CN110472597A - 基于深度学习的岩石图像风化程度检测方法及系统 - Google Patents
基于深度学习的岩石图像风化程度检测方法及系统 Download PDFInfo
- Publication number
- CN110472597A CN110472597A CN201910768866.XA CN201910768866A CN110472597A CN 110472597 A CN110472597 A CN 110472597A CN 201910768866 A CN201910768866 A CN 201910768866A CN 110472597 A CN110472597 A CN 110472597A
- Authority
- CN
- China
- Prior art keywords
- rock image
- deep learning
- rock
- network
- decay
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 110
- 238000013135 deep learning Methods 0.000 title claims abstract description 45
- 238000001514 detection method Methods 0.000 title claims abstract description 42
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 37
- 238000000034 method Methods 0.000 claims description 27
- 238000012512 characterization method Methods 0.000 claims description 14
- 230000006870 function Effects 0.000 claims description 5
- 238000007689 inspection Methods 0.000 claims description 5
- 238000004891 communication Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000011946 reduction process Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 9
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000007477 logistic regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N17/00—Investigating resistance of materials to the weather, to corrosion, or to light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Environmental & Geological Engineering (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Chemical & Material Sciences (AREA)
- Environmental Sciences (AREA)
- Ecology (AREA)
- Probability & Statistics with Applications (AREA)
- Biodiversity & Conservation Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的岩石图像风化程度检测方法及系统。将基于深度学习的神经网络图像识别技术运用到岩石风化程度的自动检测上,通过构建并训练深度学习网络,使该深度学习网络自动输出岩石风化程度检测结果。该自动识别技术具有较高的准确性,减小传统人工对岩石风化程度的判定存在的误差,提高了岩石图像识别效率及准确性,从而节省了工程人力成本,能够实时识别分类,及时录入信息,有效的跟踪现场问题的处理进度,存储图像数据并平台共享,优化图像分类管理系统。
Description
技术领域
本发明涉及工程地质勘察技术领域,尤其涉及一种基于深度学习的岩石图像风化程度检测方法及系统。
背景技术
在工程地质勘察过程中,对岩石风化程度进行判定分析是一项基础工作,岩石的风化程度直接影响了工程地质分层和地基承载能力的判断,对于岩石上部的工程环境和材料选择具有重要参考意义。根据GB50021-2001《岩土工程规范(2009年版)》和TB 10077-2001《铁路工程岩土分类标准》对于岩石硬度及风化程度的定义,将岩石风化程度分为五大类(未风化、微风化、弱风化、强风化、全风化),其中对弱风化和强风化岩石的判定最具有实际的意义。
