CN113077009A - 一种基于迁移学习模型的隧道围岩岩性识别方法 - Google Patents
一种基于迁移学习模型的隧道围岩岩性识别方法 Download PDFInfo
- Publication number
- CN113077009A CN113077009A CN202110422638.4A CN202110422638A CN113077009A CN 113077009 A CN113077009 A CN 113077009A CN 202110422638 A CN202110422638 A CN 202110422638A CN 113077009 A CN113077009 A CN 113077009A
- Authority
- CN
- China
- Prior art keywords
- model
- surrounding rock
- tunnel surrounding
- image
- migration learning
- 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 58
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000013508 migration Methods 0.000 title claims abstract description 24
- 230000005012 migration Effects 0.000 title claims abstract description 24
- 238000010276 construction Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 23
- 238000012549 training Methods 0.000 claims description 15
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 12
- 238000012795 verification Methods 0.000 claims description 10
- 238000002474 experimental method Methods 0.000 claims description 6
- 238000013526 transfer learning Methods 0.000 claims description 5
- 238000011161 development Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 230000002708 enhancing effect Effects 0.000 claims 1
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 4
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000036541 health Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 5
- 230000007423 decrease Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000003709 image segmentation Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000033772 system development Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 239000010438 granite Substances 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
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)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于迁移学习模型的隧道围岩岩性识别方法。依据隧道围岩图像数据集,运用深度迁移学习技术,构建并训练迁移学习模型,并结合子图像法对图像进行纹理、颜色、结构及构造等特征的提取,从而得到隧道围岩岩性的识别结果。本发明可以高效准确地对围岩岩性进行识别与分类,可减少传统的人工识别过程中施工技术人员对岩性的主观误判,提高对围岩岩性的判别准确率,有利于隧道围岩稳定性分析、结构健康检测等工作的高效进行。
Description
技术领域
本发明涉及一种基于迁移学习模型的隧道围岩岩性识别方法,属于岩土工程技术领域。
背景技术
围岩岩性的识别在隧道围岩稳定性分析、结构健康检测等工作中是至关重要的。如果不能准确地识别围岩岩性,则隧道工作面可能会出现施工障碍和坍塌问题,这无疑将给隧道的建设、运营和维护带来严峻的挑战。
对于识别隧道围岩岩性一般采用传统经验法,常依赖于施工技术人员通过观察围岩的结构、构造及纹理等多方面特征进行识别。此识别方法对施工技术人员要求高,需要有充足的经验作为知识支撑,易受人为因素的影响,且误判率较高。
近年来,随着人工智能、大数据等技术的兴起,利用前沿技术来解决工程实际问题已逐步成为土木工程领域研究趋势。深度学习技术与岩土工程交叉,提供了一种快速高效的分析方法,并在诸多领域取得了突破性进展。因此,发明者发现可以运用深度迁移学习技术与子图像法结合的方法,对隧道围岩岩性进行识别,并且此方法较传统方法更加准确高效。
