CN111881811A - 基于自卷积注意力池化机制的掘进装备岩石分类方法 - Google Patents
基于自卷积注意力池化机制的掘进装备岩石分类方法 Download PDFInfo
- Publication number
- CN111881811A CN111881811A CN202010722887.0A CN202010722887A CN111881811A CN 111881811 A CN111881811 A CN 111881811A CN 202010722887 A CN202010722887 A CN 202010722887A CN 111881811 A CN111881811 A CN 111881811A
- Authority
- CN
- China
- Prior art keywords
- attention
- rock
- classification
- feature
- image
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
- 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)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种自卷积注意力池化机制的掘进装备岩石分类方法,属于图像识别领域。本发明的核心在于提出了一种用于岩石识别分类的注意力特征融合网络,其利用识别对象(岩石)图像对模型进行训练,通过自卷积操作得到岩石的注意力特征。为了完成分类任务,本发明在网络中提出了注意力特征融合模块,它能有效地将图像深度特征和注意力特征进行端到端融合和编码。本发明通过可视化实验和对比实验验证了自卷积操作和注意力特征融合模块的有效性。与此同时,岩石识别数据集的实验结果表明,注意力特征融合网络在岩石识别任务的准确性和实时性方面都优于包括LSTM(掩模引导)、ABN(注意力机制)、ResNet50(全局特征)在内的现有方法。
Description
技术领域
本发明属于图像识别领域,具体涉及一种基于自卷积注意力池化机制的掘进装备岩石分类方法。
背景技术
基于视觉的控制一直是隧道掘进装备(tunnel boring machine,TBM)的研究课题,特别是对隧道掘进机出渣的监控。其监测结果直观地反映了地表下不同岩石类型,可为隧道掘进装备控制提供科学参考。
深度卷积神经网络模型(deep convolution neural network model,CNN)可以有效地学习图像中的特征将图像进行分类。主流的深度学习分类网络可分为两类:基于局部特征的分类网络和基于全局特征的分类网络。在基于局部特征的分类中,通常采用掩模引导和基于注意力机制的方式学习特定部分的局部特征。这些局部特征是影响分类网络的关键因素。而基于全局特征的分类网络关注的是图像的整体属性。
无论掩模引导网络还是基于注意力机制的网络,CNN网络都是基础结构。在早期的研究中,CNN的主干网络结构、损失函数和训练策略总是不同的。然而,通用流程已经被提出并应用于许多高级视觉任务,如目标检测、识别、跟踪等。该流程由CNN主干网络、损耗函数和优化方法组成。
对于岩石区域特征提取有两个主要的挑战。
1.无监督局部特征提取。在岩石分类识别任务中我们必须把注意力集中在图像中相对完整的石块上,因为碎屑不能保留岩石的纹理和构造。同时,由于该任务是在工业现场进行应用,大规模图像标注的有监督学习网络是不适合的。
2.实时性需求。分类网络的结果会作为视觉控制的输入对TBM进行控制,这对分类网络的实时性提出了需求。现有的方法为了获得局部区域的特征,往往采用分支深度神经网络提取局部区域的特征,这大大增加了分类网络的复杂性。
因此,如何实现隧道掘进装备对岩石类型的自动识别,是目前急需解决的技术问题之一。
发明内容
本发明的目的在于解决现有技术中对岩石类型难以自动识别的问题,并提供一种基于自卷积注意力池化机制的掘进装备岩石分类方法。
本发明所采用的具体技术方案如下:
一种自卷积注意力池化机制的掘进装备岩石分类方法,其步骤如下:
S1:利用安装于隧道掘进装备上的视觉检测系统获取不同类型岩石的岩石渣块图像,并设置对应的分类标签,构建岩石识别数据集;
S2:利用所述的岩石识别数据集对用于岩石识别分类的注意力特征融合网络进行训练;
所述注意力特征融合网络包括CNN主干网络模块、自卷积注意力提取模块和注意力融合分类模块;
所述CNN主干网络中,以所述的岩石渣块图像作为给定图像I,以完整岩块图像作为对象图像IO,分别挖掘出给定图像I和对象图像IO的深度特征FI和FIo;
所述自卷积注意力提取模块中,获取所述深度特征FI和FIo,并以对象图像的深度特征FIo称为卷积核,对给定图像I的深度特征FI进行自卷积操作,并对卷积结果进行归一化,得到与深度特征FI相同大小的注意力特征A;