然而现有的岩石风化程度检测工作主要依赖于人工目测识别法,人工目测识别法受主观因素影响较大,人工识别检测结果缺乏科学性,受现场光照、湿度等条件影响,不同地质专业人员的判断结果可能会存在一定差异性。因此在实际工作时,为了降低主观误差,在对岩石风化程度进行判别时往往会组建多人检测小组,反复试验和讨论以求取更准确的检测判别结果,但这往往会增加研究人员的工作量,并且识别效率低下,往往会造成人力物力的浪费。同时对于人工识别结果缺乏一个高效的记录手段,往往是研究人员采用手动输入的记录方式,这也将导致岩石风化程度检测效率不高,影响成果质量。
发明内容
本发明的目的之一至少在于,针对如何克服现有技术存在的问题,提供一种基于深度学习的岩芯图像风化程度检测方法及系统,能够实现岩石风化程度的自动检测识别,提高岩石风化程度的识别效率及准确性。
为了实现上述目的,本发明采用的技术方案包括以下各方面。
一种基于深度学习的岩石图像风化程度检测方法,包括:
采集岩石图像,对采集到的岩石图像进行预处理;构建基于深度学习的岩石图像风化程度检测网络;利用所述预处理后的岩石图像训练所述基于深度学习的岩石图像风化程度检测网络,优化网络参数,以使所述基于深度学习的岩石图像风化程度检测网络满足:当有岩石图像输入时,自动输出其风化程度检测结果。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述预处理包括:
对采集到的岩石图像做降噪处理,再将降噪后的岩石图像缩放至统一的像素值,再将缩放后的岩石图像转化成可扩展标记语言文件进行存储。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述可扩展标记语言文件包括:带有目标框和类别标签的真值边界框。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述预处理还包括:用k均值聚类法确定所述可扩展标记语言文件中用于训练所述基于深度学习的岩石图像风化程度检测网络的真值边界框。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述可扩展标记语言文件格式为xml格式、txt格式。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述基于深度学习的岩石图像风化程度检测网络包括:Darknet-53网络结构层、yolo网络特征映射交互层、边界框预测和分类回归层;
其中,所述Darknet-53网络结构层用于对输入的岩石图像数据进行特征映射,并将特征映射结果输出至yolo网络特征映射交互层;所述yolo网络特征映射交互层用于对Darknet-53网络结构层输出的特征映射结果进行分层映射,并将分层映射结果输出至边界框预测和分类回归层进行识别;所述边界框预测和分类回归层用于对yolo网络特征映射交互层的分层映射结果进行检测识别并输出。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述Darknet-53网络结构层中包括多个卷积层,并在每个卷积层中引入带泄露修正线性单元LeakyReLU提高网络收敛速率。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,所述yolo网络特征映射交互层由三种尺度的yolo层组成。
优选的,一种基于深度学习的岩石图像风化程度检测方法中,在边界框预测和分类回归层中采用最小化损失函数对yolo网络特征映射交互层的分层映射结果进行检测识别。
一种于深度学习的岩石图像风化程度检测系统,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行上述的方法。
综上所述,由于采用了上述技术方案,本发明至少具有以下有益效果:
通过将基于深度学习的神经网络图像识别技术运用到岩石风化程度的检测上,能够代替传统人工识别实现岩石风化程度的识别,减小传统人工对岩石风化程度的判定存在的误差,提高地质专业人员对岩石风化程度的把握能力;本系统能够实现图像数据和识别结果的实时存储,进一步优化了图像分类管理系统,并通过数据的实时共享,使工作人员通过远程监控即可有效的跟踪现场问题的处理进度。
附图说明
图1是根据本发明示例性实施例的基于深度学习的岩石图像风化程度检测方法流程图。
图2是根据本发明示例性实施例的基于深度学习的岩石图像风化程度检测网络结构示意图。
图3是根据本发明示例性实施例的采集的原始岩石图像示意图。
图4是根据本发明示例性实施例的岩石图像风化程度检测结果部分示意图。
图5示出了根据本发明示例性实施例的基于深度学习的岩石图像风化程度检测系统结构示意图。
具体实施方式
下面结合附图及实施例,对本发明进行进一步详细说明,以使本发明的目的、技术方案及优点更加清楚明白。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
图1示出了根据本发明示例性实施例的基于深度学习的岩石图像风化程度检测方法。该实施例的检测方法主要包括:
采集岩石图像,对采集到的岩石图像进行预处理;构建基于深度学习的岩石图像风化程度检测网络;利用所述预处理后的岩石图像训练所述基于深度学习的岩石图像风化程度检测网络,优化网络参数,以使所述基于深度学习的岩石图像风化程度检测网络满足:当有岩石图像输入时,自动输出其风化程度检测结果。
