一种基于深度学习掌子面勘测方法

本发明公开了一种基于深度学习掌子面勘测方法，包括：获取掌子面及其周边区域的高分辨率点云数据并对数据进行预处理；将隧道掌子面区域与周围区域自动分割，从分割的掌子面点云中提取微小的变形特征；构建CNN卷积神经网络和LSTM长短期记忆网络的融合预测模型FDNN，提取掌子面点云的空间特征，处理点云变形数据的时间依赖性，捕捉掌子面在施工期间的动态变化；进行模型训练优化损失函数，调整模型参数并进行多轮迭代训练；将实时点云数据输入训练好的融合预测模型FDNN，进行掌子面变形趋势预测，并预设变形安全阈值。本方案实现了变形特征的全面学习，并捕捉到掌子面细微的时空变化，提高了监测效果。