CN109872318A - 一种用于深度学习的地质露头裂缝数据集制作方法 - Google Patents
一种用于深度学习的地质露头裂缝数据集制作方法 Download PDFInfo
- Publication number
- CN109872318A CN109872318A CN201910131407.0A CN201910131407A CN109872318A CN 109872318 A CN109872318 A CN 109872318A CN 201910131407 A CN201910131407 A CN 201910131407A CN 109872318 A CN109872318 A CN 109872318A
- Authority
- CN
- China
- Prior art keywords
- crack
- geology
- appeared
- sample
- data set
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigation Of Foundation Soil And Reinforcement Of Foundation Soil By Compacting Or Drainage (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开了一种用于深度学习的地质露头裂缝数据集制作方法,基本步骤为:采用无人机获取目标地区的地质露头的原始图像;确定样本选区的大小;在地质露头的原始图像上进行露头裂缝样本的选取;在地质露头的原始图像上进行非露头裂缝(复杂背景)样本的选取;对露头裂缝样本和非露头裂缝样本进行标记;对标记完的样本数据集进行质量评价,最终可得到高质量的地质露头裂缝数据集。本发明提供的方法具有科学合理、易于实现、质量高等优点,通过对地质露头中复杂背景岩体的分类总结和选取,制作出高质量的地质露头裂缝数据集。
Description
技术领域
本发明涉及图像生成的技术领域,尤其涉及地质露头裂缝图像样本生成的应用领域,具体说是一种用于深度学习的地质露头裂缝数据集制作方法。
背景技术
地质露头的观察一直以来是地质工作者必不可少的研究内容,这项工作长期以来需要地质人员到达目标地区,将研究对象拍照或手绘记录来进行统计分析,这种方式工作效率低、部分地区无法获取数据、数据利用率低、且有一定的安全隐患。随着深度学习的发展,模型的识别能力越来越强,已成功实现对道路桥梁中裂缝的识别。因此,对地质露头裂缝的自动识别已成为可能,并且具有很大的实用价值。
地质露头裂缝自动识别的第一步就是具有高质量的样本数据集,而相比道路桥梁中的裂缝样本,地质露头裂缝的样本有着更复杂的背景,识别难度更大。该方法对复杂的背景岩体进行了分类总结和选取,实现了高质量地质露头裂缝样本数据集的制作。
发明内容
(一)要解决的技术问题
本发明提供了一种用于深度学习的地质露头裂缝数据集制作方法,对地质露头复杂的地质背景进行了分类总结和选取,制作了可以用于深度学习模型的地质露头裂缝样本数据集。
(二)技术方案
本发明包含以下步骤:
(1)利用无人机对目标地区的地质露头进行数据采集,得到地质露头的原始图像;
(2)确定样本选区大小;
(3)根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行露头裂缝样本选取;
(4)根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行非露头裂缝(复杂背景)样本选取;
(5)对步骤(3)和步骤(4)中选出的露头裂缝样本和非露头裂缝(复杂背景)样本进行标记,得到标记图像;
(6)利用深度学习模型,对标记完的样本数据集进行质量评价。
进一步,所述步骤(1)中数据采集时分辨率优于1cm,图像格式为2-D彩色图像(.jpg)。
进一步,所述步骤(2)中样本选区大小为256×256(单位:像素)。
进一步,所述步骤(4)中非露头裂缝(复杂背景)包括:山体与山体、山体与天空交界,人工设施,地表水流痕(包含:含泥沙沉积、盐碱沉淀、冲刷痕),山体砾石堆积体,阴影边界,风化淋滤带,表层风化缝。
进一步,所述步骤(5)中,非露头裂缝(复杂背景)标记为0,露头裂缝标记为1,标记图像的格式为2-D灰度图像(.png)。
进一步,所述步骤(6)中所用深度学习模型为SegNet、GoogleNet、UNet,质量评价指标为分类精度,且都高于85%。
(三)有益效果
本发明的优点体现在:
由于地质露头复杂的背景岩体,为地质露头中裂缝的自动识别带来了很大的挑战。本发明对地质露头中不同的地质体进行了总结分类和选取,明确了地质露头中非裂缝复杂背景岩体的种类,制作出了高质量的地质露头裂缝数据集,对于地质露头裂缝的自动识别具有重要的意义。
附图说明
图1为本发明实施的步骤流程图,
图2为在原始图像上选取露头裂缝样本的示意图,
图3为选取的非露头裂缝样本中的山体与山体、山体与天空交界,
图4为选取的非露头裂缝样本中的人工设施,
图5为选取的非露头裂缝样本中的地表水流痕,
图6为选取的非露头裂缝样本中的山体砾石堆积体,
图7为选取的非露头裂缝样本中的阴影边界,
图8为选取的非露头裂缝样本中的风化淋滤带,
图9为选取的非露头裂缝样本中的表层风化缝,
图10为样本标记示意图。
具体实施方式
为使本发明的目的、内容、和优点更加清楚,下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述:
参照图1,本发明的具体实施步骤为:
(1)利用无人机对目标地区的地质露头进行数据采集,得到地质露头的原始图像;
其中,数据采集时分辨率优于1cm,图像格式为2-D彩色图像(.jpg)。
(2)确定样本选区大小;
其中,样本选区大小为256×256(单位:像素)。
(3)参照图2,根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行露头裂缝样本选取。
(4)根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行非露头裂缝(复杂背景)样本选取。
其中,非露头裂缝(复杂背景)包括:山体与山体、山体与天空交界(如图3),人工设施(如图4),地表水流痕(包含:含泥沙沉积、盐碱沉淀、冲刷痕)(如图5),山体砾石堆积体(如图6),阴影边界(如图7),风化淋滤带(如图8),表层风化缝(如图9)。
(5)参照图10,对步骤(3)和步骤(4)中选出的露头裂缝样本和非露头裂缝(复杂背景)样本进行标记,得到标记图像;
其中,非露头裂缝(复杂背景)标记为0,露头裂缝标记为1,标记图像的格式为2-D灰度图像(.png)。
(6)利用深度学习模型,对标记完的样本数据集进行质量评价;
其中,所用深度学习模型为SegNet、GoogleNet、UNet,质量评价指标为分类精度,且都高于85%。
Claims (6)
1.一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于,包括以下步骤:
(1)利用无人机对目标地区的地质露头进行数据采集,得到地质露头的原始图像;
(2)确定样本选区大小;
(3)根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行露头裂缝样本选取;
(4)根据步骤(2)所确定的样本选区的大小,在步骤(1)所获得的地质露头的原始图像上,进行非露头裂缝(复杂背景)样本选取;
(5)对步骤(3)和步骤(4)中选出的露头裂缝样本和非露头裂缝(复杂背景)样本进行标记,得到标记图像;
(6)利用深度学习模型,对标记完的样本数据集进行质量评价。
2.根据权利要求1所述的一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于:所述步骤(1)中数据采集时分辨率优于1cm,图像格式为2-D彩色图像(.jpg)。
3.根据权利要求1所述的一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于:所述步骤(2)中样本选区大小为256×256(单位:像素)。
4.根据权利要求1所述的一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于:所述步骤(4)中非露头裂缝(复杂背景)包括:山体与山体、山体与天空交界,人工设施,地表水流痕(包含:含泥沙沉积、盐碱沉淀、冲刷痕),山体砾石堆积体,阴影边界,风化淋滤带,表层风化缝。
5.根据权利要求1所述的一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于:所述步骤(5)中,非露头裂缝(复杂背景)标记为0,露头裂缝标记为1,标记图像的格式为2-D灰度图像(.png)。
6.根据权利要求1所述的一种用于深度学习的地质露头裂缝数据集制作方法,其特征在于:所述步骤(6)中所用深度学习模型为SegNet、GoogleNet、UNet,质量评价指标为分类精度,且都高于85%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131407.0A CN109872318A (zh) | 2019-02-22 | 2019-02-22 | 一种用于深度学习的地质露头裂缝数据集制作方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910131407.0A CN109872318A (zh) | 2019-02-22 | 2019-02-22 | 一种用于深度学习的地质露头裂缝数据集制作方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109872318A true CN109872318A (zh) | 2019-06-11 |
Family
ID=66919031
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910131407.0A Pending CN109872318A (zh) | 2019-02-22 | 2019-02-22 | 一种用于深度学习的地质露头裂缝数据集制作方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109872318A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
CN109102029A (zh) * | 2018-08-23 | 2018-12-28 | 重庆科技学院 | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
-
2019
- 2019-02-22 CN CN201910131407.0A patent/CN109872318A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101772916B1 (ko) * | 2016-12-30 | 2017-08-31 | 한양대학교 에리카산학협력단 | 촬영영상과 인공지능 알고리즘 기반의 균열검출 자동화 프로그램을 이용한 터널 라이닝 표면의 균열 검출 방법 및 시스템 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
CN108364280A (zh) * | 2018-01-03 | 2018-08-03 | 东南大学 | 结构裂缝自动化描绘及宽度精准测量方法与设备 |
CN108520516A (zh) * | 2018-04-09 | 2018-09-11 | 陕西师范大学 | 一种基于语义分割的桥梁路面裂缝检测和分割方法 |
CN109146849A (zh) * | 2018-07-26 | 2019-01-04 | 昆明理工大学 | 一种基于卷积神经网络和图像识别的路面裂缝检测方法 |
CN109102029A (zh) * | 2018-08-23 | 2018-12-28 | 重庆科技学院 | 信息最大化生成对抗网络模型合成人脸样本质量评估方法 |
Non-Patent Citations (1)
Title |
---|
程海燕等: "无人机航拍电力部件图像准确分类", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112307803A (zh) * | 2019-07-25 | 2021-02-02 | 中国石油天然气股份有限公司 | 数字地质露头裂缝提取方法及装置 |
CN110569730A (zh) * | 2019-08-06 | 2019-12-13 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
CN110569730B (zh) * | 2019-08-06 | 2022-11-15 | 福建农林大学 | 一种基于U-net神经网络模型的路面裂缝自动识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110276402B (zh) | 一种基于深度学习语义边界增强的盐体识别方法 | |
CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
Kus et al. | Identification of alginite and bituminite in rocks other than coal. 2006, 2009, and 2011 round robin exercises of the ICCP Identification of Dispersed Organic Matter Working Group | |
CN113703045B (zh) | 一种基于轻量级网络的地震相识别方法 | |
CN109740608A (zh) | 一种基于深度学习的图像分割方法 | |
CN109872318A (zh) | 一种用于深度学习的地质露头裂缝数据集制作方法 | |
CN110956167A (zh) | 一种基于定位字符的分类判别强化分离的方法 | |
CN109800728A (zh) | 一种基于深度学习的矿物质快速识别的方法 | |
CN112329706A (zh) | 一种基于遥感技术的采矿用地识别方法 | |
CN114743103A (zh) | 基于Deeplabv3+网络模型的海岛礁遥感影像地质分类方法 | |
CN107886125A (zh) | 基于局部谱分解打分的modis卫星遥感图像标注方法 | |
STONE | WAULSORTIAN-TYPE BIOHERMS (REEFS) OF MISSISSIPPIAN AGE, CENTRAL BRIDGER RANGE, MONTANA1 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
CN105719296B (zh) | 基于地址-事件表示的高速图像二值连通域标记方法 | |
Lucas et al. | Late cretaceous dinosaurs from the ringbone formation, southwestern New Mexico, USA | |
Pattnaik et al. | Automating Microfacies Analysis of Petrographic Images | |
CN109285167B (zh) | 一种基于深度学习的提取彩绘陶器图案方法 | |
CN108734158A (zh) | 一种实时列车车号识别方法及装置 | |
Wolf | Conceptual models, 1. Examples in sedimentary petrology, environmental and stratigraphic reconstructions, and soil, reef, chemical and placer sedimentary ore deposits | |
Ali | High-resolution stratigraphic architecture and sedimentological heterogeneity within the Miocene dam formation, Eastern Province, eastern Saudi Arabia | |
Song et al. | Review of Nodule Mineral Image Segmentation Algorithms for Deep-Sea Mineral Resource Assessment. | |
CN115471713B (zh) | 基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法 | |
Bajwa et al. | A study for prediction of minerals in rock images using back propagation neural networks | |
CN104182730A (zh) | 一种花岗岩显微薄片自动鉴别方法 | |
Jiménez-Puerto | Beyond the naked eye: Employing machine learning and computer vision to explore Iberian oculated idols decorative patterns |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |
|
RJ01 | Rejection of invention patent application after publication |