具体的,通过手机或者相机拍摄地勘现场、或由钻孔摄像技术采集大量岩石图像,并对采集到的岩石图像进行批量预处理,首先去除噪音,以降低拍摄环境对目标识别的影响。本系统所针对的岩石图像可以是裸露的岩石,因此当采集图像后进行降噪处理,能够提高图像识别率。接着对降噪后的岩石图像,即对图像进行统一的缩放处理和格式标准化。首先依据深度学习算法中的采样参数要求(32)对图像尺寸做出统一缩放。所有地质勘测获取的岩石图像需要被缩放为32*32的倍数,本实施例将岩石图像统一缩放至416*416像素。
进一步的,将缩放后的岩石图像转化成可扩展标记语言文件进行存储,即将岩石图像转化为xml格式文件、txt格式。在风化程度标记、并转化为XML格式的过程中,还需要对岩石图像进行标注,在格式转化中,需要将其转变成有目标框及类别标签信息的可扩展标记语言格式;从而获取图像类别信息真值。在转化过程中,通过xml格式文件中的编程给原始岩石图像中的岩土设定目标框进行选中,并依据各个岩土块的地质类别对各个岩土块进行标记,得到各个岩土块的类别标签。此时缩放后的岩石图像已经被转化为由多个具有目标框及类别标签信息的真值边界框的可扩展标记语言文件。
将所有转化为可扩展标记语言文件的岩石图像按9:1的比例随机划分为训练集和检验集,其中检验集又按照9:1的比例随机划分为测试集和保留集;其次,根据前面划分的训练集、测试集和保留集中的图片名称,加入图片所在路径、真值边界框和类别信息写入新的文本文件。接着,采取k均值聚类方法,对可扩展标记语言文件中的每个真值边界框的宽和高构成的二维数组进行聚类选定锚框,最终得到9个二维数组;以这9个二维数组作为边界框的先验信息帮助生成预测边界框。进一步的,构建基于深度学习的岩石图像风化程度检测网络,并将k均值聚类方法处理后的训练集和检验集岩石图像输入至所述基于深度学习的岩石图像风化程度检测网络,训练并优化网络参数,以使所述基于深度学习的岩石图像风化程度检测网络满足:当有岩石图像输入时,自动输出其风化程度检测结果。(针对一张岩石图像里面的各个岩土都会输出相应的风化程度检测结果)
具体的,图2示出了本发明示例性的基于深度学习的岩石图像风化程度检测网络,其包括0-74层的Darknet-53网络结构和75-105层的yolo网络特征映射交互层。其中,Darknet-53网络结构主要由32个3×3的卷积核以1×1的步伐逐步卷积组成,共有53个卷积层,每个卷积层添加了批量标准化层和带泄露修正线性单元(LeakyReLU)层;批量标准化层将每层神经网络任意神经元的输入值分布确定为标准正态分布,避免反向传播时低层神经网络的梯度消失,加快学习收敛速度和训练速度,带泄露修正线性单元层对修正线性单元层作出了改进,给所有负值赋予一个非零斜率,减少静默神经元的出现,也提高了学习收敛速度;yolo网络特征映射交互层通过卷积核连接不同尺度的yolo层,实现特征映射之间的局部交互,由最小尺度yolo层、中尺度yolo层和大尺度yolo层组成。每个尺度的yolo层内分别进行输入、卷积、输出,其中:小尺度yolo层开始于75层,输入74层Darknet-53网络结构输出的1024个通道的13×13特征映射;经过75-81层以1×1和3×3的卷积核进行7次逐步卷积;输出81层的75个通道的13×13特征映射;在82层以81层为基础进行边界框预测和分类回归;中尺度yolo层开始于83层,输入79层512个通道的13×13特征映射;经过84层以1×1的卷积核卷积生成256个通道的13×13特征映射;85层通过步长为2的上采样生成256个通道的26×26特征映射;86层将85层和61层512个通道的26×26特征映射合并得到768个通道的26×26特征映射;经过87-93层以1×1和3×3的卷积核进行7次逐步卷积;输出93层的75个通道的26×26特征映射;在94层以93层为基础进行边界框预测和分类回归;大尺度yolo层开始于95层,输入91层256个通道的26×26特征映射;经过96层以1×1的卷积核卷积生成128个通道的26×26特征映射;97层通过步长为2的上采样生成128个通道的52×52特征映射;98层将97层和36层256个通道的52×52特征映射合并得到384个通道的52×52特征映射;经过99-105层以1×1和3×3的卷积核进行7次逐步卷积;输出105层的75个通道的52×52特征映射;在106层以105层为基础进行边界框预测和分类回归;边界框预测和分类回归层在上述三种尺度yolo层分别输出。其中:边界框预测通过逻辑回归对边界框相对于网格单元左上角的相对位置进行预测,通过逻辑回归对边界框相对于网格单元左上角的相对位置坐标tx,y,w,h做出预测,通过网格坐标偏移量cx,cy和预设锚框的宽pw和高ph计算边界框中心坐标误差,计算边界框高与宽的误差项,从而将相对位置换算为绝对位置;分类回归通过最小化损失函数的方法在三种尺度yolo层上分别预测每个边界框的位置、每种类别及其置信度;其中损失函数由中心点坐标误差、边界框宽高坐标误差、预测置信度误差和预测类别误差组成;在小尺度yolo层的输出张量为13×13×30,中尺度yolo层的输出张量为26×26×30;大尺度yolo层的输出张量为52×52×30;岩石图像类别预测包括待预测图像读取、边界框和类别预测、预测结果显示;待预测岩石图像读取用于图像类别预测的输入部分;边界框和类别预测以深度学习神经网络训练模型边界框预测和分类回归层的输出得出,每个边界框输出置信度最大的风化程度类别;风化预测结果显示在待预测岩石图像上分别用不同颜色勾画边界框边缘,并在边界框左上角标注预测风化类别及置信度。如图3所示,采集到的岩石图像为原始无标签的岩石图像,经过本系统检测识别后得到了图4的风化程度检测结果示意图(截取得部分示意图),边界框上面的字母fhw2代表弱风化、fhw3代表强风化,相应的数字即为置信度。并且本系统输出结果还包含文本格式,可用于更新可扩展标记语言格式的标注文件,对深度学习网络模型进行更新。
