CN110490100A

CN110490100A - 基于深度学习的岩土自动识别定名方法及系统

Info

Publication number: CN110490100A
Application number: CN201910704218.8A
Authority: CN
Inventors: 唐朝国; 朱泳标; 杨科; 郑之光; 张居力; 林龙; 董凤翔; 林华珍; 孙夕雯; 彭玲军; 刘可昕
Original assignee: China Railway Eryuan Engineering Group Co Ltd CREEC
Current assignee: China Railway Eryuan Engineering Group Co Ltd CREEC
Priority date: 2019-07-31
Filing date: 2019-07-31
Publication date: 2019-11-22

Abstract

本发明公开了一种基于深度学习的岩土自动识别定名方法及系统，将基于深度学习的神经网络图像识别技术运用到岩土自动识别定名的自动检测上，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土地质类别预测结果。该自动识别技术具有较高的准确性，减小传统人工对岩土地质类别的判定存在的误差，提高了岩芯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

基于深度学习的岩土自动识别定名方法及系统

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土自动识别定名方法及系统。

背景技术

在工程地质勘察工作中，了解地下岩层类别的分布状况，对钻孔点周围的地质情况做出预测，能够有效降低钻孔成本，节省财力。在实际钻探工程当中，可通过钻孔岩芯拍摄采集大量的高精度岩芯图像，这些岩芯图像准确记录了地下岩体的层面信息，我们需要对采集到的岩芯图像进行识别定名才可以完成钻孔层面的分割分块处理。

目前我们对于岩芯图像层面形态特征的判读与几何参数的提取(岩土识别定名过程)还停留在人工经验判断与主观识别的技术层面上，然而工程作业中钻孔很深，图像数据量也很大，因此对岩土的识别工作量大并且具有主观性，工作效果差，人为因素较重。往往导致地质层面信号的破坏和丢失，而且没有很好的解决方法。综上所述，在工程地质勘察钻孔工作中，面对海量的岩芯图像数据以及复杂的岩体结构，只依赖于人工进行识别判断，存在费时费力、难以短期内进行客观有效的分割分块处理的问题。

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土自动识别定名方法及系统，能够实现对岩土类别的自动定名，提高岩芯图像识别效率及准确性。

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土自动识别定名方法，包括：

采集岩芯图像，对采集到的岩芯图像进行预处理；构建基于深度学习的岩土自动识别定名网络；利用所述预处理后的岩芯图像训练所述基于深度学习的岩土自动识别定名网络，优化网络参数，以使所述基于深度学习的岩土自动识别定名网络满足：当有岩芯图像输入时，自动输出其定名识别结果。

优选的，一种基于深度学习的岩土自动识别定名方法中，所述预处理包括：

将采集到的岩芯图像数据缩放处理至统一的像素值；将缩放后的岩芯图像数据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土自动识别定名方法中，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土自动识别定名方法，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土自动识别定名网络的真值边界框。

优选的，一种基于深度学习的岩土自动识别定名方法中，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土自动识别定名方法中，所述基于深度学习的岩土自动识别定名网络包括：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芯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土自动识别定名方法中，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土自动识别定名方法中，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土自动识别定名方法中，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土自动识别定名系统，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土识别定名，取代传统人工识别，实现对岩土的自动识别定名，减小人工对岩土地质类别的判定存在的误差，提高了岩芯图像识别的效率及准确性，从而节省了工程人力成本；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土自动识别定名方法流程图。

图2是根据本发明示例性实施例的基于深度学习的岩土自动识别定名网络结构示意图。

图3是根据本发明示例性实施例的基于深度学习的岩土自动识别定名系统自动输出的岩土定名结果的部分效果示意图1。

图4是根据本发明示例性实施例的基于深度学习的岩土自动识别定名系统自动输出的岩土定名结果的部分效果示意图2。

图5是根据本发明示例性实施例的基于深度学习的岩土自动识别定名系统自动输出的岩土定名结果的部分效果示意图3。

图6是根据本发明示例性实施例的基于深度学习的岩土自动识别定名系统结构示意图。

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土自动识别定名方法。该实施例的检测方法主要包括：

采集岩芯图像，对采集到的岩芯图像进行预处理；构建基于深度学习的岩土自动识别定名网络；利用所述预处理后的岩芯图像训练所述基于深度学习的岩土自动识别定名网络，优化网络参数，以使所述基于深度学习的岩土自动识别定名网络满足：当有岩芯图像输入时，自动输出其岩土定名结果(即相应的岩石类别)。

