CN113780476A - 一种岩渣特征检测模型训练方法、装置、设备及介质 - Google Patents
一种岩渣特征检测模型训练方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113780476A CN113780476A CN202111177478.8A CN202111177478A CN113780476A CN 113780476 A CN113780476 A CN 113780476A CN 202111177478 A CN202111177478 A CN 202111177478A CN 113780476 A CN113780476 A CN 113780476A
- Authority
- CN
- China
- Prior art keywords
- rock slag
- sample set
- model
- resolution
- picture sample
- 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 245
- 239000002893 slag Substances 0.000 title claims abstract description 240
- 238000001514 detection method Methods 0.000 title claims abstract description 81
- 238000012549 training Methods 0.000 title claims abstract description 80
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000003062 neural network model Methods 0.000 claims abstract description 32
- 230000011218 segmentation Effects 0.000 claims description 45
- 238000012216 screening Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 10
- 238000011084 recovery Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 239000013049 sediment Substances 0.000 claims description 2
- 238000012360 testing method Methods 0.000 claims 1
- 239000002699 waste material Substances 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000011176 pooling Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000005641 tunneling Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001052 transient effect 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
- G06F18/21—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
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4053—Scaling of whole images or parts thereof, e.g. expanding or contracting based on super-resolution, i.e. the output image resolution being higher than the sensor resolution
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种岩渣特征检测模型训练方法、装置、设备及介质，包括：获取第一岩渣图片样本集以及超分辨率重建模型；将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。能够提升模型性能，并减少资源浪费。
Description
技术领域
本申请涉及岩渣检测技术领域，特别涉及一种岩渣特征检测模型训练方法、装置、设备及介质。
背景技术
在TBM(即Tunnel Boring Machine，全断面硬岩隧道掘进机)施工过程中，掌子面和洞壁围岩几乎被刀盘、盾体和堆砌物全部遮挡，无法直接对围岩进行全面的地质描述，围岩取样和获取分类指标存在较大的困难，因此，如何快速、客观、可靠地通过岩渣特征的分析来获取隧道掌子面及洞壁围岩的地质信息至关重要。
