CN110232419A - 一种边坡岩石类别自动识别的方法 - Google Patents

Abstract

本发明的一种边坡岩石类别自动识别的方法，岩质边坡岩石的分类对于边坡稳定性的分析至关重要，目前人工方法效率低且受主观因素影响，建立岩质边坡图像集分析的卷积神经网络模型，通过卷积操作和池化操作分别对80000张岩质边坡图像进行特征信息的提取和压缩，然后对网络模型进行训练从而实现了岩质边坡岩石的自动识别与分类；采用训练集和测试集中的岩质边坡图像对模型进行检验分析，训练集准确率达到了98％，测试集准确率达到了90％，显示了训练之后的网络模型具有良好的鲁棒性，能达到理想的训练效果。最终采用深度学习建立的网络模型，实现了岩质边坡岩石识别的快速化、自动化。

Description

一种边坡岩石类别自动识别的方法

技术领域

本发明涉及建设工程信息化技术领域，具体是一种边坡岩石类别自动识别的方法。

背景技术

边坡不同岩石的类别和范围的划定是边坡科学研究中的基础性工作。过去往往通过复杂的仪器设备进行现场取样，人为的根据岩石的颜色、结构构造等辨识边坡岩石的种类以及不同岩石边界范围的标定，这样的过程费时费力。

常规的边坡岩石识别与分类主要有两种方法。第一种是物理试验法，即运用物理测试手段对边坡岩石进行检测。例如，采用X射线粉末衍射、扫描电镜、红外光谱、差热分析、电子探针、高光谱图像等方法进行分析。第二种是数学统计分析法，即通过传统的数学统计与计算分析对岩质边坡的分类特征进行识别与提取。例如，运用Sr和Yb作为分类特征或者综合运用多重分形局部奇异性与空间加权分析的方法识别和提取岩石异常信息。上述两类方法存在实验复杂、周期偏长、受主观影响较大等缺陷，同时无法满足现场测量评价的需要，为了可以快速准确的提取岩质边坡岩石信息，很多专家已经通过智能算法对岩石图像进行了研究：张旭等应用朴素贝叶斯K邻近算法进行了岩石图像分类；康丽萍等分别利用softmax多分类器和多分类支持向量机(SVM)实现图像分类；张嘉凡等提出了基于聚类分析算法的岩石CT图像分割及量化方法；Li et al.采用迁移学习方法对砂岩图像进行了训练，最终获得了精度较高的砂岩图像分类模型。分析上述研究进展发现存在一些不足之处：图像采用经过后续加工后的标准岩石薄片，而不是以原始状态的岩质边坡图像作为训练数据集；其次，未对边坡不同岩石的边界进行标定，无法确定边坡各类岩石的边界范围。

发明内容

为解决上述技术问题，本发明的目的是提供一种边坡岩石类别自动识别的方法，实现了岩质边坡岩石识别与边界范围划分的快速化、自动化。

本发明提供一种边坡岩石类别自动识别的方法，包括：

步骤1：采集边坡岩石图像，并对图像进行处理，建立边坡岩石图像样本库；

步骤2：建立卷积神经网络，隐藏层包括13个卷积层和5个池化层；

步骤3：对神经网络进行训练，将处理后的图像输入到卷积神经网络的卷积层进行特征提取，通过得分函数计算每张图像属于各类别的得分值，进行分类预测；

步骤4：卷积之后的特征图输入到池化层进行压缩；

步骤5：经过神经网络的反复卷积核池化操作之后，通过SVM损失函数对分类预测进行修正，通过softmax分类器将分类得分值转换成为分类概率值，进而输出图像的预测类别；

步骤6：将预测类别和实际类别做差，使用极小化误差的方法反向传播优化各权值参数，经过多次迭代后对训练进行评价，直到达到最大迭代次数，完成训练；

步骤7：通过训练好的神经网络对边坡岩石图像进行分类。

在本发明的边坡岩石类别自动识别的方法中，所述步骤1包括：

步骤1.1：采用无人机设备对岩质边坡全景图像进行采集，获取高分辨率原始图像集；

步骤1.2：对图像进行增强处理；

步骤1.3：采用Horizontal flips操作，对图像进行水平翻转；

步骤1.4：再采用Random crops操作，对图像进行裁剪，将图片调整为224×224的大小，构成图像样本库。

在本发明的边坡岩石类别自动识别的方法中，所述步骤2中构建的卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和全连接层。

在本发明的边坡岩石类别自动识别的方法中，所述步骤3中得分函数为：

式中，f(x,y)表示边坡岩石图像上点(x,y)的灰度值，w(x,y)表示卷积核，在卷积之前图像输入的大小为W₁×H₁×D₁，卷积过程中需要指定的超参数为卷积核filter的个数K，filter的大小F，stride步长S，pad边界填充P，经过一次卷积操作后图像输出的大小为W₂×H₂×D₂：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

