CN113298168A - 野外地质露头图像构造识别方法及系统 - Google Patents
野外地质露头图像构造识别方法及系统 Download PDFInfo
- Publication number
- CN113298168A CN113298168A CN202110609929.4A CN202110609929A CN113298168A CN 113298168 A CN113298168 A CN 113298168A CN 202110609929 A CN202110609929 A CN 202110609929A CN 113298168 A CN113298168 A CN 113298168A
- Authority
- CN
- China
- Prior art keywords
- image
- geological
- outcrop
- deep learning
- field
- 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
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000013135 deep learning Methods 0.000 claims abstract description 118
- 230000006870 function Effects 0.000 claims description 67
- 238000012545 processing Methods 0.000 claims description 44
- 238000010606 normalization Methods 0.000 claims description 26
- 238000012549 training Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 24
- 238000003708 edge detection Methods 0.000 claims description 22
- 238000003062 neural network model Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 8
- 230000003416 augmentation Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 5
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 230000004807 localization Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000010304 firing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 235000013580 sausages Nutrition 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Abstract
本发明提供一种野外地质露头图像构造识别方法及系统，采用了深度学习构造识别模型，不需要人工操作，可以减少人力资源的消耗，极大地提高识别效率，而且可以避免因人工操作带来的误差，提高识别的准确性。另外，通过深度学习构造识别模型，可以同时确定出待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，不仅可以确定地质构造的类别以及位置，还可以实现像素级分割，进一步提高了地质构造的准确性。
Description
技术领域
本发明涉及图像识别和地质构造技术领域，尤其涉及一种野外地质露头图像构造识别方法及系统。
背景技术
构造识别对于研究地壳运动规律和地球演化情况具有重要意义。通过对地质构造客观规律的认识，可以解决生产生活中的工程地质、水文地质、矿产勘查开发和气态天然灾害的减灾和防止等方面的问题。
现有技术中，基于图像数据的地质构造识别主要有依赖人工解译方式的传统识别方法和基于深度学习的构造识别方法。其中，依赖人工解译方式的传统识别方法主要是使用主成分分析、线性变换、边缘检测和差值与比值计算等算法对图像数据进行处理，突出构造特征的边界和区域，然后通过人工的方式进行解译。基于深度学习的构造识别方法主要是使用不同的卷积网络对图像中的构造进行分类。
传统构造识别方法虽然在图像的处理上有很好的表现，但是特征的分类与识别都需要采取人工解译的方式。当图像数据增加，人工解译的方式不仅会耗费大量的人力资源，极大地影响工作效率，而且对工作人员的专业需求极高，同时不同人之间的主观意识最终也会极大的影响最终的解译结果。基于深度学习的构造识别方法实现了对不同地质构造的分类，但是没有实现对构造区域的像素级分割，导致无法准确识别出图像中的构造。
发明内容
本发明提供一种野外地质露头图像构造识别方法及系统，用以解决现有技术中存在的缺陷。
本发明提供一种野外地质露头图像构造识别方法，包括：
获取待识别野外地质露头图像；
将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
根据本发明提供的一种野外地质露头图像构造识别方法，所述将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，具体包括：
将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；
将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；
将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；
将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域。
根据本发明提供的一种野外地质露头图像构造识别方法，所述深度学习构造识别模型具体通过如下方式训练得到：
将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；
基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；