在实际工作过程中,本系统能够将图像数据及检测结果进行实时存储,进一步优化了图像分类管理系统,并通过联网实现数据的实时共享,使工作人员通过远程监控即可有效的跟踪现场问题的处理进度。
本发明所提出的岩石图像风化程度检测模型,针对获取的岩石图像,结合岩石图像中岩体结构面的特征,对地质勘测中的岩石图像数据进行风化程度检测研究,通过对岩石图像中的不同类型目标进行分析,最终识别出不同岩石图像包含的2类岩石风化程度目标,提高岩石图像识别效率及自动化程度。本方法的网络模型在保证不影响受检岩石样本情况的前提下,大幅度提升了网络的推理速度,能够满足地质勘探开发要求,在大数据技术在地质勘探领域的应用有很大的前景,有效解决了传统岩石图像岩石风化程度识别采用人工识别、依赖专家经验且效率不高的问题。
图5示出了根据本发明示例性实施例的基于深度学习的岩石图像风化程度检测系统,即电子设备310(例如具备程序执行功能的计算机服务器),其包括至少一个处理器311,电源314,以及与所述至少一个处理器311通信连接的存储器312和输入输出接口313;所述存储器312存储有可被所述至少一个处理器311执行的指令,所述指令被所述至少一个处理器311执行,以使所述至少一个处理器311能够执行前述任一实施例所公开的方法;所述输入输出接口313可以包括显示器、键盘、鼠标、以及USB接口,用于输入输出数据;电源314用于为电子设备310提供电能。
本领域技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(Read Only Memory,ROM)、磁碟或者光盘等各种可以存储程序代码的介质。
当本发明上述集成的单元以软件功能单元的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明具体实施方式的详细说明,而非对本发明的限制。相关技术领域的技术人员在不脱离本发明的原则和范围的情况下,做出的各种替换、变型以及改进均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于深度学习的岩石图像风化程度检测方法,其特征在于,包括:
采集岩石图像,对采集到的岩石图像进行预处理;构建基于深度学习的岩石图像风化程度检测网络;利用所述预处理后的岩石图像训练所述基于深度学习的岩石图像风化程度检测网络,优化网络参数,以使所述基于深度学习的岩石图像风化程度检测网络满足:当有岩石图像输入时,自动输出其风化程度检测结果。
2.根据权利要求1所述的方法,其特征在于,所述预处理包括:
对采集到的岩石图像做降噪处理,再将降噪后的岩石图像缩放至统一的像素值,再将缩放后的岩石图像转化成可扩展标记语言文件进行存储。
3.根据权利要求2所述的方法,其特征在于,所述可扩展标记语言文件包括:带有目标框和类别标签的真值边界框。
4.根据权利要求3所述的方法,其特征在于,所述预处理还包括:用k均值聚类法确定所述可扩展标记语言文件中用于训练所述基于深度学习的岩石图像风化程度检测网络的真值边界框。
5.根据权利要求2所述的方法,其特征在于,所述可扩展标记语言文件格式为xml格式、txt格式。
6.根据权利要求1所述的方法,其特征在于,所述基于深度学习的岩石图像风化程度检测网络包括:Darknet-53网络结构层、yolo网络特征映射交互层、边界框预测和分类回归层;
其中,所述Darknet-53网络结构层用于对输入的岩石图像数据进行特征映射,并将特征映射结果输出至yolo网络特征映射交互层;所述yolo网络特征映射交互层用于对Darknet-53网络结构层输出的特征映射结果进行分层映射,并将分层映射结果输出至边界框预测和分类回归层进行识别;所述边界框预测和分类回归层用于对yolo网络特征映射交互层的分层映射结果进行检测识别并输出。
7.根据权利要求6所述的方法,其特征在于,所述Darknet-53网络结构层中包括多个卷积层,并在每个卷积层中引入带泄露修正线性单元LeakyReLU提高网络收敛速率。
8.根据权利要求6所述的方法,其特征在于,所述yolo网络特征映射交互层由三种尺度的yolo层组成。
9.根据权利要求6-8任一所述的方法,其特征在于,在边界框预测和分类回归层中采用最小化损失函数对yolo网络特征映射交互层的分层映射结果进行检测识别。
10.一种于深度学习的岩石图像风化程度检测系统,其特征在于,包括至少一个处理器,以及与所述至少一个处理器通信连接的存储器;所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910702818 | 2019-07-31 | ||