所述注意力融合分类模块中,先将注意力特征A映射扩展到深度特征FI映射通道对应的张量,然后把深度特征FI和注意力特征A融合起来得到注意力融合特征F=A·FI+FI,最后将注意力融合特征F进行平均池化后由Softmax函数获得岩石分类概率,得到分类预测结果;
训练过程中,计算分类预测结果与分类标签交叉熵损失,反向优化网络参数,训练得到所述注意力融合特征网络
S3:将待识别的岩石渣块图像输入训练完毕的注意力特征融合网络中,得到该图像中岩块对应的分类预测结果。
作为优选,所述的视觉检测系统包括面阵相机、光源、传输带和数据采集计算机,所述传输带用于输送隧道掘进装备掘进过程中产生的岩石渣块,所述光源用于对传送带上的岩石渣块进行补光,所述面阵相机用于拍摄传送带上的岩石渣块图像,所述数据采集计算机用于采集并存储面阵相机拍摄的岩石渣块图像。
进一步的,所述的视觉检测系统进行岩石渣块图像采集时,传送带以3-5m/s运行,面阵相机以30-70帧/秒的速度采集图像,曝光时间设置为120ms-300ms。
作为优选,所述的注意力特征融合网络,通过最小化交叉熵损失进行分类训练。
作为优选,所述CNN主干网络中,输入的给定图像I均预先统一为相同大小。
作为优选,所述的岩石识别数据集中,不同类型岩石的岩石渣块图像均进行数据增强处理。
作为优选,所述的CNN主干网络模块用ImageNet预训练的网络权值进行初始化。
作为优选,所述的CNN主干网络模块采用ResNet50。
本发明相对于现有技术而言,具有以下有益效果:
本发明提出了一种用于岩石识别分类的注意力特征融合网络,其利用识别对象(岩石)图像对模型进行训练,通过自卷积操作得到岩石的注意力特征。为了完成分类任务,本发明在网络中提出了注意力特征融合模块,它能有效地将图像深度特征和注意力特征进行端到端融合和编码。本发明通过可视化实验和对比实验验证了自卷积操作和注意力特征融合模块的有效性。与此同时,岩石识别数据集的实验结果表明,注意力特征融合网络在岩石识别任务的准确性和实时性方面都优于包括LSTM(掩模引导)、ABN(注意力机制)、ResNet50(全局特征)在内的现有方法,。
附图说明
图1为一种自卷积注意力池化机制的掘进装备岩石分类方法流程图;
图2为注意力特征融合网络结构图;
图3为岩石识别数据集示意图;其中(a)岩屑石英砂岩、(b)含砾砂岩、(c)中细砂岩、(d)粉砂岩、(e)泥岩;
图4为自卷积操作得到的注意力特征示意图;
图5为注意力融合分类模块示意图;
图6为注意力特征可视化结果。
具体实施方式
下面结合附图和具体实施方式对本发明做进一步阐述和说明。本发明中各个实施方式的技术特征在没有相互冲突的前提下,均可进行相应组合。
如图1所示,在本发明中提供了一种自卷积注意力池化机制的掘进装备岩石分类方法,其步骤如下:
S1:利用安装于隧道掘进装备上的视觉检测系统获取不同类型岩石的岩石渣块图像,并设置每张图像中岩石对应的分类标签,构建岩石识别数据集;
S2:利用上述S1步骤中得到的岩石识别数据集对用于岩石识别分类的注意力特征融合网络进行训练。
其中,本发明构建的注意力特征融合网络结构如图2所示,包括CNN主干网络模块、自卷积注意力提取模块和注意力融合分类模块三部分。
在CNN主干网络中,以岩石渣块图像作为给定图像I,以完整岩块图像作为对象图像IO,分别挖掘出给定图像I和对象图像IO的深度特征FI和FIo。
CNN主干网络模块可以采用ResNet50等现有网络实现,其在进行特征提取前,可用ImageNet预训练的网络权值进行初始化。CNN主干网络中,输入的给定图像I均预先统一为相同大小。
在自卷积注意力提取模块中,先获取深度特征FI和FIo,并以对象图像的深度特征FIo称为卷积核,对给定图像I的深度特征FI进行自卷积操作,并对卷积结果进行归一化,得到与深度特征FI相同大小的注意力特征A。
在注意力融合分类模块中,先将注意力特征A映射扩展到深度特征FI映射通道对应的张量,然后把深度特征FI和注意力特征A融合起来得到注意力融合特征F=A·FI+FI,最后将注意力融合特征F进行平均池化后由Softmax函数获得岩石分类概率,得到分类预测结果;
训练过程中,计算分类预测结果与分类标签交叉熵损失,反向优化网络参数,训练得到所述注意力融合特征网络。
上述注意力特征融合网络在训练过程中,损失函数设置为交叉熵损失,通过最小化交叉熵损失进行分类训练。岩石识别数据集中样本数量不足时,可以将不同类型岩石的岩石渣块图像均进行数据增强处理。
S3:将待识别的岩石渣块图像输入训练完毕的注意力特征融合网络中,得到该图像中岩块对应的分类结果。
下面将上述方法应用于一个具体实施例中,以展示本发明的具体实现过程和技术效果。
实施例
本实施例基于某输水隧道项目施工现场进行数据采集,并利用采集数据进行岩石分类。
一、岩石识别数据集构建