基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型。
根据本发明提供的一种野外地质露头图像构造识别方法，所述深度学习构造识别模型在训练过程中采用的分类损失函数基于所述地质构造类别样本对应的概率的对数确定，采用的边界框定位损失函数基于所述地质构造类别样本对应的预测参数与真实平移缩放参数之差确定，采用的掩膜损失函数基于对所述野外地质露头图像样本中每个像素进行激活后，感兴趣区域内的像素的交叉熵均值确定。
根据本发明提供的一种野外地质露头图像构造识别方法，所述野外地质露头图像样本基于如下方法确定：
获取具有地质构造特征的野外地质露头图像；
将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；
对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本。
根据本发明提供的一种野外地质露头图像构造识别方法，所述野外地质露头图像为彩色图像；
相应的，将所述野外地质露头图像进行图像归一化处理，具体包括：
将所述野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到所述图像归一化处理的结果。
根据本发明提供的一种野外地质露头图像构造识别方法，所述基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本，具体包括：
将所述图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到所述初始野外地质露头图像样本。
本发明还提供一种野外地质露头图像构造识别系统，包括：
获取模块，用于获取待识别野外地质露头图像；
识别模块，用于将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述任一种所述野外地质露头图像构造识别方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述野外地质露头图像构造识别方法的步骤。
本发明提供的野外地质露头图像构造识别方法及系统，采用了深度学习构造识别模型，不需要人工操作，可以减少人力资源的消耗，极大地提高识别效率，而且可以避免因人工操作带来的误差，提高识别的准确性。另外，通过深度学习构造识别模型，可以同时确定出待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，不仅可以确定地质构造的类别以及位置，还可以实现像素级分割，进一步提高了地质构造的准确性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的野外地质露头图像构造识别方法的流程示意图；
图2是本发明提供的深度学习构造识别模型的结构示意图；
图3是本发明提供的确定野外地质露头图像样本的流程示意图；
图4是本发明提供的野外地质露头图像构造识别系统的结构示意图；
图5是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例中提供的一种野外地质露头图像构造识别方法的流程示意图，如图1所示，该方法包括：
S1，获取待识别野外地质露头图像；
S2，将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
具体地，本发明实施例中提供的野外地质露头图像构造识别方法，其执行主体为服务器，该服务器可以是本地服务器，也可以是云端服务器，本地服务器具体可以是计算机、平板电脑以及智能手机等，本发明实施例中对此不作具体限定。
首先执行步骤S1，获取待识别野外地质露头图像。待识别野外地质露头图像是指需要确定其中是否存在地质构造以及地质构造类别、边界框以及区域等信息的图像。
然后执行S2，将待识别野外地质露头图像输入至深度学习构造识别模型，通过深度学习构造识别模型确定待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域。其中，地质构造类别可以包括断层、褶皱、石香肠以及节理等。地质构造边界框可以通过矩形框或者轮廓线的形式表示。地质构造区域可以通过覆盖在待识别野外地质露头图像之上的掩膜表示。
本发明实施例中采用的深度学习构造识别模型(简称为PMR模型)可以通过多任务神经网络模型构建，多任务神经网络模型可以是Mask R-CNN模型。通过深度学习构造识别模型，可以同时实现对地质构造的有无进行检测以及对地质构造的位置和类别进行识别，可以实现对地质构造区域的像素级分割，进而可以准确识别出待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域。
深度学习构造识别模型可以通过携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。即在野外地质露头图像样本上可以标注有地质构造类别标签以及地质构造区域标签。野外地质露头图像样本可以通过文献调研、网络爬虫等方式获取并进行预处理操作得到。野外地质露头图像样本可以是彩色图像，也可以是单通道灰度图像，本发明实施例中对此不作具体限定。
本发明实施例中提供的野外地质露头图像构造识别方法，采用了深度学习构造识别模型，不需要人工操作，可以减少人力资源的消耗，极大地提高识别效率，而且可以避免因人工操作带来的误差，提高识别的准确性。另外，通过深度学习构造识别模型，可以同时确定出待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，不仅可以确定地质构造的类别以及位置，还可以实现像素级分割，进一步提高了地质构造的准确性。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别方法，所述将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，具体包括：
将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；
将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；
将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；
将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域。