CN2019107028180 | 2019-07-31 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110472597A true CN110472597A (zh) | 2019-11-19 |
Family
ID=68512590
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910768866.XA Pending CN110472597A (zh) | 2019-07-31 | 2019-08-20 | 基于深度学习的岩石图像风化程度检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110472597A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111220616A (zh) * | 2020-01-21 | 2020-06-02 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
CN111242301A (zh) * | 2020-03-06 | 2020-06-05 | 桂林理工大学 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
CN111261236A (zh) * | 2020-01-21 | 2020-06-09 | 山东大学 | 隧道火成岩风化程度确定系统及方法 |
CN111325840A (zh) * | 2020-02-13 | 2020-06-23 | 中铁二院工程集团有限责任公司 | 一种弃渣场的设计方法及计算系统 |
CN111325323A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 一种融合全局信息和局部信息的输变电场景描述自动生成方法 |
CN112326552A (zh) * | 2020-10-21 | 2021-02-05 | 山东大学 | 基于视觉和力觉感知的隧道掉块病害检测方法和系统 |
CN112347841A (zh) * | 2020-08-26 | 2021-02-09 | 南京邮电大学 | 一种基于深度学习的矸石充填捣实机构防碰撞应用方法 |
CN113094972A (zh) * | 2021-03-15 | 2021-07-09 | 西南大学 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
CN113420768A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 岩芯类别确定方法、装置、电子设备和存储介质 |
EP3945301A1 (en) * | 2020-07-29 | 2022-02-02 | ABB Schweiz AG | Technologies for producing training data for identifying degradation of physical components |
WO2022095318A1 (zh) * | 2020-11-06 | 2022-05-12 | 上海商汤智能科技有限公司 | 字符检测方法、装置、电子设备、存储介质及程序 |
CN115359348A (zh) * | 2022-07-20 | 2022-11-18 | 中南大学 | 岩芯特征识别统计方法及系统、设备、存储介质 |
CN117556650A (zh) * | 2023-08-25 | 2024-02-13 | 西南交通大学 | 深度学习辅助的落石冲击力非接触自动预测方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134555A (zh) * | 2013-02-25 | 2013-06-05 | 北京化工大学 | 一种石质文物构件风化及安全等级定量评价方法 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109409406A (zh) * | 2018-09-19 | 2019-03-01 | 北京航空航天大学 | 一种水坝坝体异常情况的空基检测方法与装置 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
-
2019
- 2019-08-20 CN CN201910768866.XA patent/CN110472597A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103134555A (zh) * | 2013-02-25 | 2013-06-05 | 北京化工大学 | 一种石质文物构件风化及安全等级定量评价方法 |
CN106778472A (zh) * | 2016-11-17 | 2017-05-31 | 成都通甲优博科技有限责任公司 | 基于深度学习的输电走廊常见侵入物目标检测与识别方法 |
