过引入Shortcut策略实现模型深层网络和浅层网络的恒等映射，通过残差模块的堆叠，在加深网络模型深度的同时解决网络梯度消失的问题。

目标检测网络基于YOLO基础网络结构进行优化，通过给定输入的地质雷达图像，直接在图像的多个位置上识别出富水破碎带等地质体的范围框以及其分类类别。基于YOLO网络的优化结构可以一次性预测多个地质体的类别和位置，实现端到端的目标检测和识别。通过选用整图识别训练的方式代替传统滑动窗口识别预测，可以更好的区分富水破碎带地质体和背景区域。

基于模型的性能与训练效率的综合考虑，设计60层结构的深度卷积神经网络检测模型。如图2所示，包括包含输入层、卷积层、瓶颈层、平均池化层、全连接层、输出层。其中60层指代第一层卷积层、中间58层的卷积—瓶颈层结构、平均池化层结构。根据模型训练的效果与要求可以进行动态调整，增加层数则后续识别精度高、速度慢，减少层数则后续识别精度低、速度快。

输入层输入未识别的基础地质雷达图像；卷积层通过卷积核对图像实现从左到右从上至下的互相关运算，保留地质雷达图像对应各类地质体的主要特征；瓶颈层用于减少程序运行与预测分析的计算量，在与1×1、3×3卷积核大小的卷积层交叉衔接的过程中降低、升高特征维度，减少了参数的数量，从而减少计算量，且在降维之后可以更加有效、直观地进行数据的训练和特征提取；平均池化层通过对卷积—瓶颈层得到的图像数据特征进行降维与压缩，去除了冗余信息，简化了网络复杂度、减少了计算量与内存消耗，保证了特征的不变性；全连接层将平均池化层的所有特征转化成低维的特征矩阵，整合了卷积层、瓶颈层、平均池化层中具有类别区分性的所有局部信息。最后输出层得到特征标记好的地质雷达波形图像。整个模型搭建过程通过将输入图片网格化为8×8的子网格，对每个子网格进行一次预测，预测结果包含不良地质体位置的预测边框和结果可能性指标，表征为 (x，y，a，b，c)等5个参数，其中(x，y)为测边框中心点坐标，(a，b)是预测边框以中心点为原点的宽高；c代表检测结果的可能性指标，也就检测的目标区域中发生富水破碎带等不良地质现象的可能性。最后输出8×8×5的数据预测整体特征结果。

由于初始模型的图像识别效果受数据条件限制，无法一开始就达到较好的训练预测精度，通过设计合理的预训练模型能够提高对于地质雷达波形类灰度图像的初始学习能力。本方法选择引入ImageNet项目中用于视觉对象识别研究的大型可视化数据库，建立预训练模型对深度学习模型进行参数的初始化，使得模型具有一定的图片学习能力和更好的泛化效果。

设计Utils层日志记录模块，对模型运行、训练的全过程进行参数可视化并记录。将模型的常用功能封装成为接口，放入工具代码库中，直接调用，大大提升运行效率。包含有：文件夹创建、图像文件读取、时间记录、配置说明、路径说明等多个信息可视化与记录功能。

步骤3，通过数据集的预测训练建立适用于隧道穿越富水破碎带地质雷达波形特征的解译模型。

通过改进优化确定合适的DataLoader数据加载算法，将步骤一获取的地质雷达图像富水破碎带波形特征标注数据集进行调取载入。使用多进程同步运行来加速图像数据读取，能够适配不同宽高比与特征中心点位置的图像。根据输入训练样本图像分辨率不一致的问题，对高分辨率数据采用像素压缩、对低分辨率数据采用像素插值的方法将图像分辨率统一为640pixel x 640pixel。最终地质雷达波形图像数据集样本分布为：80％为训练数据集、 20％为验证数据集。