D₂＝K

使用ReLU函数作为激活函数：f(x)＝max(0,x)，当x≤0时，当x＞0时，

在本发明的边坡岩石类别自动识别的方法中，所述步骤4中采用最大池化计算方法，池化核大小设定为2×2，stride取2。

在本发明的边坡岩石类别自动识别的方法中，所述步骤5中SVM损失函数为：

其中，s_j表示预测结果属于错误类别的得分，表示预测结果属于正确类别时的得分。

在本发明的边坡岩石类别自动识别的方法中，所述步骤5中softmax函数为：

其中，输入值是一组向量，向量中各元素为所有类别的评分值，结果输出一组向量，向量中每个元素值在0到1之间，且所有元素之和为1，式中Z_j表示边坡岩石图像属于正确类别时的得分，Z_k表示图像属于错误类别时的得分。

在本发明的边坡岩石类别自动识别的方法中，所述步骤5中得分值转化为概率值时采用如下式所示的损失函数：

式中，f_yi表示边坡岩石图像属于正确类别时的概率值，f_j表示图像属于错误类别时的概率值。

本发明的一种边坡岩石类别自动识别的方法，至少具有以下有益效果：

利用无人机设备对边坡进行全景高清图像采集，极大地满足卷积神经网络的训练要求。将卷积神经网络分类操作应用到边坡岩石图像分类中，输入原始岩质边坡图像数据，由卷积网络自动提取图像特征，训练之后网络达到90％的准确率，网络模型可以有效的提取边坡岩石图像的特征，实现岩质边坡岩石的自动识别分类。以岩石的颜色作为主要区分特征，利用深度学习回归操作对边坡不同类别岩石的范围进行划分。输入任意边坡图像进行检测，验证了网络模型边界范围确定方法的准确性，实现了岩质边坡不同岩石划分快速化、自动化的要求。

附图说明

图1是本发明的一种边坡岩石类别自动识别的方法流程图；

图2是本发明采用的卷积神经网络的模型结构图；

图3是最大池化计算方式图；

图4是Drop-Out计算方法。

具体实施方式

如图1所示，本发明的一种边坡岩石类别自动识别的方法，包括：

步骤1：采集边坡岩石图像，并对图像进行处理，建立边坡岩石图像样本库，所述步骤1包括：

步骤1.1：采用无人机设备对岩质边坡全景图像进行采集，获取高分辨率原始图像集；

步骤1.2：对图像进行增强处理；

步骤1.3：采用Horizontal flips操作，对图像进行水平翻转；

步骤1.4：再采用Random crops操作，对图像进行裁剪，将图片调整为224×224的大小，构成图像样本库。

对高陡边坡岩石图像的采集存在一定的风险性，复杂多变的地质条件加大了工程人员的测量难度，如何不受地质条件的限制实现边坡全景图像的获取，并保证测量人员的安全，成为边坡图像获取中的棘手问题。对此采用无人机设备进行了岩质边坡全景图像的采集，取得了很好的效果。生成8000张高分辨率原始图像数据集，对数据集进行增强处理，先将8000张原始数据集图片采用Horizontal flips操作，对图像进行水平翻转，再采用Random crops操作，对图像进行裁剪，将图片调整为224×224的大小，图像数据集扩大到80000张；采集了常见的四类边坡岩石图像，训练集与测试集数量见表1，训练集是从各类岩质边坡总样本中随机抽取，剩下的作为测试集。

表1样本数据

步骤2：卷积神经网络为代表的深度学习模型是目前图像识别中应用最广泛的方法，完整的卷积神经网络包含输入层、卷积层、池化层、全连接层、输出层。相比其他神经网络多了卷积层和池化层。卷积层可以更有效的提取图像的特征，池化层压缩图像特征，减少计算量。本发明的卷积神经网络的隐藏层包括13个卷积层和5个池化层，包括依次连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和全连接层。如图2所示。

步骤3：对神经网络进行训练，将处理后的图像输入到卷积神经网络的卷积层进行特征提取，通过得分函数计算每张图像属于各类别的得分值，进行分类预测；

卷积操作是提取边坡岩石图像特征的过程，借助卷积核与图像上相应大小的区域进行卷积运算，其中每一个卷积核对应着一个权值矩阵，然后对权重矩阵所覆盖的图像像素进行加权，结果作为该卷积核在图像该区域的响应，该区域计算结束之后卷积核以一定步长滑动，类似于图像处理中使用的“窗口”从而使卷积核作用于整张图像，最终得到一张特征图，可以使用多个卷积核同时对一张图像进行卷积操作。卷积计算的得分函数为：

