夏毅敏 ，李清友 ，邓朝辉 ，龙 斌 ，姚 捷

（1. 中南大学高性能复杂制造国家重点实验室，湖南 长沙 410083；2. 中南大学机电工程学院，湖南 长沙 410083；3. 中铁第四勘察设计院集团有限公司，湖北 武汉 430063；4. 中国铁建重工集团股份有限公司，湖南 长沙 410100）

随着山区地下工程[1]的发展，隧道施工过程中精准、快速地进行岩性识别可以为采用正确围岩支护[2]方式减少时间消耗，避免造成隧道塌方，是施工安全方面关注的重点. 目前施工现场依据现场施工人员经验、实验室力学实验、理论分析与现场声波测试等方法对围岩特性进行检测识别[3]，其中岩石岩性是支护时机与支护方法选取的影响因素之一[4]，因此，有必要对岩石岩性快速准确的识别方法开展研究.

目前，学者们针对岩石特征的提取方法开展了大量研究，其中采用图像处理技术提取隧道岩石表面特征的方法被大量应用：Wei等[5]提出了一种将K均值聚类与概率神经网络相结合的方法应用于岩石薄片图像中，实现岩石孔隙纹理识别自动化；罗佳等[6]利用裂缝具有方向性与连续性等特征，提出了一种基于自适用阈值和连通域标记的隧道裂缝提取方法；刘烨等[7]提出一种结合图像颜色空间与形态学梯度进行岩石自动分类方法.

近些年来，随着卷积神经网络在图像识别领域的使用[8]，深度学习的优越性也逐渐体现，其利用多层网络处理数据从而达到提取特征的目的[9]. 在语义识别、图像识别[10]、物体检测等方面，深度……