具体的，通过手机或者相机拍摄地勘现场的岩芯图像，也可以是施工现场通过钻孔岩芯拍摄技术采集到的大量岩芯图像，并对采集到的岩芯图像进行批量处理。接着对降噪后的岩芯图像进行预处理，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芯图像需要被缩放为32*32的倍数，本实施例将岩芯图像统一缩放至416*416像素。

进一步的，将缩放后的岩芯图像标记成可扩展标记语言文件进行存储，即将岩芯图像进行标注，并存储为xml格式文件、txt格式，如图2所示，采集到的岩芯图像为原始无标签的岩芯图像，在格式标记中，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；从而获取岩土类别信息。在标记过程中，不同类别的岩土用不同的边框区分，并依据TB 10077-2001，《铁路工程岩土分类标准》中各个岩土分类对每个边框进行标记，得到岩土的类别标签。此时缩放后的岩芯图像已经被标记为由多个具有目标边框及类别标签信息的可扩展标记语言文件。

将所有岩芯图像及其可扩展标记语言文件按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。其中，采取由k均值聚类方法确定模型识别的边界框anchors(预测边界框)的具体过程为：首先从文本文件中读取真值边界框信息(x_j，y_j，w_j，h_j)，j∈{1，2，...，N}；再给定k个聚类中心点(W_i，H_i)，iI{1，2，...，k}，这里的W_i，H_i是锚框的宽和高；计算每个标注框和每个聚类锚框的距离d＝1-IOU[(x_j，y_j，w_j，h_j)，(x_j，y_j，W_j，H_j)，j∈{1，2，...，N，i∈{1，2，...，k]，将标注框分配给d最小的聚类锚框；用平均值法根据重新分配的标注框对每个簇计算新的聚类中心点重复上两步直至聚类中心点(W_i，H_i)改变很小，从而得到相应的预测边界框。

进一步的，构建基于深度学习的岩土自动识别定名网络，并将k均值聚类方法处理后的训练集和检验集岩芯图像输入至所述基于深度学习的岩土自动识别定名网络，训练并优化网络参数，以使所述基于深度学习的岩土自动识别定名网络满足：当有岩芯图像输入时，自动输出其岩土类别预测结果。(针对一张岩芯图像里面的各个岩土都会输出相应的岩土类别预测结果)

具体的，图2示出了本发明示例性的基于深度学习的岩土自动识别定名网络，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t_{x，y，w，h}做出预测，通过网格坐标偏移量c_x，c_y和预设锚框的宽p_w和高p_h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；岩芯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；待预测岩芯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岩土地质类别；并将岩土识别定名结果显示在待预测岩芯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岩土类别及置信度。图3至图5截取了部分本系统自动输出的岩土定名结果的效果示意图。其中，图3中的边界框上方的字母ny代表了识别出来的岩土地质类别-泥岩，相应的数字即为的置信度；图3中的边界框上方的字母ny代表了识别出来的岩土地质类别-泥岩，相应的数字即为的置信度。图4中的边界框上方的字母dirt代表了识别出来的岩土地质类别-泥土，相应的数字即为的置信度。图5中的边界框上方的字母sy代表了识别出来的岩土地质类别-砂岩，相应的数字即为的置信度0.27(百分之27)；另外还用rock代表岩石，kst代表其他岩土类型。并且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。

本发明所提出的岩芯图像自动识别定名模型，针对获取的岩芯图像，结合岩芯图像中地质层面的特征，对地质勘测中的岩芯图像数据进行岩土分类识别研究，通过对岩芯图像中的不同类型目标进行分析，最终识别出不同岩芯图像包含的岩土类别(主要有常见的5类岩土：砂岩、泥岩、泥土、岩石等)，提高岩芯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，能够满足工程地质勘察开发要求，使深度学习技术在工程地质勘察领域有了突破性的应用，有效解决了传统岩土识别定名依赖专家经验、缺乏客观性、准确性且效率不高的问题。

图6示出了根据本发明示例性实施例的基于深度学习的岩土自动识别定名系统，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

1.一种基于深度学习的岩土自动识别定名方法，其特征在于，包括：

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：

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土自动识别定名网络的真值边界框。

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土自动识别定名网络包括：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；

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土自动识别定名系统，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。