CN109325418A (zh) * | 2018-08-23 | 2019-02-12 | 华南理工大学 | 基于改进YOLOv3的道路交通环境下行人识别方法 |
CN109409406A (zh) * | 2018-09-19 | 2019-03-01 | 北京航空航天大学 | 一种水坝坝体异常情况的空基检测方法与装置 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN109829429A (zh) * | 2019-01-31 | 2019-05-31 | 福州大学 | 基于YOLOv3的监控场景下的安防敏感物品检测方法 |
Non-Patent Citations (2)
Title |
---|
大写的ZDQ: "《这才是目标检测YOLOv3的真实面目》", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/u010712012/article/details/87886052> * |
干巴他爹: "《Yolo3 darknet cfg配置文件参数详解》", pages 1 - 2, Retrieved from the Internet <URL:https://blog.csdn.net/tintinetmilou/article/details/88823821> * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111261236A (zh) * | 2020-01-21 | 2020-06-09 | 山东大学 | 隧道火成岩风化程度确定系统及方法 |
US11933713B2 (en) | 2020-01-21 | 2024-03-19 | Shandong University | Determining system and method for weathering resistant capability of clastic rocks in tunnel based on feldspar features |
CN111220616B (zh) * | 2020-01-21 | 2021-06-01 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
WO2021147553A1 (zh) * | 2020-01-21 | 2021-07-29 | 山东大学 | 隧道火成岩风化程度确定系统及方法 |
CN111220616A (zh) * | 2020-01-21 | 2020-06-02 | 山东大学 | 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法 |
CN111325840A (zh) * | 2020-02-13 | 2020-06-23 | 中铁二院工程集团有限责任公司 | 一种弃渣场的设计方法及计算系统 |
CN111325323A (zh) * | 2020-02-19 | 2020-06-23 | 山东大学 | 一种融合全局信息和局部信息的输变电场景描述自动生成方法 |
CN111325323B (zh) * | 2020-02-19 | 2023-07-14 | 山东大学 | 一种融合全局信息和局部信息的输变电场景描述自动生成方法 |
CN111242301A (zh) * | 2020-03-06 | 2020-06-05 | 桂林理工大学 | 多相场作用下岩石三轴抗压强度深度学习预测方法及装置 |
EP3945301A1 (en) * | 2020-07-29 | 2022-02-02 | ABB Schweiz AG | Technologies for producing training data for identifying degradation of physical components |
CN112347841A (zh) * | 2020-08-26 | 2021-02-09 | 南京邮电大学 | 一种基于深度学习的矸石充填捣实机构防碰撞应用方法 |
CN112347841B (zh) * | 2020-08-26 | 2022-07-26 | 南京邮电大学 | 一种基于深度学习的矸石充填捣实机构防碰撞应用方法 |
CN112326552B (zh) * | 2020-10-21 | 2021-09-07 | 山东大学 | 基于视觉和力觉感知的隧道掉块病害检测方法和系统 |
CN112326552A (zh) * | 2020-10-21 | 2021-02-05 | 山东大学 | 基于视觉和力觉感知的隧道掉块病害检测方法和系统 |
WO2022095318A1 (zh) * | 2020-11-06 | 2022-05-12 | 上海商汤智能科技有限公司 | 字符检测方法、装置、电子设备、存储介质及程序 |
CN113094972B (zh) * | 2021-03-15 | 2022-08-02 | 西南大学 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
CN113094972A (zh) * | 2021-03-15 | 2021-07-09 | 西南大学 | 基于生成对抗网络和环境要素数据的基岩深度预测方法及系统 |
