买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中铁北京工程局集团第一工程有限公司;西安建筑科技大学申请的专利一种基于深度学习和神经网络的隧道光面爆破设计参数智能优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN119848978B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202411685503.7，技术领域涉及：G06F30/13；该发明授权一种基于深度学习和神经网络的隧道光面爆破设计参数智能优化方法是由杨棚涛;李静慧;白李康;熊超;高华;宋战平;谢飞;胡康泰;匡涛设计研发完成，并于2024-11-23向国家知识产权局提交的专利申请。

本一种基于深度学习和神经网络的隧道光面爆破设计参数智能优化方法在说明书摘要公布了：本发明为一种基于深度学习和神经网络的隧道光面爆破设计参数优化方法，属于隧道爆破施工技术领域，解决目前对隧道爆破设计参数的优化设计问题，本发明的步骤包括：将处理后的图像数据载入SP‑Yolov8模型和Yolov8‑seg模型中，对应输出主结构面倾角类别和主结构面区域，提取主结构面信息得到主结构面位置，将爆破设计参数、完整性系数、单轴抗压强度、主结构面倾角类别、主结构面位置输入DBN模型中，输出最大线性超挖预测值，比较最大线性超挖预测值与限值的关系，输出最终爆破设计参数。本发明的方法能够快速且准确地获得最终爆破设计参数，具有提取特征信息准确，高鲁棒性、收敛速度快等优点。

本发明授权一种基于深度学习和神经网络的隧道光面爆破设计参数智能优化方法在权利要求书中公布了：1.一种基于深度学习和神经网络的隧道光面爆破设计参数优化方法，其特征在于，包括以下步骤： S1：选取爆破设计参数、完整性系数与单轴抗压强度； S2：获取隧道掌子面图像数据并预处理； S3：将预处理后的隧道掌子面图像数据载入SP-Yolov8模型和Yolov8-seg模型中，对应输出主结构面倾角类别和主结构面区域； 所述步骤S3中，SP-Yolov8模型是对Yolov8模型的Backbone网络结构优化后得到，并通过SP-Yolov8模型对隧道掌子面的主结构面倾角进行分类识别，具体优化步骤如下： S31：在三个非对称卷积块上并行增加一个Identity层，形成SP-DWConv2D卷积层； S32：将SP-DWConv2D卷积层带入Bottleneck结构，依次向上替换，形成SP-C2f模块网络结构； S33：用SP-C2f模块网络结构替换Yolov8模型中的C2f模块，得到SP-Yolov8模型； 基于Yolov8模型中的Head结构，通过增加主结构面的长宽比约束条件和距离约束条件的Soft-NMS过滤算法，优化后得到Yolov8-seg模型，以Yolov8-seg模型剔除虚假主结构面，得到主结构面区域，具体步骤包括： 首先，基于长宽比约束条件，计算检测框的左上角坐标和右下角坐标的长宽比，之后引入长宽比约束条件，再计算每个检测框的长宽比，若检测框的左上角坐标和右下角坐标的长宽比大于等于长宽比约束条件，则剔除此类范围过大或无用的检测框，得到新的检测框集合； 然后，基于距离约束条件，将新的检测框的概率分数从高到低排序，基于检测框的左上角坐标和右下角坐标计算其中心坐标，以为中点，引入距离约束条件R，当与距离小于等于R时，则剔除概率分数较低的检测框； S4：对主结构面区域进行主结构面信息提取，得到主结构面位置； S5：将爆破设计参数、完整性系数、单轴抗压强度、主结构面倾角类别、主结构面位置输入到优化后的DBN模型中，输出最大线性超挖预测值； S6：若输出的最大线性超挖预测值高于限值，修改爆破设计参数，返回步骤S5中重新预测，直至输出的最大线性超挖预测值小于等于限值时，输出最终爆破设计参数。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中铁北京工程局集团第一工程有限公司;西安建筑科技大学，其通讯地址为：710055 陕西省西安市国家民用航天产业基地航创路259号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。