本实施例中建立了一个自动化的视觉监控系统,该系统包括面阵相机、光源、传输带和数据采集计算机。该系统安装在TMB的头部位置,其中传输带用于输送TMB掘进过程中产生的岩石渣块,光源用于对传送带上的岩石渣块进行补光,面阵相机用于拍摄传送带上的岩石渣块图像,数据采集计算机用于采集并存储面阵相机拍摄的岩石渣块图像。
本实施例中,面阵相机型号选择HIKVISION MV-CA013-21UM,采集图像的大小设置为1024×1024。为了保证收集到的图像没有重影,传送带以3m/s的速率运行,视觉系统应该以30帧/秒的速度采集图像,曝光时间需要设置为200ms。
本实施例采集了岩屑石英砂岩、砾岩砂岩、中细砂岩、粉砂岩和泥岩5种岩石的岩石渣块图像2000张,如图3所示,每种岩石类型的400张图像分为训练集和测试集,训练集有300幅训练图像,测试集有100幅测试图像,每张图像均带有其岩石分类标签。
二、注意力特征融合网络(attention-fusion network,AFN)构建
面阵相机拍摄到的岩石渣块图像中,含有完整岩块、渣石碎屑和传送带等。在岩石分类识别任务中,必须把注意力集中在图像中相对完整的岩块上,因为渣石碎屑不能保留岩石的纹理和构造。因此,分类网络应该重点关注图像中的完整岩块区域。
AFN中,以岩石渣块图像作为给定图像I,以完整岩块图像作为对象图像IO,其目的是获得较完整岩石部分的注意力特征图A,然后增强图像深度特征进行分类任务。AFN的模型如图2所示,包括CNN主干网络模块、自卷积注意力提取模块和注意力融合分类模块。本实施例中选取ResNet50作为CNN主干网。首先使用CNN主干网提取图像I及其目标图像Io的深度特征。在此基础上,利用自卷积操作提取图像的注意力特征。最后,将图像深度特征融合注意力特征构建新的融合特征,经过池化等操作完成注意力特征融合网络的训练,用于进行岩石的分类识别。
1、自卷积注意力特征提取
首先,将给定图像I和对象图像IO输入CNN主干网络,分别挖掘出给定图像I和对象图像IO的深度特征FI和FIo,其张量大小分别为C×K×K和C×H×W。其中C为通道数,K×K和H×W为给定图像I和对象图像IO的深度特征空间分辨率。本步骤中所用的对象图像IO,可以从各给定图像I中截取一张较为典型的完整岩石块图像,后续步骤均可采用该图像作为对象图像。
本发明的任务是获得较完整岩石部分的注意力特征,因此为了解决这一问题,引入了自卷积操作。具体来说,自卷积操作在图像处理领域又称为交叉卷积操作,因此对象图像的深度特征FIo作为卷积核。卷积核相对于图像深度特征的注意特征计算如下。
A=x*FI (1)
其中x代表卷积核,*为自卷积运算,可通过标准卷积进行。
同时,对卷积结果进行归一化后,得到与深度特征FI相同大小的注意力特征A∈RK ×K。A是一个大小为K×K的单通道张量。由于卷积计算的边缘效应,在具体实现中会对深度特征进行消去,以保证注意力特征与深度特征的一致性。
注意力特征的值主要与两个因素有关:
1)卷积核与被卷积区域之间的相似性。相似度越高,响应值越大。
2)深度特征的值,卷积核和被卷积的区域的值越大,响应值越大。
第1)个因素可以帮助我们找到与目标图像相似的区域。而第2)个因素会削弱背景区域(输送带)和碎屑区域的响应值,这些区域的深度特征值通常较小。如图4所示,可以发现注意力特征的焦点区域就是所定位的较完整岩石区域。
2、注意力特征融合分类
通过前述的自卷积运算操作,可以得到较完整岩石区域的注意特征。为了提高分类任务的准确率,本发明通过构建如图5所示的注意力融合分类模块,提出了AFC算法:
首先将注意力特征映射扩展到深度特征映射通道对应的张量,通式表示为:
f′(xi)=g(xi)·f(xi) (2)
然后,我们把深度特征和注意力特征融合起来。借鉴ResNet中剩余累积的思想,得到了能够防止注意力特征低值区域退化为零的注意力特征融合图,通式表示为:
F(xi)=f′(xi)+f(xi) (3)
在本实施例中,深度特征FI和注意力特征A最终融合得到的注意力融合特征表示为:F=A·FI+FI。然后,将注意力融合特征映射到avg pool中完成分类任务,即将注意力融合特征进行平均池化后由Softmax函数输出分类结果。由于注意图在岩石区域具有较高的响应值,因此这些区域的局部特征经过avg pooling后具有较高的权值。最终的预测是由交叉熵损失给出的。
三、模型分类训练
AFN模型通过最小化交叉熵损失进行分类训练,注意力融合分类模块添加到这个网络框架而没有破坏原来的网络框架,使该模块更可移植。
训练参数设置如下:使用标准的SGD对岩石识别数据集进行批处理。将输入图像的大小均匀缩放为448×448像素,同时训练集采用了随机裁剪、随机水平翻转等进行数据增强,并采用了学习率预热策略。CNN主干网络在使用前,用ImageNet预训练的网络权值初始化CNN主干网络。
AFN模型训练完毕后,即可将测试集中的岩石渣块图像输入其中,得到图像中岩块对应的分类预测结果,实现岩石自动分类识别。
四、结果展示
1.注意力特征可视化实验