发明内容
为了使施工技术人员准确高效地识别出隧道围岩岩性,本发明提供了一种基于迁移学习模型的隧道围岩岩性识别方法。该方法通过识别隧道围岩图像,达到围岩岩性识别的目的。
一种基于迁移学习模型的隧道围岩岩性识别方法,步骤如下:
步骤一、隧道围岩图像数据集获取和预处理:
(1)使用数码相机或手机在施工现场收集隧道围岩图像,构建原始数据集,并按照一定比例对围岩图像进行训练集和验证集的分配;
(2)对训练集图像进行随机翻转、随机对比度变换和随机亮度变换扩充围岩图像数据集,并进行归一化处理,对验证集图像进行归一化处理。
步骤二、迁移学习:
(1)在ImageNet大数据集上预训练Inception-Resnet-V2模型,然后将原始图像数据集传入预训练模型中;
(2)在模型迁移过程中,保持模型的权重参数不变,对模型输出进行归一化处理,并建立大小不同的全连接层,以Relu函数为激活函数;
(3)建立Softmax函数对图像进行分类,并设置输出神经元的个数。
步骤三、模型调整:
(1)添加全连接层:对步骤二中得到的初始模型进行结构和微参数的调整,将原模型最后一层更换为全连接层,并设置输入与输出结点参数;
(2)建立Dropout层,防止模型出现过拟合问题,并增强模型的泛化性能;
(3)采用余弦退火函数来降低学习率;
(4)采用交叉熵函数作为损失函数,来衡量模型预测准确性;
(5)分别以模型初始学习率和优化器种类为自变量进行实验,寻找模型最优微参数;
(6)将验证集的完整围岩图像切割为子图像,并把子图像导入模型进行验证,通过概率统计方法来确定整体图像的识别结果。
步骤四、App系统开发:
(1)运用Java语言,在Android Studio开发平台进行基于Android客户端的隧道围岩岩性识别App的开发;
(2)将深度迁移学习模型部署于服务器,实现客户端与服务器端的交互。
采用上述技术方案,本发明至少取得的如下有益效果:
(1)本发明将深度迁移学习技术运用到隧道围岩岩性的识别与分类中,代替了传统的人工识别,可减少施工技术人员对岩性的主观误判,提高对围岩岩性的判别准确率,且省时省力。
(2)迁移学习使用在大数据集上已预先训练好的模型参数作为模型训练的初始参数,以代替传统深度学习算法的随机初始化参数,可以更快且更有效的提高准确率,在有限的时间内训练出泛化性强的模型。
(3)本发明引入子图像法与整体图像法相结合的方法,避免了局部识别误差对整体识别率的影响,可以有效提高对目标围岩岩性的识别准确率。
附图说明
图1为模型实验流程图;
图2为Inception-Resnet-V2架构示意图;
图3为子图像分割示意图;
图4为隧道围岩岩性识别系统整体框架;
图5为App界面显示图。
具体实施方式
下面参照附图对本发明的具体实施步骤做详细说明。此处所描述的具体实施步骤仅用于解释本发明,并不用于限定本发明。
在展开详细说明之前,需要特别指出的是,本发明属于(隧道工程)岩土工程技术领域,特别涉及一种在隧道施工过程中,依靠清晰隧道围岩图像,结合深度迁移学习模型提取图像特征,对围岩岩性进行自动识别的方法。图1示出了整个模型试验的流程图,现结合实施例对具体实施步骤进行说明。
本实施例的实验环境为:
硬件环境:QuadCore Intel Core i7-6800@ 3.40GHz;内存32GB;NVIDIA GTX1070 GPU8GB;
软件环境:Windows 10操作系统;TensorFlow 1.13.1和Keras 2.2.4。
采用Inception-Resnet-V2作为实验网络模型,该网络模型主要包括以下几个部分:
前7层由5层卷积层、2层最大池化层和具有4个分支的 Inception 模块组成;连接包括三个分支的残差Inception模块,并重复5次该模块;连接3个分支的Inception模块;连接具有两个分支的残差Inception模块,并重复10次该模块;连接具有4个分支的Inception模块;连接具有两个分支的残差Inception模块,并重复5次该模块;连接一层平均池化层;连接Dropout层;连接Softmax层,输出识别结果。Inception-Resnet-V2架构示意图示于图2。
(1)隧道围岩图像数据集获取和预处理:
(1a)本实施例使用的围岩图像数据集由发明人使用数码相机和手机在湖南湘西永吉高速那丘、六月田、务西作、罗依溪、白尖山、狮子庵隧道收集到的隧道围岩图像组成,包括六类带标签的图像数据:花岗岩、石灰岩、玄武岩、页岩、砂岩和流纹岩,图像总和2586张。实验中随机分配每类图像的90%作为训练集,10%作为验证集。
(1b)对训练集图像进行随机翻转、随机对比度变换和随机亮度变换来扩充围岩图像数据集,并进行归一化处理将像素点压缩到-1~1区间中,以便于模型对数据进行处理。将验证集图像进行归一化处理。因选用ImageNet大数据集进行模型预训练,故需将RGB三通道标准化系数设置为规定值,其中标准差分别设置为0.229、0.224、0.225,均值分别设定为0.485、0.456、0.406。
(2)迁移学习:借鉴在ImageNet大数据集上训练的模型结构和参数,应用在隧道围岩岩性识别实验中,以达到更高的准确率。传统深度学习和迁移学习对比示意图如图2所示。
(2a)在ImageNet大数据集上预训练Inception-Resnet-V2模型(其架构示意图如图3所示),然后将原始图像数据集传入预训练模型中。
(2b)构建Batch Normalization,对模型输出进行归一化处理。