式中，f(x,y)表示边坡岩石图像上点(x,y)的灰度值，w(x,y)表示卷积核，在卷积之前图像输入的大小为W₁×H₁×D₁，卷积过程中需要指定的超参数为卷积核filter的个数K，filter的大小F，stride步长S，pad边界填充P，经过一次卷积操作后图像输出的大小为W₂×H₂×D₂：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

D₂＝K

边坡岩石图像的固定分辨率为224×224×3，设计的深度学习模型卷积层使用3×3大小的卷积核，stride取1，pad取1；使用ReLU函数作为激活函数：f(x)＝max(0,x)，当x≤0时，当x＞0时，

具体实施时，岩质边坡图像在计算机中表示成三维数组形式(w，h，d)，其中w表示图像宽度，h表示图像高度，d表示图像色彩通道，当图像是灰度图时d取1，彩色图时d取3。每张图像由若干像素点组成，每个像素点取值范围从0到255，将边坡岩石图像统一切割成224×224×3的大小。通过得分函数计算每张图像属于各类别的得分值，当某一类别得分值最高，预测结果则属于该类别。

步骤4：为减少计算机对图像数据的运算工作量，池化层将卷积之后的特征图进行压缩，去除特征图中重复多余的信息，保留重点特征信息。池化核大小设定为2×2，stride取2。计算方式如图3所示。

步骤5：经过神经网络的反复卷积核池化操作之后，通过SVM损失函数对分类预测进行修正，通过softmax分类器将分类得分值转换成为分类概率值，进而输出图像的预测类别；

具体实施时，在图像识别过程中仅仅依靠得分函数进行分类判断是不够准确的，需要引入修正方法。在网络中加入SVM损失函数：式中s_j表示预测结果属于错误类别的得分，表示预测结果属于正确类别时的得分。由损失函数计算结果发现图像预测结果与实际越接近损失值越小，图像预测结果与实际越偏离损失值越大。当有多组图像时，SVM损失函数的表达式如下：

式中N表示图像的数量。在边坡岩石图像识别的神经网络模型计算得分函数时发现有时会出现的现象。虽然得分值相同，但是权重参数W₁时只关注图像数据中的第一个像素点，其他像素点等于任何值对得分结果没有任何影响。权重参数W₂的分布则比较均匀，会对图像数据中所有像素点进行计算。W₁只能关注图像数据中的一部分，W₂关注于图像数据的整体，为了在边坡岩石图像识别卷积神经网络中得到W₂类型的权重参数，在网络模型中引入正则化惩罚项，如下式所示：权重参数W₁的正则化惩罚结果为1，W₂的正则化惩罚结果为0.25，SVM损失函数的最终形式为：

当得分值越大，对应的损失函数结果越小，得分值越小，对应的损失函数结果越大，所以损失函数值越小，预测结果越准确。

通过上述SVM损失函数计算输出的是得分值，而不同类别的得分值之间相互比较很麻烦，因为进行的是边坡岩石图像分类操作，引入softmax分类器可以成功地将得分值转换成为概率值，概率值在分类处理时更加方便、直观。一张边坡岩石图像预测属于玄武岩边坡的概率为60％，属于砂岩边坡的概率为30％，属于花岗岩边坡的概率为20％，此时便可以直观的将该岩石图像归类为玄武岩边坡。softmax函数为：

其中，输入值是一组向量，向量中各元素为所有类别的评分值，结果输出一组向量，向量中每个元素值在0到1之间，且所有元素之和为1，式中Z_j表示边坡岩石图像属于正确类别时的得分，Z_k表示图像属于错误类别时的得分。

得分值转化为概率值时采用如下式所示的损失函数：

式中，f_yi表示边坡岩石图像属于正确类别时的概率值，f_j表示图像属于错误类别时的概率值。

输出概率时采用log函数计算损失值，因为当对正确类别的概率值计算损失值时，概率值越趋近于1符合正确类别的概率越大，所以要求其损失计算结果越趋近于0，概率值越趋近0符合正确类别的概率越小，所以要求其损失计算结果越大，这样的变化趋势符合log函数。log函数中当x取值越接近于1时，对应的结果y值越小，也就是损失值越小；当x取值越接近于0时，对应的结果y越大，得到的损失值越大。

步骤6：将预测类别和实际类别做差，使用极小化误差的方法反向传播优化各权值参数，经过多次迭代后对训练进行评价，直到达到最大迭代次数，完成训练；

具体实施时，对采集的边坡岩石图像数据进行训练，总迭代次数3000次，初始学习率设置为0.0001，为减少计算量以及防止过拟合现象，采用如图4所示的Drop-Out操作，Drop-Out的概率值取60％。训练时每次随机选择2000张图像进行训练，每张图像都会多次使用，并选择200张图像进行交叉验证，每迭代100次对训练进行评价。