目前，随着图像处理技术与深度学习网络技术逐渐被广泛应用于隧道施工领域中，一定程度上弥补了人工采集渣料信息存在的安全风险、实时地质信息反馈不及时、精度低等不足之处。但是，在拍摄岩渣图片的过程中，由于机器在掘进过程中产生的剧烈震动，导致拍摄的某些照片会出现模糊的情况，并且岩渣会出现岩层多样性、渣片堆叠、粘结、轮廓边界不清晰等现象，因此在标注模型训练数据集时，可能存在较大误差，影响模型性能，甚至采集到的图片不能作为训练数据，造成资源浪费。
发明内容
有鉴于此，本申请的目的在于提供一种岩渣特征检测模型训练方法、装置、设备及介质，能够提升模型性能，并减少资源浪费。其具体方案如下：
第一方面，本申请公开了一种岩渣特征检测模型训练方法，包括：
获取第一岩渣图片样本集以及超分辨率重建模型；
将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；
利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
可选的，所述利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型，包括：
利用所述高分辨率岩渣图片样本集训练全景分割网络模型，直到所述全景分割网络模型收敛，将当前的全景分割网络模型作为岩渣特征检测模型。
可选的，所述获取第一岩渣图片样本集，包括：
通过图像采集设备采集岩渣图片，并对所述岩渣图片进行筛选，得到第一岩渣图片样本集。
可选的，所述对所述岩渣图片进行筛选，得到第一岩渣图片样本集，包括：
利用模糊检测算法对所述岩渣图片进行检测，得到所述岩渣图片的清晰度；
筛选出清晰度大于预设阈值的岩渣图片，得到第一目标岩渣图片；
基于所述第一目标岩渣图片确定第一岩渣图片样本集。
可选的，基于所述第一目标岩渣图片确定第一岩渣图片样本集，包括：
将全部所述第一目标岩渣图片确定为第一岩渣图片样本集；
或，筛选出第二目标岩渣图片，并对所述第二目标岩渣图片进行处理，得到特征恢复图像；
将全部所述第一目标岩渣图片以及全部所述特征恢复图像确定为第一岩渣图片样本集。
可选的，获取超分辨率重建模型，包括：
将第二岩渣图片样本集中的原始图片从第一分辨率降低至第二分辨率，得到低分辨率图片样本集；
将所述低分辨率图片样本集输入第二预设神经网络模型进行训练，并在训练过程中，利用所述第二预设网络模型输出的模型输出图片以及对应原始图片确定训练损失，直至所述训练损失低于预设阈值，则将当前的第二预设神经网络模型作为超分辨率重建模型。
可选的，还包括：
当获取到待检测岩渣图片，则利用所述超分辨率重建模型输出对应的高分辨率待检测图像；
将所述高分辨率待检测图像输入至所述岩渣特征检测模型，得到对应的检测结果。
第二方面，本申请公开了一种岩渣特征检测模型训练装置，包括：
数据获取模块，用于获取第一岩渣图片样本集；
模型获取模块，用于获取超分辨率重建模型；
样本重建模块，用于将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；
模型训练模块，用于利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
第三方面，本申请公开了一种电子设备，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现前述的岩渣特征检测模型训练方法。
第四方面，本申请公开了一种计算机可读存储介质，用于保存计算机程序，所述计算机程序被处理器执行时实现前述的岩渣特征检测模型训练方法。
可见，本申请实施例先获取第一岩渣图片样本集以及超分辨率重建模型，之后将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集，最后利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。也即，本申请实施例将岩渣图片样本集先输入超分辨率重建模型，得到清晰度更高的岩渣图片样本集，之后利用清晰度更高的岩渣图片样本集训练岩渣特征检测模型，使模型的检测结果更加精确，能够提升模型性能，并减少资源浪费。
附图说明
为了更清楚地说明本申请实施例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，下面描述中的附图仅仅是本申请的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本申请公开的一种岩渣特征检测模型训练方法流程图；
图2为本申请公开的一种具体的岩渣特征检测模型训练方法流程图；
图3为本申请公开的一种岩渣特征检测模型的训练数据集获取流程图；
图4为本申请公开的一种岩渣特征检测模型训练流程图；
图5为本申请公开的一种岩渣特征检测模型训练装置结构示意图；
图6为本申请公开的一种电子设备结构图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