(2c)在模型迁移过程中,保持模型的权重参数不变,并建立神经元个数为256和128的全连接层,设置激活函数为Relu函数,并再次进行Batch Normalization处理。
(2d)建立 Softmax函数对图像进行分类,并设置输出神经元的个数为6。
(2e)编译时设置steps_per_epoch为16,迭代次数为40,初始学习率为0.001,最小学习率为1e-8,并选用SGD优化器。
(3)模型调整:调整Inception-Resnet-V2的结构和参数,使其拥有更好的分类性能。
(3a)添加全连接层:对(2)中得到的初始模型进行结构和微参数的调整,将其原来最后一层对1000进行分类更换为全连接层,并设置输入结点为2048,输出结点为6。
(3b)建立Dropout层,设置keep-prob=0.8,以防止模型出现过拟合问题,并增强模型的泛化性能。
(3c)设置实验迭代次数为100次,设置batch-size=32,即将32个样本例作为一个batch进行迭代,设定动量参数β=0.9,初始学习率进行不同设置。
(3d)当使用梯度下降算法来优化目标函数时,越接近Loss值的全局最小值,学习率应该变得更小来使得模型尽可能接近这一点,而余弦退火可以通过余弦函数来降低学习率。余弦函数中随着x的增加余弦值首先缓慢下降,然后加速下降,再次缓慢下降。
(3e)采用交叉熵函数作为损失函数,损失函数就是用来表现预测与实际数据的差距程度,衡量模型预测准确性。
(3f)用于卷积分类模型常见的优化器有Adam和SGD优化器。分别以模型初始学习率和优化器种类为自变量进行实验,寻找模型最优参数。最终得到的最优模型为初始学习率为0.01,优化器为SGD时的模型。保存最优Inception-Resnet-V2模型并将训练集重新导入模型中进行训练。
(3g)将验证集的完整围岩图像切割为4×4的子图像,并在相应位置进行标记。将所有子图像分批放入Inception-Resnet-V2模型进行特征提取,得到每一个子图像的识别结果,通过概率统计方法来确定整体图像的识别结果。对比整体图像法和子图像发的识别结果,得到子图像识别准确率高于整体图像法。子图像分割示意图如图3所示。
(4)App系统开发:
围岩岩性识别系统的开发目标是用户运用APP通过拍摄图片或者上传本地围岩图片,上传到服务器端进行深度迁移学习模型处理,服务器端将识别结果和相关知识反馈至客户端。基于Android的隧道围岩岩性识别App由客户端和服务器端组成,系统整体框架示于图4。
客户端主要功能为:实现用户的注册与登录、查找或收藏围岩的岩性信息、用户进行拍照或本地图片上传、显示服务器端对围岩识别结果及相关信息的反馈。
服务器端主要功能为:接受用户上传的图像,将图像导入深度迁移学习模型进行分析,通过子图像分割和特征提取等一系列图像处理后,返回得到的岩性识别结果至服务器后台,后台调用岩性信息数据库对该类岩石进行相关信息查找,反馈给客户端围岩岩性、形成原因、所属大类、结构构造及抗压强度范围等相关信息。
基于Android客户端的隧道围岩岩性识别App是在Windows10操作系统下,运用Java语言在Android Studio开发平台进行的开发,并生成.apk文件,即可安装于Android手机。
将训练好的深度迁移学习模型部署于服务器,实现客户端与服务器端的交互,并与数据库进行联系并调用信息。App界面如图5所示。
以上所述,仅为本发明具体实施步骤的详细描述,而非对本发明的限制。本领域内的技术人员在不脱离本发明精神和原则的情况下,做出的各种替换、改进均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于迁移学习模型的隧道围岩岩性识别方法,其特征在于所述方法包括如下步骤:
S1隧道围岩图像数据集获取和预处理;
S2在ImageNet大数据集预训练模型并进行迁移学习;
S3调整模型的结构和参数;
S4App系统开发。
2.根据权利要求1所述基于迁移学习模型的隧道围岩岩性识别方法,其特征在于步骤S1,其具体步骤如下:
S1.1使用数码相机或手机在施工现场收集隧道围岩图像,构建原始数据集,并按照一定比例对围岩图像进行训练集和验证集的分配;
S1.2对训练集图像进行随机翻转、随机对比度变换和随机亮度变换扩充围岩图像数据集,并进行归一化处理,对验证集图像进行归一化处理。
3.根据权利要求1所述基于迁移学习模型的隧道围岩岩性识别方法,其特征在于步骤S2,其具体步骤如下:
S2.1在ImageNet大数据集上预训练Inception-Resnet-V2模型,然后将原始图像数据集传入预训练模型中;
S2.2在模型迁移过程中,保持模型的权重参数不变,对模型输出进行归一化处理,并建立大小不同的全连接层,以Relu函数为激活函数;
S2.3建立Softmax函数对图像进行分类,并设置输出神经元的个数。
4.根据权利要求1所述基于迁移学习模型的隧道围岩岩性识别方法,其特征在于步骤S3,其具体步骤如下:
S3.1添加全连接层:对步骤二中得到的初始模型进行结构和微参数的调整,将原模型最后一层更换为全连接层,并设置输入与输出结点参数;
S3.2建立Dropout层,防止模型出现过拟合问题,并增强模型的泛化性能;
S3.3采用余弦退火函数来降低学习率;
S3.4采用交叉熵函数作为损失函数,来衡量模型预测准确性;
S3.5分别以模型初始学习率和优化器种类为自变量进行实验,寻找模型最优微参数;
S3.6将验证集的完整围岩图像切割为子图像,并把子图像导入模型进行验证,通过概率统计方法来确定整体图像的识别结果。
5.根据权利要求1所述基于迁移学习模型的隧道围岩岩性识别方法,其特征在于步骤S4,其具体步骤如下:
S4.1运用Java语言,在Android Studio开发平台进行基于Android客户端的隧道围岩岩性识别App的开发;
S4.2将深度迁移学习模型部署于服务器,实现客户端与服务器端的交互。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422638.4A CN113077009A (zh) | 2021-04-20 | 2021-04-20 | 一种基于迁移学习模型的隧道围岩岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110422638.4A CN113077009A (zh) | 2021-04-20 | 2021-04-20 | 一种基于迁移学习模型的隧道围岩岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113077009A true CN113077009A (zh) | 2021-07-06 |
Family
ID=76618013
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110422638.4A Pending CN113077009A (zh) | 2021-04-20 | 2021-04-20 | 一种基于迁移学习模型的隧道围岩岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113077009A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
-
2021
- 2021-04-20 CN CN202110422638.4A patent/CN113077009A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
Non-Patent Citations (1)
Title |
---|
张野 等: "基于岩石图像深度学习的岩性自动识别与分类方法", 《岩石学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116452511A (zh) * | 2023-03-17 | 2023-07-18 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
CN116452511B (zh) * | 2023-03-17 | 2024-05-03 | 西南交通大学 | 钻爆法隧道掌子面围岩级别智能判识方法、装置及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111986099B (zh) | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 | |
CN107633255B (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN111488921B (zh) | 一种全景数字病理图像智能分析系统及方法 | |
CN109993102B (zh) | 相似人脸检索方法、装置及存储介质 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN110880019B (zh) | 通过无监督域适应训练目标域分类模型的方法 | |
CN110533097A (zh) | 一种图像清晰度识别方法、装置、电子设备及存储介质 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN108710893B (zh) | 一种基于特征融合的数字图像相机源模型分类方法 | |
CN112084877B (zh) | 基于nsga-net的遥感图像识别方法 | |
CN113569881A (zh) | 一种基于链式残差与注意力机制的自适应语义分割方法 | |
CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
CN111695640B (zh) | 地基云图识别模型训练方法及地基云图识别方法 | |
CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN114708517B (zh) | 一种基于注意力的自适应元学习岩性识别方法及装置 | |
CN113378796A (zh) | 一种基于上下文建模的宫颈细胞全切片分类方法 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN110569780A (zh) | 一种基于深度迁移学习的高精度人脸识别方法 | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
CN106503047A (zh) | 一种基于卷积神经网络的图像爬虫优化方法 | |
CN113077009A (zh) | 一种基于迁移学习模型的隧道围岩岩性识别方法 | |
CN111339950B (zh) | 一种遥感图像目标检测方法 | |
CN116912727A (zh) | 一种基于时空特征增强网络的视频人体行为识别方法 | |
CN110866552A (zh) | 基于全卷积空间传播网络的高光谱图像分类方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210706 |