对岩石识别数据集进行实验后,自卷积操作注意力特征可视化结果如图6所示。每条线代表同一类型岩石的三幅图像及其注意力特征的可视化结果。从图6可以得出两个结论:
1)对于目标深度特征的卷积核,其注意力特征可以考虑在原始图像中高度相似的区域。注意特征的高响应区几乎都是岩石区位置。
2)注意力特征在背景或碎屑区域的反应被抑制。然而,这种抑制是有限的,如滚轮区域也出现高响应。
2.注意力融合分类模块实验
为了验证注意力融合分类模块的有效性,本实施例比较了ResNet50模型、ResNet50+融合特征模型和本发明的ResNet50+AFC模型。模型的分类精度如表1所示。
表1注意力特征融合模块测试
由此可见,本发明的AFC相较于ResNet50模型和ResNet50+融合特征模型在分类精度方面分别提高了20.9%和4.6%。结果表明,本发明的AFC是一种有效的岩石分类识别方法。注意力特征融合模型比单纯的融合特征模型精度稍高。在剩余注意机制中,与ResNet一样,特征图中也有身份映射。这种结构性解决方案提高了模型的性能。
3.岩石识别数据集的结果
本发明在岩石识别数据集上的结果总结在表2中,此处用最先进的方法和标准ResNet50(在ImageNet上预先训练)比较了本发明的结果。所有的方法都被分为三类:掩模引导、基于注意力机制和全局特征。
本发明选择了最具代表性的方法:LSTM(掩模引导),ABN(注意力机制),ResNet50(全局特征)。全局特征只使用了一个全局特征,在比较中性能最差。LSTM和ABN分别实现了87.3%和90.8%的分类精度。本发明的方法也取得了相似的性能。但是LSTM和ABN都需要在主骨网中嵌入一层分支结构,所以本发明的方法在效率上更有优势。总之,本发明的模型达到了最先进的精度。
表2岩石识别数据集结果
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (8)
1.一种自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,步骤如下:
S1:利用安装于隧道掘进装备上的视觉检测系统获取不同类型岩石的岩石渣块图像,并设置对应的分类标签,构建岩石识别数据集;
S2:利用所述的岩石识别数据集对用于岩石识别分类的注意力特征融合网络进行训练;
所述注意力特征融合网络包括CNN主干网络模块、自卷积注意力提取模块和注意力融合分类模块;
所述CNN主干网络中,以所述的岩石渣块图像作为给定图像I,以完整岩块图像作为对象图像IO,分别挖掘出给定图像I和对象图像IO的深度特征FI和FIo;
所述自卷积注意力提取模块中,获取所述深度特征FI和FIo,并以对象图像的深度特征FIo称为卷积核,对给定图像I的深度特征FI进行自卷积操作,并对卷积结果进行归一化,得到与深度特征FI相同大小的注意力特征A;
所述注意力融合分类模块中,先将注意力特征A映射扩展到深度特征FI映射通道对应的张量,然后把深度特征FI和注意力特征A融合起来得到注意力融合特征F=A·FI+FI,最后将注意力融合特征F进行平均池化后由Softmax函数获得岩石分类概率,得到分类预测结果;
训练过程中,计算分类预测结果与分类标签交叉熵损失,反向优化网络参数,训练得到所述注意力融合特征网络;
S3:将待识别的岩石渣块图像输入训练完毕的注意力特征融合网络中,得到该图像中岩块对应的分类预测结果。
2.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的视觉检测系统包括面阵相机、光源、传输带和数据采集计算机,所述传输带用于输送隧道掘进装备掘进过程中产生的岩石渣块,所述光源用于对传送带上的岩石渣块进行补光,所述面阵相机用于拍摄传送带上的岩石渣块图像,所述数据采集计算机用于采集并存储面阵相机拍摄的岩石渣块图像。
3.如权利要求2所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的视觉检测系统进行岩石渣块图像采集时,传送带以3-5m/s运行,面阵相机以30-70帧/秒的速度采集图像,曝光时间设置为120ms-300ms。
4.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的注意力特征融合网络,通过最小化交叉熵损失进行分类训练。
5.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述CNN主干网络中,输入的给定图像I均预先统一为相同大小。
6.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的岩石识别数据集中,不同类型岩石的岩石渣块图像均进行数据增强处理。
7.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的CNN主干网络模块用ImageNet预训练的网络权值进行初始化。