目前，随着图像处理技术与深度学习网络技术逐渐被广泛应用于隧道施工领域中，一定程度上弥补了人工采集渣料信息存在的安全风险、实时地质信息反馈不及时、精度低等不足之处。但是，在拍摄岩渣图片的过程中，由于机器在掘进过程中产生的剧烈震动，导致拍摄的某些照片会出现模糊的情况，并且岩渣会出现岩层多样性、渣片堆叠、粘结、轮廓边界不清晰等现象，因此在标注模型训练数据集时，可能存在较大误差，影响模型性能，甚至采集到的图片不能作为训练数据，造成资源浪费。为此，本申请公开了一种岩渣特征检测模型训练方案，能够提升模型性能，并减少资源浪费。
参见图1所示，本申请实施例公开了一种岩渣特征检测模型训练方法，包括：
步骤S11：获取第一岩渣图片样本集以及超分辨率重建模型。
在具体的实施方式中，通过图像采集设备采集岩渣图片，并对所述岩渣图片进行筛选，得到第一岩渣图片样本集。
进一步，在具体的实施方式中，可以利用模糊检测算法对所述岩渣图片进行检测，得到所述岩渣图片的清晰度；筛选出清晰度大于预设阈值的岩渣图片，得到第一目标岩渣图片；基于所述第一目标岩渣图片确定第一岩渣图片样本集。
在一种具体的实施方式中，可以将全部所述第一目标岩渣图片确定为第一岩渣图片样本集。
在另一种具体的实施方式中，可以筛选出第二目标岩渣图片，并对所述第二目标岩渣图片进行处理，得到特征恢复图像；将全部所述第一目标岩渣图片以及全部所述特征恢复图像确定为第一岩渣图片样本集。可以理解的是，在实际的应用场景中，若第一目标岩渣图片的数量不足，可以对图片质量较差的第二目标岩渣图片进行处理，得到特征恢复图像，将全部第一目标岩渣图片和特征恢复图像确定为最终样本集。
例如，可以在TBM的后配套皮带机或连续皮带机上方，将摄像机和增加光线的光源安装在拖车上，在安装摄像机的底座上再安装一个橡胶圈用于减震，减少由于剧烈震动导致拍摄的照片过于模糊的情况，并在摄像机的上方安装一个罩壳保护摄像机，防止由于外物跌落砸到摄像机而导致无法正常拍摄岩渣图片。用交换机与网络电缆连接摄像机与TBM工控机并进行网络设置，使二者可以成功进行网络通讯，摄像机拍摄的照片可顺利的在工控机上进行保存。利用模糊检测算法对保存的图片进行初步筛选，保留清晰度大于预设阈值的图片，将不能用于岩渣分析的图片剔除，比如全黑照片、过于模糊照片等；若存在由于光源不足所拍摄的照片偏暗或者光源过足导致的曝光等现象，使图片中的某些细节信息有所损失，用相关的图像处理方法对图片进行预处理，恢复图片中损失的特征信息，比如，对光源不足情况采集的图片进行图像增强处理，对光源过足情况采集的图片进行直方图均衡。当然，如果清晰度大于预设阈值的图片满足训练需求，可以直接将全部清晰度大于预设阈值的图片作为训练集，无需再筛选光源不足的偏暗图片或者光源过足导致的曝光图片，进行图像处理。
另外，在具体的实施方式中，获取超分辨率重建模型的具体步骤：包括：
步骤01：将第二岩渣图片样本集中的原始图片从第一分辨率降低至第二分辨率，得到低分辨率图片样本集；
在具体的实施方式中，第二岩渣图片样本集可以为第一岩渣图片样本集，也可以为预先获取的其他的岩渣图片样本集，并且，该岩渣图片样本集中的图片清晰度大于指定阈值。
步骤02：将所述低分辨率图片样本集输入第二预设神经网络模型进行训练，并在训练过程中，利用所述第二预设网络模型输出的模型输出图片以及对应原始图片确定训练损失，直至所述训练损失低于预设阈值，则将当前的第二预设神经网络模型作为超分辨率重建模型。
在具体的实施方式中，训练损失可以为模型输出图片与原始图片之间的峰值信噪比差值，在训练的过程中，利用训练损失更新模型，直至训练损失低于预设阈值，模型收敛。
例如，挑选相应数量的清晰度大于预设值的图片样本，作为获取第二岩渣图片样本集，将这些样本的分辨率由M1降低为M2，然后将分辨率为M2的照片运用基于学习的超分辨率重建方法进行学习并处理，使其输出的照片的分辨率恢复到M1，利用卷积神经网络去拟合低分辨率图像与高分辨率图像之间的非线性映射，最后运用PSNR(即Peak Signal toNoise Ratio，峰值信噪比)等方法比较原始照片与输出照片，验证超分辨率重建的效果，根据对比效果调节神经网络中的模型参数。反复执行上述操作，直到超分辨率重建网络模型收敛为止。
步骤S12：将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集。
步骤S13：利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
可见，本申请实施例先获取第一岩渣图片样本集以及超分辨率重建模型，之后将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集，最后利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。也即，本申请实施例将岩渣图片样本集先输入超分辨率重建模型，得到清晰度更高的岩渣图片样本集，之后利用清晰度更高的岩渣图片样本集训练岩渣特征检测模型，使模型的检测结果更加精确，能够提升模型性能，并减少资源浪费。
参见图2所示，本申请实施例公开了一种具体的岩渣特征检测模型训练方法，包括：
步骤S21：获取第一岩渣图片样本集以及超分辨率重建模型。
关于步骤S21的具体实施过程可以参考前述实施例公开的内容，在此不再进行赘述。
步骤S22：将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集。