针对富水破碎带检测目标任务建立相应的损失函数，以衡量模型预测的好坏。富水破碎带定位探测模型主要完成目标检测和目标定位两部分的任务，其损失函数可设计为：

Loss＝L

其中，L

目标置信度损失函数L

L

其中，a

目标定位损失函数L

其中，A为富水破碎带预测结果框面积，B为标注的富水破碎带真实样本框面积，C为能包围住A和B的最小框面积，

由于目标损失函数中部分参数的取值难以界定在(0，1)的范围内，需要进行归一化处理。本方法选择Tanh函数作为激活函数进行归一化处理：

同时对于模型最后输出8×8×5的数据预测整体特征结果进行Tanh函数归一化，将预测结果的概率分布约束在(0，1)区间内，得到定位的目标区域富水破碎带不良地质发生概率。

训练过程通过重复多次迭代来不断更新参数，直至结果最优，每次训练过程中，先通过训练数据集训练得到模型参数，然后通过验证数据集评估该组参数，然后进行下次迭代的训练，直到完成设定的N次迭代训练或者评估结果满足预先设置的要求。

通过验证数据集的预测效果评判模型精度与实用性，完成模型的测试评估。为了尽可能真实客观的反映训练模型的准确度，使用精度以及召回率这两个参数来进行评价，其中精度是指预测是富水破碎带现象的样本实际上也是富水破碎带现象的样本的比例，公式如下：

式中，TP——预测为富水破碎带，实际情况也是富水破碎带的样本数量；FP——预测为富水破碎带但实际上不是富水破碎带的样本数量。

召回率是指所有的实际上是有富水破碎带现象的样本被正确预测为富水破碎带现象的样本比例，公式如下：

式中，FN——预测不是富水破碎带而实际上却是富水破碎带的样本数量。

根据精度与召回率的计算结果判断测试是否达到要求。若是，则将当前的网络模型作为训练好的适用于隧道穿越富水破碎带地质雷达波形特征的解译模型；否则，调整模型的参数进行重新训练来优化结果，直到训练后的网络模型测试结果能够满足任务要求。

步骤四、形成内嵌解译模型及其算法的一体化智能解译系统；开发满足隧道工程人员使用习惯的人机交互界面，协调布置局域网服务器，登录账号即可实时分享数据，包括项目、公司、隧道、里程等信息的在线共通。在地质雷达图像解译完成后生成对应的解译报告。基于步骤三的解译模型，开发适用于工程习惯的软件系统框架，辅助相关岗位人员的技术决策，首先搭建在应用交互层用户界面友好的系统平台，切实满足工程人员使用；确定好系统各模块功能及界面的基础上，并内嵌解译模型算法，即包含解译模型的获取方法，即步骤一至三的过程。

主体功能模块包括用户注册单元、系统登录单元、菜单功能单元、项目管理单元、图片编辑单元、解译分析单元、报告生成单元、数据库上传单元、后台管理单元；

所述用户注册单元显示注册页面，显示内容包括姓名、公司名称、注册账号和登陆密码，新用户通过用户注册单元提交姓名、公司名称、注册账号和登陆密码注册页面的信息后，提交至后台管理单元通过软件管理人员进行信息核实，然后授权注册新用户为授权使用人群；后台还可以根据需要，授权新用户是“普通用户”还是“管理员用户”；

所述系统登录单元显示登录界面，显示内容包括账号输入窗口、密码输入窗口和登录按钮，登录按钮包括管理员登录和用户登录两种模式，“管理员登陆”模式下，可以对智能解译系统中的所有菜单功能单元进行设置，并对部分用户权限进行调整；而“用户登陆”模式下，只能进行地质雷达图片解译和报告的查看下载；

所述菜单功能单元显示内容包括系统账号的增删、权限的调整、项目的管理、登录日志；各功能模块化设计，可以根据实际需求进行调整，提高系统的适用性；

所述项目管理单元显示内容包括项目新建、项目编辑、文件上传、项目查找，项目新建包括项目的基本信息输入，通过输入项目的基本信息，归集分类地质情况，便于后期资料查询，项目基本信息包括①公司名称；②项目名称；③隧道名称；④测点起始里程；⑤测点终止里程；文件上传将地质图像上传到系统中保存；