8.如权利要求1所述的自卷积注意力池化机制的掘进装备岩石分类方法,其特征在于,所述的CNN主干网络模块采用ResNet50。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722887.0A CN111881811B (zh) | 2020-07-24 | 2020-07-24 | 基于自卷积注意力池化机制的掘进装备岩石分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010722887.0A CN111881811B (zh) | 2020-07-24 | 2020-07-24 | 基于自卷积注意力池化机制的掘进装备岩石分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111881811A true CN111881811A (zh) | 2020-11-03 |
CN111881811B CN111881811B (zh) | 2022-04-26 |
Family
ID=73201279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010722887.0A Active CN111881811B (zh) | 2020-07-24 | 2020-07-24 | 基于自卷积注意力池化机制的掘进装备岩石分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111881811B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112861617A (zh) * | 2020-12-31 | 2021-05-28 | 中南大学 | 一种基于监控图像的边坡灾害识别系统 |
CN113762251A (zh) * | 2021-08-17 | 2021-12-07 | 慧影医疗科技(北京)有限公司 | 一种基于注意力机制的目标分类方法及系统 |
FR3121468A1 (fr) * | 2021-04-06 | 2022-10-07 | Vinci Construction | Procédé de détection de la consistance du marin excavé par un tunnelier |
CN115222947A (zh) * | 2022-09-21 | 2022-10-21 | 武汉珈鹰智能科技有限公司 | 基于全局自注意力变换网络的岩石节理分割方法和装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378916A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
CN111382676A (zh) * | 2020-02-25 | 2020-07-07 | 南京大学 | 一种基于注意力机制的沙粒图像分类方法 |
-
2020
- 2020-07-24 CN CN202010722887.0A patent/CN111881811B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110378916A (zh) * | 2019-07-03 | 2019-10-25 | 浙江大学 | 一种基于多任务深度学习的tbm图像出渣分割方法 |
CN111382676A (zh) * | 2020-02-25 | 2020-07-07 | 南京大学 | 一种基于注意力机制的沙粒图像分类方法 |
Non-Patent Citations (2)
Title |
---|
GEORG HERMANN ERHARTER 等: "Comparision of artificial neural networks for TBM data classification", 《ISRM》 * |
王鹏宇 等: "四类常见边坡岩石类别识别和边界范围确定的方法", 《岩土工程学报》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112686259B (zh) * | 2020-12-16 | 2023-09-26 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112861617A (zh) * | 2020-12-31 | 2021-05-28 | 中南大学 | 一种基于监控图像的边坡灾害识别系统 |
FR3121468A1 (fr) * | 2021-04-06 | 2022-10-07 | Vinci Construction | Procédé de détection de la consistance du marin excavé par un tunnelier |