步骤S23：利用所述高分辨率岩渣图片样本集训练全景分割网络模型，直到所述全景分割网络模型收敛，将当前的全景分割网络模型作为岩渣特征检测模型。
在具体的实施方式中，可以利用Labelme工具对高分辨率岩渣图片样本集中的所有图片进行标注，然后将生成的标签进行转换，得到所有图片的相应标签。最后将图片和对应标签制作为全景分割算法所使用的数据集格式。将标注后的高分辨率岩渣图片样本集输入全景分割网络模型(DeeperLab)，全景分割网络模型分为四个阶段：
(1)编码(Encoder)阶段，编码网络选择Xception-71网络，该网络所获得的特征图具有较高的分辨率，可有效地提高检测精度。在编码网络末尾嵌入ASPP(即atrous spatialpyramid pooling，空洞空间卷积池化金字塔)，该结构采用不同尺寸的扩张卷积操作，得到特征图的多尺度特性，不同扩张率的卷积核提取特征所生成的特征图经过单独的后处理和融合，进而生成编码网络的输出特征图。
需要指出的是，将任一图片样本输入全景分割网络模型，全景分割网络模型中的编码网络先对该图片进行卷积处理，得到一个特征图，作为第一编码结果，将该特征图继续进行卷积操作，然后经过一个金字塔池化(ASPP)网络，将金字塔池化后所得到的所有特征图进行连接(Concat)操作，得到第二编码结果，将第一编码结果和第二编码结果输入至解码网络。也即，输入全景分割网络模型后会经过卷积处理，得到一个特征图，该特征图将分为两各分支，一个分支会继续进行卷积操作，然后经过一个金字塔池化网络，将金字塔池化后所得到的所有特征图进行连接操作，得到分支一的结果；另一分支为卷积后得到的特征图。
(2)解码阶段是将编码网络输出的结果作为解码网络(Decoder)的输入，分别将编码网络中普通卷积操作和ASPP得到的特征图作为两个分支，将ASPP网络生成的各个尺寸的特征图进行融合，得到一个高维度的特征图A，普通卷积得到的特征图通过Space-to-Depth操作得到尺寸与A相同的特征图B，然后将特征图A与B进行融合，得到特征图C。解码网络可恢复目标物的边界信息，提升目标分割的精度。
(3)预测阶段分为语义分割与实例分割两部分，语义分割网络负责分割目标物的轮廓及检测目标在图片中的位置，并且借鉴困难样本挖掘的思想，仅选择Loss函数损失值较大的若干个像素进行反向传播更新网络权重，在保证检测精度的同时提升网络的检测速度。实例分割网络则负责将语义分割中的每个目标分别进行表示，将每个类别、每个目标在语义分割结果的基础上加以区分表示。
其中，语义分割是基于引导性交叉熵损失对分割进行训练，即将每个像素按照其对应的交叉熵损失进行排序，只对其前K个位置的像素进行反向传播。实例分割定义了四个预测图(关健点图、远程偏移量图、短程偏移量图以及中程偏移量图)，这些预测图用于预测每个像素点与对应实例关键点之间的联系。最后，将四个预测图合并为一个与类别无关的实例分割图，给定预测的语义和实例分割结果，将语义和实例标签分配给图像中每一个像素。
(4)特征融合阶段是将语义分割与实例分割所得结果进行融合。在步骤(3)的实例分割中，网络会根据与实例预测相关的4个预测特征图(关健点图、远程偏移量图、短程偏移量图以及中程偏移量图)融合生成一个类别不可分的实例分割特征图，最后基于预测出的语义分割结果及实例分割特征图，将图像中的语义分割与实例分割结果的每个像素都进行融合，输出二者融合后的结果图。比如，先从语义分割开始，分别考虑“类别1”(如背景)及“类别2”(岩渣)。对于预测的像素为“1”类的则标记一个独一无二的实例Label。对于其他像素(除被定义为1的像素外)，实例标签由实例分割结果确定。即先考虑“类别1”，由语义分割分支得，再考虑“类别2”，由实例分割分支得，最后再辅助语义分割的结果，得到最终的全景分割结果。
(5)计算输出结果与标签的损失值，将损失值用指定方式进行反向传播，更新网络的权重。重复模型训练阶段的(1)、(2)、(3)、(4)步直到设定次数或损失值达到动态稳定或者不再下降为止。
例如，参见图3所示，图3为本申请实施例公开了一种岩渣特征检测模型的训练数据集获取流程图。参见图4所示，图4为本申请实施例公开了一种岩渣特征检测模型训练流程图。
进一步的，本申请实施例中，当获取到待检测岩渣图片，则利用所述超分辨率重建模型输出对应的高分辨率待检测图像；将所述高分辨率待检测图像输入至所述岩渣特征检测模型，得到对应的检测结果。
在一些实施例中，若岩渣图片清晰度大于相应的预设值，可以直接输入岩渣特征检测模型，得到对应的检测结果。
需要指出的是，经过超分辨率重建，可有效地提升模糊照片的清晰度，使岩渣数据集的整体质量得到改善，因此在数据集制作的过程中，将极大地减少数据筛选的工作与数据标注的难度，提高工作效率，减少资源的浪费。并且，超分辨率重建与全景分割方法的结合使用，提高了岩渣的检测精度，使施工人员能够高效地获得准确、可靠的岩渣结果，从而得到隧道的实时地质情况，减少因掌子面及隧道洞壁的围岩情况不明所导致的事故。与传统的岩渣语义分割相比，利用全景分割方法对岩渣进行检测不但能得到岩渣的轮廓，还能给出每个岩渣块的形状与大小，使岩渣特征的分析变得更快速、直接。
参见图5所示，本申请实施例公开了一种岩渣特征检测模型训练装置，包括：
数据获取模块11，用于获取第一岩渣图片样本集；