整个训练过程分为前向传播和反向传播。前向传播首先从训练数据集中随机选取样本(X,Y_P)，其中X表示待输入的边坡岩石图像，Y_P表示该图像的实际类别，经过反复交替执行卷积与池化操作后输出该图像类别O_P。反向传播：边坡岩石图像经前向传播输出的预测类别O_P与相应的实际类别Y_P的差，然后使用极小化误差的方法反向传播优化各权值参数W。

深度学习模型在训练过程中训练准确率、测试准确率及损失值随迭代次数的变化如图所示。其中训练准确率表示训练集中的边坡岩石图像分类正确的概率，测试准确率表示未经训练的测试集中边坡岩石图像分类正确的概率，损失值表示边坡岩石图像网络识别模型学习的效果，损失值越小学习训练效果越好，通过反向传播修正权重参数W，从而降低损失值。

步骤7：通过训练好的神经网络对边坡岩石图像进行分类。

使用训练的岩石图像网络模型对测试集中16000张图像分类，结果如表2所示，其中正确分类14790张图像(92.4％)，错误分类1210张图像(7.6％)，对比结果可以看出：网络模型对玄武岩边坡和砂岩边坡的识别率较高，这两类岩质边坡特征明显容易准确识别，但是容易将花岗岩边坡和片岩边坡分类混淆。

表2测试结果

以上所述仅为本发明的较佳实施例，并不用以限制本发明的思想，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种边坡岩石类别自动识别的方法，其特征在于，包括：

步骤1：采集边坡岩石图像，并对图像进行处理，建立边坡岩石图像样本库；

步骤2：建立卷积神经网络，隐藏层包括13个卷积层和5个池化层；

步骤3：对神经网络进行训练，将处理后的图像输入到卷积神经网络的卷积层进行特征提取，通过得分函数计算每张图像属于各类别的得分值，进行分类预测；

步骤4：卷积之后的特征图输入到池化层进行压缩；

步骤5：经过神经网络的反复卷积核池化操作之后，通过SVM损失函数对分类预测进行修正，通过softmax分类器将分类得分值转换成为分类概率值，进而输出图像的预测类别；

步骤6：将预测类别和实际类别做差，使用极小化误差的方法反向传播优化各权值参数，经过多次迭代后对训练进行评价，直到达到最大迭代次数，完成训练；

步骤7：通过训练好的神经网络对边坡岩石图像进行分类。

2.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤1包括：

步骤1.1：采用无人机设备对岩质边坡全景图像进行采集，获取高分辨率原始图像集；

步骤1.2：对图像进行增强处理；

步骤1.3：采用Horizontal flips操作，对图像进行水平翻转；

步骤1.4：再采用Random crops操作，对图像进行裁剪，将图片调整为224×224的大小，构成图像样本库。

3.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤2中构建的卷积神经网络包括依次连接的输入层、第一卷积层、第二卷积层、第一池化层、第三卷积层、第四卷积层、第二池化层、第五卷积层、第六卷积层、第七卷积层、第三池化层、第八卷积层、第九卷积层、第十卷积层、第四池化层、第十一卷积层、第十二卷积层、第十三卷积层、第五池化层和全连接层。

4.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤3中得分函数为：

式中，f(x,y)表示边坡岩石图像上点(x,y)的灰度值，w(x,y)表示卷积核，在卷积之前图像输入的大小为W₁×H₁×D₁，卷积过程中需要指定的超参数为卷积核filter的个数K，filter的大小F，stride步长S，pad边界填充P，经过一次卷积操作后图像输出的大小为W₂×H₂×D₂：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

D₂＝K

使用ReLU函数作为激活函数：f(x)＝max(0,x)，当x≤0时，当x＞0时，

5.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤4中采用最大池化计算方法，池化核大小设定为2×2，stride取2。

6.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤5中SVM损失函数为：

其中，s_j表示预测结果属于错误类别的得分，表示预测结果属于正确类别时的得分。

7.如权利要求1所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤5中softmax函数为：

其中，输入值是一组向量，向量中各元素为所有类别的评分值，结果输出一组向量，向量中每个元素值在0到1之间，且所有元素之和为1，式中Z_j表示边坡岩石图像属于正确类别时的得分，Z_k表示图像属于错误类别时的得分。

8.如权利要求7所述的边坡岩石类别自动识别的方法，其特征在于，所述步骤5中得分值转化为概率值时采用如下式所示的损失函数：

式中，f_yi表示边坡岩石图像属于正确类别时的概率值，f_j表示图像属于错误类别时的概率值。