CN113420768A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 岩芯类别确定方法、装置、电子设备和存储介质 |
CN115359348A (zh) * | 2022-07-20 | 2022-11-18 | 中南大学 | 岩芯特征识别统计方法及系统、设备、存储介质 |
CN117556650A (zh) * | 2023-08-25 | 2024-02-13 | 西南交通大学 | 深度学习辅助的落石冲击力非接触自动预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110472597A (zh) | 基于深度学习的岩石图像风化程度检测方法及系统 | |
CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及系统 | |
CN107134144B (zh) | 一种用于交通监控的车辆检测方法 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
Rocchini et al. | Advancing species diversity estimate by remotely sensed proxies: a conceptual review | |
CN110059554A (zh) | 一种基于交通场景的多支路目标检测方法 | |
CN109858414A (zh) | 一种发票分块检测方法 | |
CN109785361A (zh) | 基于cnn与mog的变电站异物入侵检测系统 | |
CN109766936A (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN115409069A (zh) | 村镇建筑的识别方法、分类方法、装置、电子设备和介质 | |
CN109522961A (zh) | 一种基于字典深度学习的半监督图像分类方法 | |
CN105809119A (zh) | 一种基于稀疏低秩结构多任务学习的行为识别方法 | |
Chen et al. | Rock image classification using deep residual neural network with transfer learning | |
CN111814696A (zh) | 一种基于改进YOLOv3的视频船舶目标检测方法 | |
CN110222832A (zh) | 长江口盐沼湿地大型底栖动物栖息地模拟预测方法 | |
CN113420768A (zh) | 岩芯类别确定方法、装置、电子设备和存储介质 | |
CN115511214A (zh) | 基于多尺度样本不均的矿产预测方法及系统 | |
Wu et al. | Automatic extraction of outcrop cavity based on a multiscale regional convolution neural network | |
Chang et al. | SegLog: Geophysical logging segmentation network for lithofacies identification | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
Yu et al. | Comparative study on concrete crack detection of tunnel based on different deep learning algorithms | |
Liu et al. | Advances in automatic identification of road subsurface distress using ground penetrating radar: State of the art and future trends | |
CN117710824A (zh) | 一种基于改进Cascade Mask R-CNN模型的岩芯图像RQD智能分析方法 | |
Adha et al. | Automated building classification framework using convolutional neural network | |
Firmansyah et al. | Building typology classification using convolutional neural networks utilizing multiple ground-level image process for city-scale rapid seismic vulnerability assessment |
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: 20191119 |
|
RJ01 | Rejection of invention patent application after publication |