模型获取模块12，用于获取超分辨率重建模型；
样本重建模块13，用于将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；
模型训练模块14，用于利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
可见，本申请实施例先获取第一岩渣图片样本集以及超分辨率重建模型，之后将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集，最后利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。也即，本申请实施例将岩渣图片样本集先输入超分辨率重建模型，得到清晰度更高的岩渣图片样本集，之后利用清晰度更高的岩渣图片样本集训练岩渣特征检测模型，使模型的检测结果更加精确，能够提升模型性能，并减少资源浪费。
其中，模型训练模块14，具体用于利用所述高分辨率岩渣图片样本集训练全景分割网络模型，直到所述全景分割网络模型收敛，将当前的全景分割网络模型作为岩渣特征检测模型。
所述数据获取模块11，具体包括：
岩渣图片采集单元，用于用于通过图像采集设备采集岩渣图片；
第一岩渣图片样本集确定单元，对所述岩渣图片进行筛选，得到第一岩渣图片样本集。
并且，在具体的实施方式中，第一岩渣图片样本集确定单元，具体用于利用模糊检测算法对所述岩渣图片进行检测，得到所述岩渣图片的清晰度；筛选出清晰度大于预设阈值的岩渣图片，得到第一目标岩渣图片；基于所述第一目标岩渣图片确定第一岩渣图片样本集。
进一步的，第一岩渣图片样本集确定单元，具体用于将全部所述第一目标岩渣图片确定为第一岩渣图片样本集；或，筛选出第二目标岩渣图片，并对所述第二目标岩渣图片进行处理，得到特征恢复图像；将全部所述第一目标岩渣图片以及全部所述特征恢复图像确定为第一岩渣图片样本集。
模型获取模块12，具体包括：
低分辨率图片样本集生成单元，用于将第二岩渣图片样本集中的原始图片从第一分辨率降低至第二分辨率，得到低分辨率图片样本集；
超分辨率重建模型训练单元，用于将所述低分辨率图片样本集输入第二预设神经网络模型进行训练，并在训练过程中，利用所述第二预设网络模型输出的模型输出图片以及对应原始图片确定训练损失，直至所述训练损失低于预设阈值，则将当前的第二预设神经网络模型作为超分辨率重建模型。
进一步的，所述装置还包括：
待检测岩渣图片获取模块，用于获取待检测岩渣图片；
超分辨率重建模块，用于利用所述超分辨率重建模型输出对应的高分辨率待检测图像；
图片检测模块，用于将所述高分辨率待检测图像输入至所述岩渣特征检测模型，得到对应的检测结果。
参见图6所示，本申请实施例公开了一种电子设备20，包括处理器21和存储器22；其中，所述存储器22，用于保存计算机程序；所述处理器21，用于执行所述计算机程序，前述实施例公开的岩渣特征检测模型训练方法。
关于上述岩渣特征检测模型训练方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
并且，所述存储器22作为资源存储的载体，可以是只读存储器、随机存储器、磁盘或者光盘等，存储方式可以是短暂存储或者永久存储。
另外，所述电子设备20还包括电源23、通信接口24、输入输出接口25和通信总线26；其中，所述电源23用于为所述电子设备20上的各硬件设备提供工作电压；所述通信接口24能够为所述电子设备20创建与外界设备之间的数据传输通道，其所遵循的通信协议是能够适用于本申请技术方案的任意通信协议，在此不对其进行具体限定；所述输入输出接口25，用于获取外界输入数据或向外界输出数据，其具体的接口类型可以根据具体应用需要进行选取，在此不进行具体限定。
进一步的，本申请实施例还公开了一种计算机可读存储介质，用于保存计算机程序，其中，所述计算机程序被处理器执行时实现前述实施例公开的岩渣特征检测模型训练方法。
关于上述岩渣特征检测模型训练方法的具体过程可以参考前述实施例中公开的相应内容，在此不再进行赘述。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本申请所提供的一种岩渣特征检测模型训练方法、装置、设备及介质进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
Claims (10)
1.一种岩渣特征检测模型训练方法，其特征在于，包括：
获取第一岩渣图片样本集以及超分辨率重建模型；
将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；
利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
2.根据权利要求1所述的岩渣特征检测模型训练方法，其特征在于，所述利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型，包括：
利用所述高分辨率岩渣图片样本集训练全景分割网络模型，直到所述全景分割网络模型收敛，将当前的全景分割网络模型作为岩渣特征检测模型。
3.根据权利要求1所述的岩渣特征检测模型训练方法，其特征在于，所述获取第一岩渣图片样本集，包括：