具体地，如图2所示，本发明实施例中，深度学习构造识别模型可以包括主干网络单元1、区域生成网络单元2、区域池化单元3以及全卷积神经网络单元4，通过主干网络单元1可以得到待识别野外地质露头图像的多尺度特征图，通过区域生成网络单元2可以得到多尺度特征图中的候选区域，通过区域池化单元3可以得到对候选区域的池化结果，通过全卷积神经网络单元4可以得到地质构造类别、所述地质构造边界框以及所述地质构造区域。
主干网络单元1可以通过ResNet101作为特征提取的主要网络，并结合特征金字塔进行多尺度信息的提取，进而得到多尺度特征图。
区域生成网络2与主干网络单元1连接，可以包括三个卷积层(conv)，分别为1个3×3卷积层(conv)和2个1×1卷积层(conv)。其中一个1×1卷积层(conv)通过softmax得到多个候选区域，另一个1×1卷积层(conv)通过bbox reg得到多个候选区域(Proposals)。
区域池化单元3与区域生成网络2连接，既可以是RoI Pooling，也可以是RoIAlign，以实现精确池化。作为优选方案，本发明实施例中还可以采用PrRoI Pooling(Precise RoI Pooling)，通过对候选区域进行二重积分最后取均值的方式进行池化。
全卷积神经网络单元4可以包括头部、头部连接的ResNet101结合特征金字塔以及3个全连接层，头部以及其中1个全连接层分别与区域池化单元3连接，另2个全连接层均与前1个全连接层连接。另2个全连接层分别通过bbox reg得到地质构造边界框和通过softmax得到地质构造类别。通过ResNet101结合特征金字塔可以得到地质构造区域。
本发明实施例中，通过深度学习构造识别模型中的不同单元分别实现不同作用，进而实现对地质构造类别、地质构造边界框以及地质构造区域的确定，可以使得确定结果更准确。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别方法，所述深度学习构造识别模型具体通过如下方式训练得到：
将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；
基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；
基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型。
具体地，本发明实施例中，在训练得到深度学习构造识别模型时，可以通过对待训练深度学习构造识别模型进行训练，待训练深度学习构造识别模型可以是通过多任务神经网络模型构建的基础模型，其结构可以与多任务神经网络模型一致，且模型参数未知。
在训练过程中，首先将野外地质露头图像样本输入至待训练深度学习构造识别模型，确定待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、待训练深度学习构造识别模型输出野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及待训练深度学习构造识别模型输出野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值。然后将分类损失函数值、边界框定位损失函数值以及掩膜损失函数值相加，即得到待训练深度学习构造识别模型的总损失函数值。分类损失函数可以表示为fc，边界框定位损失函数可以表示为fb，掩膜损失函数可以表示为fm，总损失函数可以表示为f，则有：f＝fc+fb+fm。分类损失函数用来评价深度学习构造识别模型分类的准确度，边界框定位损失函数用来评价深度学习构造识别模型对构造特征边界框的定位准确度，掩膜损失函数用来评价深度学习构造识别模型对构造特征区域实例分割范围的准确度，总损失函数用来评价评价深度学习构造识别模型的总体训练程度。
通过总损失函数值，对待训练深度学习构造识别模型的模型参数进行优化，即可得到深度学习构造识别模型。
本发明实施例中，在训练过程中通过引入三个损失函数，实现对待训练深度学习构造识别模型的训练，可以使得的深度学习构造识别模型的识别效果更好。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别方法，所述深度学习构造识别模型在训练过程中采用的分类损失函数基于所述地质构造类别样本对应的概率的对数确定，采用的边界框定位损失函数基于所述地质构造类别样本对应的预测参数与真实平移缩放参数之差确定，采用的掩膜损失函数基于对所述野外地质露头图像样本中每个像素进行激活后，感兴趣区域内的像素的交叉熵均值确定。
具体地，本发明实施例中，fm可以是对野外地质露头图像中的每个像素应用sigmoid进行激活，然后取兴趣区域上所有像素的交叉熵的平均值。
fc＝-logpu
其中，fb为构造特征类别u对应的预测参数tu和真实平移缩放参数v的差，通过平滑误差处理后进行求和。
本发明实施例中，分别给出了各损失函数的计算方式，可以使得边界框定位损失函数对于离群点和异常值不敏感，模型训练更加容易拟合。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别方法，所述野外地质露头图像样本基于如下方法确定：
获取具有地质构造特征的野外地质露头图像；
将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；
对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本。
具体地，本发明实施例中，在确定野外地质露头图像样本时，可以先获取具有地质构造特征的野外地质露头图像，该野外地质露头图像可以通过文献调研或网络爬虫等方式获取。野外地质露头图像可以是彩色图像，其色彩模型可以是RGB模型、YCbCr模型、HIS模型以及CMYK模型等。
然后将野外地质露头图像进行图像归一化处理，图像归一化处理方式可以包括将野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到图像归一化处理的结果。
其中，统一的色彩模型可以是RGB模型，统一的图像格式可以是jpg格式，统一的图像大小可以是1024px*1024px。
若野外地质露头图像的色彩模型为YCbCr模型，则可以通过如下公式转换为RGB模型。
R＝Y+kRCr
式中，
若野外地质露头图像的色彩模型为HIS模型，则假设S和I的值在[0,1]之间，则HIS模型转换为RGB模型的公式分成三段，并结合利用对称性，可以有如下转换公式。
当H在[0°，120°]之间时，有：
B＝I(1-S)
G＝3I-(B+R)
当H在[120°，240°]之间时，有：
R＝I(1-S)
B＝3I-(R+R)
当H在[240°，360°]之间时，有：
G＝I(1-S)
R＝3I-(R+R)
若野外地质露头图像的色彩模型为CMYK模型，则可以通过如下公式转换为RGB模型。
R＝W-C＝0.5×[M+Y-C]
G＝W-M＝0.5×[C+Y-M]
B＝W-Y＝0.5×[M+C-Y]
然后，根据图像增广方法，对图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本。其中，可以将图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到初始野外地质露头图像样本。灰度化处理可以采用加权平均法，其转换公式为：
L＝R*299/1000+G*587/1000+B*114/1000。
高斯模糊处理采用的高斯高通滤波器系统函数为：
最后，对初始野外地质露头图像样本进行边缘检测，可以采用Canny边缘检测算法实现。Canny边缘检测算法采用的二维高斯函数可以表示为：
根据边缘检测效果调整阈值，得到每张初始野外地质露头图像样本的最优边缘检测结果，并将最优边缘检测结果作为边缘检测的结果。根据边缘检测的结果，可以将每张初始野外地质露头图像样本中的特征分为构造特征明显和构造特征不明显两类构造特征。
根据边缘检测的结果对初始野外地质露头图像样本进行标签标注，得到用于对地质深度学习构造识别模型进行训练的野外地质露头图像样本。其中，对于构造特征明显的初始野外地质露头图像样本，其检测结果表现为通过阈值调整，目标特征区域所需的纹理信息提取比例达到80％以上，同时无关纹理信息达到20％以下，此时将边缘检测后提取到的构造特征全部进行标注。对于构造特征不明显的初始野外地质露头图像样本，其检测效果表现为，目标特征区域所需的纹理信息没有得到充分提取且存在大量无关纹理信息。此时根据边缘检测效果，选取1～2个构造特征进行标注。标注的方式可以是将构造特征对应的地质构造类别、地质构造边界框以及地质构造区域进行标识。
本发明实施例中，给出了野外地质露头图像样本的确定方式，可以使得训练得到的地质深度学习构造识别模型更加准确。
图3为本发明实施例中确定野外地质露头图像样本的流程示意图。如图3所示，首先收集图片，即获取野外地质露头图像，然后判断其中是否具有明显构造特征，如果具有则判断该野外地质露头图像的色彩空间是否是三通道RGB，如果是三通道RGB，则进一步判断图片格式是否为jpg。如果图片格式是jpg，则判断像素大小是否为1024*1024，如果是则保留该野外地质露头图像，并进行模糊处理以及旋转处理，再进行图像灰度化处理即得到野外地质露头图像样本。如果像素大小不是1024*1024，则判断其是否可以修改为1024*1024大小，如果可以则将其进行修改，如果不可以则舍弃该野外地质露头图像。如果图片格式不是jpg，则判断其是否可以修改为jpg格式，如果可以则将其进行修改，如果不可以则舍弃该野外地质露头图像。如果野外地质露头图像的色彩空间不是三通道RGB，则判断其是否可以修改为RGB三通道，如果可以则将其进行修改，如果不可以则舍弃该野外地质露头图像。
如图4所示，在上述实施例的基础上，本发明实施例中提供了一种野外地质露头图像构造识别系统，包括：获取模块41和识别模块42。
获取模块41，用于获取待识别野外地质露头图像；
识别模块42，用于将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，所述识别模块，具体用于：
将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；
将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；
将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；
将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，还包括训练模块，用于：
将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；
基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；
基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，所述深度学习构造识别模型在训练过程中采用的分类损失函数基于所述地质构造类别样本对应的概率的对数确定，采用的边界框定位损失函数基于所述地质构造类别样本对应的预测参数与真实平移缩放参数之差确定，采用的掩膜损失函数基于对所述野外地质露头图像样本中每个像素进行激活后，感兴趣区域内的像素的交叉熵均值确定。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，还包括野外地质露头图像样本确定模块，包括：
图像获取子模块，用于获取具有地质构造特征的野外地质露头图像；
归一化处理子模块，用于将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；
边缘检测子模块，用于对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，所述野外地质露头图像为彩色图像；
相应的，所述归一化处理子模块，具体用于：
将所述野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到所述图像归一化处理的结果。
在上述实施例的基础上，本发明实施例中提供的野外地质露头图像构造识别系统，所述归一化处理子模块，还用于：
将所述图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到所述初始野外地质露头图像样本。
具体地，本发明实施例中提供的野外地质露头图像构造识别系统中各模块的作用与上述方法类实施例中各步骤的操作流程是一一对应的，实现的效果也是一致的，具体参见上述实施例，本发明实施例中对此不再赘述。
图5示例了一种电子设备的实体结构示意图，如图5所示，该电子设备可以包括：处理器(processor)510、通信接口(Communications Interface)520、存储器(memory)530和通信总线540，其中，处理器510，通信接口520，存储器530通过通信总线540完成相互间的通信。处理器510可以调用存储器530中的逻辑指令，以执行上述各实施例提供的野外地质露头图像构造识别方法，该方法包括：获取待识别野外地质露头图像；将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别以及地质构造区域；其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签、地质构造边界框标签以及地质构造区域标签的野外地质露头图像样本训练得到。
此外，上述的存储器530中的逻辑指令可以通过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，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，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案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步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各实施例提供的野外地质露头图像构造识别方法，该方法包括：获取待识别野外地质露头图像；将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各实施例提供的野外地质露头图像构造识别方法，该方法包括：获取待识别野外地质露头图像；将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述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，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，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)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种野外地质露头图像构造识别方法，其特征在于，包括：
获取待识别野外地质露头图像；
将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
2.根据权利要求1所述的野外地质露头图像构造识别方法，其特征在于，所述将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，具体包括：
将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；
将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；
将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；
将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域。
3.根据权利要求1所述的野外地质露头图像构造识别方法，其特征在于，所述深度学习构造识别模型具体通过如下方式训练得到：
将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；
基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；
基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型。
4.根据权利要求3所述的野外地质露头图像构造识别方法，其特征在于，所述深度学习构造识别模型在训练过程中采用的分类损失函数基于所述地质构造类别样本对应的概率的对数确定，采用的边界框定位损失函数基于所述地质构造类别样本对应的预测参数与真实平移缩放参数之差确定，采用的掩膜损失函数基于对所述野外地质露头图像样本中每个像素进行激活后，感兴趣区域内的像素的交叉熵均值确定。
5.根据权利要求1-4中任一项所述的野外地质露头图像构造识别方法，其特征在于，所述野外地质露头图像样本基于如下方法确定：
获取具有地质构造特征的野外地质露头图像；
将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；
对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本。
6.根据权利要求5所述的野外地质露头图像构造识别方法，其特征在于，所述野外地质露头图像为彩色图像；
相应的，将所述野外地质露头图像进行图像归一化处理，具体包括：
将所述野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到所述图像归一化处理的结果。
7.根据权利要求5所述的野外地质露头图像构造识别方法，其特征在于，所述基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本，具体包括：
将所述图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到所述初始野外地质露头图像样本。
8.一种野外地质露头图像构造识别系统，其特征在于，包括：
获取模块，用于获取待识别野外地质露头图像；
识别模块，用于将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；
其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述野外地质露头图像构造识别方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述野外地质露头图像构造识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110609929.4A CN113298168B (zh) | 2021-06-01 | 2021-06-01 | 野外地质露头图像构造识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110609929.4A CN113298168B (zh) | 2021-06-01 | 2021-06-01 | 野外地质露头图像构造识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113298168A true CN113298168A (zh) | 2021-08-24 |
| CN113298168B CN113298168B (zh) | 2023-11-24 |
Family
ID=77326713
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110609929.4A Active CN113298168B (zh) | 2021-06-01 | 2021-06-01 | 野外地质露头图像构造识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113298168B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030042303A1 (en) * | 1999-06-07 | 2003-03-06 | Metrologic Instruments, Inc. | Automatic vehicle identification (AVI) system employing planar laser illumination imaging (PLIIM) based subsystems |
| CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
| CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
| CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
| CN111273352A (zh) * | 2020-01-15 | 2020-06-12 | 中国煤炭地质总局勘查研究总院 | 地质构造智能检测方法、装置与电子设备 |
| CN111524138A (zh) * | 2020-07-06 | 2020-08-11 | 湖南国科智瞳科技有限公司 | 一种基于多任务学习的显微图像细胞识别方法及装置 |
| CN112270204A (zh) * | 2020-09-18 | 2021-01-26 | 北京迈格威科技有限公司 | 目标识别方法及装置、存储介质及电子设备 |
| CH716789A2 (de) * | 2019-11-14 | 2021-05-14 | Inst Of Mineral Resources Chinese Academy Of Geological Sciences | Verfahren zur Extraktion verborgener geologischer Strukturinformationen aus einem Fernerkundungsbild. |
| CN112862811A (zh) * | 2021-03-10 | 2021-05-28 | 华中科技大学 | 基于深度学习的材料显微图像缺陷识别方法、设备及装置 |
| CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
| US20230036713A1 (en) * | 2021-08-02 | 2023-02-02 | Halliburton Energy Services, Inc. | Borehole Image Gap Filing Using Deep Learning |
-
2021
- 2021-06-01 CN CN202110609929.4A patent/CN113298168B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030042303A1 (en) * | 1999-06-07 | 2003-03-06 | Metrologic Instruments, Inc. | Automatic vehicle identification (AVI) system employing planar laser illumination imaging (PLIIM) based subsystems |
| CN109389128A (zh) * | 2018-08-24 | 2019-02-26 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
| GB201906560D0 (en) * | 2018-08-24 | 2019-06-26 | Petrochina Co Ltd | Method and apparatus for automatically extracting image features of electrical imaging well logging |
| CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
| CN110738127A (zh) * | 2019-09-19 | 2020-01-31 | 福建师范大学福清分校 | 基于无监督深度学习神经网络算法的安全帽识别方法 |
| CH716789A2 (de) * | 2019-11-14 | 2021-05-14 | Inst Of Mineral Resources Chinese Academy Of Geological Sciences | Verfahren zur Extraktion verborgener geologischer Strukturinformationen aus einem Fernerkundungsbild. |
| CN111273352A (zh) * | 2020-01-15 | 2020-06-12 | 中国煤炭地质总局勘查研究总院 | 地质构造智能检测方法、装置与电子设备 |
| CN111524138A (zh) * | 2020-07-06 | 2020-08-11 | 湖南国科智瞳科技有限公司 | 一种基于多任务学习的显微图像细胞识别方法及装置 |
| CN112270204A (zh) * | 2020-09-18 | 2021-01-26 | 北京迈格威科技有限公司 | 目标识别方法及装置、存储介质及电子设备 |
| CN112862811A (zh) * | 2021-03-10 | 2021-05-28 | 华中科技大学 | 基于深度学习的材料显微图像缺陷识别方法、设备及装置 |
| US20230036713A1 (en) * | 2021-08-02 | 2023-02-02 | Halliburton Energy Services, Inc. | Borehole Image Gap Filing Using Deep Learning |
| CN114842364A (zh) * | 2022-07-04 | 2022-08-02 | 北京科技大学 | 一种露天矿山边坡图像裂隙参数提取方法及装置 |
Non-Patent Citations (6)
| Title |
|---|
| DIAO, MG: ""A Highly Automatic Petrogeochemistry Diagram Plotting and Analysis System Based on MVVM"", 《2018 INTERNATIONAL CONFERENCE ON COMPUTER SCIENCE AND SOFTWARE ENGINEERING (CSSE 2018)》, pages 205 - 211 * |
| Y. ZHAO等: "\"Low-Altitude UAV Imagery Based Cross-Section Geological Feature Recognition via Deep Transfer Learning\"", 《2018 3RD INTERNATIONAL CONFERENCE ON ROBOTICS AND AUTOMATION ENGINEERING (ICRAE)》, pages 253 - 257 * |
| 于晨: "\"典型矿山环境遥感地物智能识别方法的研究\"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 2020, pages 3 * |
| 于晨: ""典型矿山环境遥感地物智能识别方法的研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅰ辑》, no. 11, pages 2 * |
| 李盼盼: "\"基于高分卫星影像的断层构造识别及三维地质建模应用\"", 《合肥工业大学学报(自然科学版)》, vol. 43, no. 5, pages 0 * |
| 王淑鹏: "\"野外地质露头图像构造自动识别方法研究\"", 《中国优秀硕士学位论文全文数据库 基础科学辑》, no. 2022, pages 011 - 505 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113298168B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Saliency detection based on self-adaptive multiple feature fusion for remote sensing images | |
| CN107977661B (zh) | 基于fcn与低秩稀疏分解的感兴趣区域检测方法 | |
| Abdollahi et al. | Extraction of road features from UAV images using a novel level set segmentation approach | |
| CN111027497B (zh) | 基于高分辨率光学遥感影像的弱小目标快速检测方法 | |
| CN110929593A (zh) | 一种基于细节辨别区别的实时显著性行人检测方法 | |
| CN110826429A (zh) | 一种基于景区视频的旅游突发事件自动监测的方法及系统 | |
| KR102258903B1 (ko) | 해상객체 식별을 위한 초분광 데이터 처리방법 및 장치 | |
| CN109299303B (zh) | 基于可变形卷积与深度网络的手绘草图检索方法 | |
| CN112562255A (zh) | 微光环境下电缆沟道烟雾火情的智能图像检测方法 | |
| CN113409355A (zh) | 一种基于fpga的运动目标识别系统及方法 | |
| CN107766810B (zh) | 一种云、影检测方法 | |
| CN113077419A (zh) | 用于髋关节ct影像识别的信息处理方法及装置 | |
| Jia et al. | Saliency detection via a unified generative and discriminative model | |
| CN113111878A (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
| CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
| CN113887472A (zh) | 基于级联颜色及纹理特征注意力的遥感图像云检测方法 | |
| CN111476226B (zh) | 一种文本定位方法、装置及模型训练方法 | |
| CN113298168B (zh) | 野外地质露头图像构造识别方法及系统 | |
| CN115937095A (zh) | 融合图像处理算法和深度学习的印刷缺陷检测方法及系统 | |
| Yuan et al. | Graph neural network based multi-feature fusion for building change detection | |
| CN114463379A (zh) | 一种视频关键点的动态捕捉方法及装置 | |
| CN117557784B (zh) | 目标检测方法、装置、电子设备及存储介质 | |
| CN113723464B (zh) | 一种遥感影像分类方法及装置 | |
| CN112419227B (zh) | 基于小目标搜索缩放技术的水下目标检测方法和系统 | |
| CN112837367B (zh) | 语义分解式物体位姿估计方法及系统 |
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 |