所述图片编辑单元显示内容包括①多段线绘制；②删除线；③平移；④自动去噪；⑤灰度调整；⑥撤销；⑦恢复，通过图片编辑单元可以对已上传的准备解译的原始地质雷达图片做初步处理与人工修正，调整分辨率和灰度信息，增强特征；

所述解译分析单元内嵌有解译模型及算法，显示内容包括①自动解译；②人工校正；③两点距离测量；④闭合线面积测量；⑤缩小、放大查看；通过对编辑处理后的地质图像自动解译来识别破碎带、富水带、富水破碎带不良地质体的具体位置和形状尺寸，并在输出地质雷达图形上标注出不良地质体的边界和几何特征；针对自动解译结果存在的问题，可以人工对自动识别结果进行校正，包括修正不良地质体的类型和赋存的位置、范围和几何尺寸；通过两点距离测量和闭合线面积测量功能可以对比图片的比例尺确定现实中不良地质体的分布区域大小；

所述报告生成单元在在地质图像解译完成，确认结果无误后生成包含word格式和pdf 格式等多种格式的解译报告结果，在相应的项目管理目录下便捷查找可下载。报告格式可以根据项目及公司的要求自行设定，内容包括①工程名称；②隧道名称；③解译日期；④测点起始里程；⑤测点终止里程；⑥方法依据；⑦仪器设备编号；⑧解译结果图片；⑨解译结论；

所述数据库上传单元由于系统具有不断学习和改进的功能，在解译完成后，由用于自主选择是否将此次结果到数据库中，不断提高系统自身的识别能力，当成功上传后，可以通过训练学习模块，即通过步骤一至三，软件自动进入学习状态，将此次解译结果纳入深度学习数据库的一部分。

步骤五、工程人员通过智能解译系统导入地质雷达图片，生成解译结果即对应的超前地质预报报告；工程人员通过地质雷达现场采集某隧道某区域的地质波形图像，通过自身账号登陆地质雷达图像智能解译系统，录入项目名称、公司所属、隧道名称、里程桩号、数据采集仪器、采用标准规范等相关信息，导入地质雷达图片，进行初始编辑处理后，一键解译，自动化识别，生成解译结果与超前地质预报报告，预测出隧道存在的富水破碎带等不良地质体的区域分布情况。

步骤六、根据超前地质预报报告识别出隧道内富水破碎带不良地质体的分布区域和范围大小，从而确定应对措施，辅助施工决策。

在识别出隧道内富水破碎带等不良地质体的分布区域和范围大小后，可以根据现场的施工进度、技术水平提供相应的解决措施，辅助施工决策。由于富水破碎带常引发突水突泥等地质灾害，可采取下列方法进行防治：

(1)隧道涌水按照“以堵为主，堵排结合”，对于富水破碎带地段，根据查明的地下水分布情况和涌水量大小，分别采用全断面帷幕注浆、全断面周边预注浆、局部注浆堵水等方式，封堵地下水，开挖后及时加强支护，保证施工安全。

(2)破碎带软弱围岩地段采用超前支护，然后再开挖，开挖方式选择微台阶和CD法，避免大爆破大断面掘进。有水时，采用超前注浆加固围岩并堵水，开挖后及时加强支护，根据量测情况考虑是否施作二次衬砌。

(3)全断面周边预注浆堵水，封闭围岩的渗漏水通道。洞内设置足够的排水设施，满足排水需要。

(4)加强现场监控量测，加密量测断面，加强对拱顶下沉、周边位移的监测力度，及时反馈调整支护参数。

依据上述具体步骤，进而逐步开展隧道穿越富水破碎带的地质雷达图像智能解译，完成超前地质预报重点工作。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。