通过图像采集设备采集岩渣图片，并对所述岩渣图片进行筛选，得到第一岩渣图片样本集。
4.根据权利要求3所述的岩渣特征检测模型训练方法，其特征在于，所述对所述岩渣图片进行筛选，得到第一岩渣图片样本集，包括：
利用模糊检测算法对所述岩渣图片进行检测，得到所述岩渣图片的清晰度；
筛选出清晰度大于预设阈值的岩渣图片，得到第一目标岩渣图片；
基于所述第一目标岩渣图片确定第一岩渣图片样本集。
5.根据权利要求4所述的岩渣特征检测模型训练方法，其特征在于，基于所述第一目标岩渣图片确定第一岩渣图片样本集，包括：
将全部所述第一目标岩渣图片确定为第一岩渣图片样本集；
或，筛选出第二目标岩渣图片，并对所述第二目标岩渣图片进行处理，得到特征恢复图像；
将全部所述第一目标岩渣图片以及全部所述特征恢复图像确定为第一岩渣图片样本集。
6.根据权利要求1所述的岩渣特征检测模型训练方法，其特征在于，获取超分辨率重建模型，包括：
将第二岩渣图片样本集中的原始图片从第一分辨率降低至第二分辨率，得到低分辨率图片样本集；
将所述低分辨率图片样本集输入第二预设神经网络模型进行训练，并在训练过程中，利用所述第二预设网络模型输出的模型输出图片以及对应原始图片确定训练损失，直至所述训练损失低于预设阈值，则将当前的第二预设神经网络模型作为超分辨率重建模型。
7.根据权利要求1至6任一项所述的岩渣特征检测模型训练方法，其特征在于，还包括：
当获取到待检测岩渣图片，则利用所述超分辨率重建模型输出对应的高分辨率待检测图像；
将所述高分辨率待检测图像输入至所述岩渣特征检测模型，得到对应的检测结果。
8.一种岩渣特征检测模型训练装置，其特征在于，包括：
数据获取模块，用于获取第一岩渣图片样本集；
模型获取模块，用于获取超分辨率重建模型；
样本重建模块，用于将所述第一岩渣图片样本集输入至所述超分辨率重建模型，得到所述第一岩渣图片样本集对应的高分辨率岩渣图片样本集；
模型训练模块，用于利用所述高分辨率岩渣图片样本集训练第一预设神经网络模型，直到所述第一预设神经网络模型收敛，得到岩渣特征检测模型。
9.一种电子设备，其特征在于，包括：
存储器，用于保存计算机程序；
处理器，用于执行所述计算机程序，以实现如权利要求1至7任一项所述的岩渣特征检测模型训练方法。
10.一种计算机可读存储介质，其特征在于，用于保存计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的岩渣特征检测模型训练方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111177478.8A CN113780476A (zh) | 2021-10-09 | 2021-10-09 | 一种岩渣特征检测模型训练方法、装置、设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111177478.8A CN113780476A (zh) | 2021-10-09 | 2021-10-09 | 一种岩渣特征检测模型训练方法、装置、设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113780476A true CN113780476A (zh) | 2021-12-10 |
Family
ID=78854841
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111177478.8A Pending CN113780476A (zh) | 2021-10-09 | 2021-10-09 | 一种岩渣特征检测模型训练方法、装置、设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113780476A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114320316A (zh) * | 2022-01-14 | 2022-04-12 | 重庆邮电大学 | 一种盾构机施工预警方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
| CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
| CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
| CN112016507A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于超分辨率的车辆检测方法、装置、设备及存储介质 |
| CN112101205A (zh) * | 2020-09-15 | 2020-12-18 | 东软睿驰汽车技术（沈阳）有限公司 | 基于多任务网络的训练方法和装置 |
| CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
| CN113436198A (zh) * | 2021-06-15 | 2021-09-24 | 华东师范大学 | 一种协同图像超分辨率重建的遥感图像语义分割方法 |