CN113762251A (zh) * | 2021-08-17 | 2021-12-07 | 慧影医疗科技(北京)有限公司 | 一种基于注意力机制的目标分类方法及系统 |
CN113762251B (zh) * | 2021-08-17 | 2024-05-10 | 慧影医疗科技(北京)股份有限公司 | 一种基于注意力机制的目标分类方法及系统 |
CN115222947A (zh) * | 2022-09-21 | 2022-10-21 | 武汉珈鹰智能科技有限公司 | 基于全局自注意力变换网络的岩石节理分割方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN111881811B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111881811B (zh) | 基于自卷积注意力池化机制的掘进装备岩石分类方法 | |
WO2021139484A1 (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
Zhong et al. | Multi-scale feature fusion network for pixel-level pavement distress detection | |
CN110110780B (zh) | 一种基于对抗神经网络和海量噪声数据的图片分类方法 | |
CN108734109B (zh) | 一种面向图像序列的视觉目标跟踪方法及系统 | |
CN112700435A (zh) | 一种基于深度学习的墙体缺陷检测方法 | |
CN111680759B (zh) | 一种电网巡检绝缘子检测分类方法 | |
CN111783736A (zh) | 一种基于人体语义对齐的行人重识别方法、装置和系统 | |
CN113205138A (zh) | 人脸人体匹配方法、设备和存储介质 | |
Lei et al. | Intelligent recognition of joints and fissures in tunnel faces using an improved mask region‐based convolutional neural network algorithm | |
Dang et al. | Lightweight pixel-level semantic segmentation and analysis for sewer defects using deep learning | |
CN107729811B (zh) | 一种基于场景建模的夜间火焰检测方法 | |
CN110378916B (zh) | 一种基于多任务深度学习的tbm图像出渣分割方法 | |
CN117423157A (zh) | 一种结合迁移学习、区域入侵的矿井下异常视频动作理解方法 | |
Ouyang et al. | Automated pixel-level crack monitoring system for large-scale underground infrastructure–A case study at CERN | |
CN111145221A (zh) | 一种基于多层深度特征提取的目标跟踪算法 | |
CN115359091A (zh) | 一种用于移动机器人的装甲板检测跟踪方法 | |
CN113269734B (zh) | 一种基于元学习特征融合策略的肿瘤图像检测方法及装置 | |
CN113192108B (zh) | 一种针对视觉跟踪模型的人在回路训练方法及相关装置 | |
CN111626102B (zh) | 基于视频弱标记的双模态迭代去噪异常检测方法及终端 | |
CN113095235A (zh) | 一种基于弱监督判别机制的图像目标检测方法、系统及装置 | |
Tingjiang et al. | Research and application of downhole drilling depth based on computer vision technique | |
CN112487927A (zh) | 一种基于物体关联注意力的室内场景识别实现方法及系统 | |
Fei et al. | A video object detector based on deep reinforcement learning and correction module | |
Li et al. | Visual perception system design for rock breaking robot based on multi-sensor fusion |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |