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 |