-
2021
- 2021-10-09 CN CN202111177478.8A patent/CN113780476A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110188807A (zh) * | 2019-05-21 | 2019-08-30 | 重庆大学 | 基于级联超分辨率网络与改进Faster R-CNN的隧道行人目标检测方法 |
| CN110490802A (zh) * | 2019-08-06 | 2019-11-22 | 北京观微科技有限公司 | 一种基于超分辨率的卫星影像飞机目标型号识别方法 |
| CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
| CN112016507A (zh) * | 2020-09-07 | 2020-12-01 | 平安科技（深圳）有限公司 | 基于超分辨率的车辆检测方法、装置、设备及存储介质 |
| CN112101205A (zh) * | 2020-09-15 | 2020-12-18 | 东软睿驰汽车技术（沈阳）有限公司 | 基于多任务网络的训练方法和装置 |
| CN112990227A (zh) * | 2021-02-08 | 2021-06-18 | 中国铁建重工集团股份有限公司 | 掌子面地质检测方法 |
| CN113436198A (zh) * | 2021-06-15 | 2021-09-24 | 华东师范大学 | 一种协同图像超分辨率重建的遥感图像语义分割方法 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114320316A (zh) * | 2022-01-14 | 2022-04-12 | 重庆邮电大学 | 一种盾构机施工预警方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111709420B (zh) | 文本检测方法、电子设备及计算机可读介质 | |
| CN111583097A (zh) | 图像处理方法、装置、电子设备及计算机可读存储介质 | |
| CN111886609A (zh) | 用于减少机器学习中的数据存储的系统和方法 | |
| CN111582175A (zh) | 一种共享多尺度对抗特征的高分遥感影像语义分割方法 | |
| CN113269267B (zh) | 目标检测模型的训练方法、目标检测方法和装置 | |
| CN105741224A (zh) | 基于pvo和自适应块分割的可逆水印算法 | |
| CN110807376A (zh) | 基于遥感图像的城外道路提取方法及装置 | |
| CN110781850A (zh) | 道路识别的语义分割系统和方法、计算机存储介质 | |
| CN111627057B (zh) | 一种距离测量方法、装置及服务器 | |
| CN111160481B (zh) | 基于深度学习的adas目标检测方法及系统 | |
| CN113344826A (zh) | 图像处理方法、装置、电子设备及存储介质 | |
| CN116994140A (zh) | 基于遥感影像的耕地提取方法、装置、设备和介质 | |
| CN113780476A (zh) | 一种岩渣特征检测模型训练方法、装置、设备及介质 | |
| CN111814773A (zh) | 一种划线车位识别方法及系统 | |
| CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
| CN115050002A (zh) | 图像标注模型训练方法、装置、电子设备及存储介质 | |
| CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
| CN115439483A (zh) | 一种高质量的焊缝及焊缝缺陷识别系统、方法、存储介质 | |
| CN114419603A (zh) | 一种自动驾驶车辆控制方法、系统和自动驾驶车辆 | |
| CN112785610B (zh) | 一种融合低层特征的车道线语义分割方法 | |
| US11954917B2 (en) | Method of segmenting abnormal robust for complex autonomous driving scenes and system thereof | |
| CN111369515A (zh) | 一种基于计算机视觉的隧道水渍检测系统及方法 | |
| CN112733864A (zh) | 模型训练方法、目标检测方法、装置、设备及存储介质 | |
| CN115147702A (zh) | 一种基于yolact++的车辆损伤识别方法、装置、设备及介质 | |
| CN114529828A (zh) | 遥感图像居民地要素提取方法和装置及设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211210 |