CN114255388A - 一种地震采集接收装置埋置质量人工智能自动检测方法 - Google Patents

一种地震采集接收装置埋置质量人工智能自动检测方法 Download PDF

Info

Publication number
CN114255388A
CN114255388A CN202111230596.0A CN202111230596A CN114255388A CN 114255388 A CN114255388 A CN 114255388A CN 202111230596 A CN202111230596 A CN 202111230596A CN 114255388 A CN114255388 A CN 114255388A
Authority
CN
China
Prior art keywords
image
receiving device
frame
prediction
multiplied
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
Application number
CN202111230596.0A
Other languages
English (en)
Inventor
徐天吉
李思源
郭济
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
Original Assignee
University of Electronic Science and Technology of China
Yangtze River Delta Research Institute of UESTC Huzhou
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China, Yangtze River Delta Research Institute of UESTC Huzhou filed Critical University of Electronic Science and Technology of China
Priority to CN202111230596.0A priority Critical patent/CN114255388A/zh
Publication of CN114255388A publication Critical patent/CN114255388A/zh
Pending legal-status Critical Current

Links

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
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种地震采集接收装置埋置质量人工智能自动检测方法，包括以下步骤：S1、拍摄地震采集接收装置的野外图像，并筛选出清晰的图像；S2、使用labelimg标注工具对清晰的图像进行特征标注，将图像分类为合格和不合格，并保存为xml标签文件；S3、搭建YOLOv3神经网络，设置网络参数，进行迭代训练，输出每一轮训练后的模型，按照预测准确率的评价指标选择最优预测模型；S4、利用最优预测模型对待预测的地震采集接收装置的图像进行分类预测。本发明能够快速有效地进行施工质量检查，对提高质量控制的有效性、时效性，降低质控成本、提高施工效率、帮助质检人员实现仪器安装质量的快速评估，保证地震资料的采集质量。

Description

一种地震采集接收装置埋置质量人工智能自动检测方法
技术领域
本发明属于地球物理技术领域，特别涉及一种地震采集接收装置埋置质量人工智能自动检测方法。
背景技术
地震信号的采集是地震勘探过程中最重要的环节之一，只有在“测量点位保证准确、激发因素一致、接收环节保持一致、仪器录制因素保持不变”的条件下，接收到的地震反射信息才能客观真实地反映地下介质的情况。目前，采用小点距、小组合基距、小偏移距、小药量和较高叠加次数的“四小一高”及其它“高密度”、“两宽一高”(宽频、宽方位、高密度)等地震采集方法，需要利用大量的检波器、节点仪等接收装置采集高品质的地震数据，对接收环节的质量保障提出了更高的要求。为此，现场施工人员需要完成接收装置的野外安装并进行拍照记录，质检人员后续根据照片对接收装置安装质量进行评估，判断拍摄照是否清晰、仪器安装是否正确、周围植被及杂物是否清除、埋置深度是否合适等问题。然而，由于“两宽一高”地震采集技术、特别是山地高精度地震采集技术的大面积推广应用，炮道密度密度越来越高，接收点间距越来越小、接收装置越来越多、万道以上接收排列已是常态，一些项目投入接收装置已超过50000个，拍摄的照片数量多达数十万张，数量巨大，人工质检面临极大挑战，由于其主观性强、效率低、耗时长、成本高，不仅大大增加了人工成本、也延长了质检的周期、影响地震采集项目的质量和效益。
发明内容
本发明的目的在于克服现有技术的不足，提供一种能够快速有效地进行施工质量检查，对提高质量控制的有效性、时效性，降低质控成本、提高施工效率、帮助质检人员实现仪器安装质量的快速评估的地震采集接收装置埋置质量人工智能自动检测方法。
本发明的目的是通过以下技术方案来实现的：一种地震采集接收装置埋置质量人工智能自动检测方法，包括以下步骤：
S1、拍摄地震采集接收装置的野外图像，并利用拉普拉斯方差算法计算图像的方差，根据方差确定阈值大小，筛选出清晰的图像；
S2、使用labelimg标注工具对清晰的图像进行特征标注，将图像分类为合格和不合格，并保存为xml标签文件；
S3、搭建YOLOv3神经网络，设置网络参数，进行迭代训练，输出每一轮训练后的模型，按照预测准确率的评价指标选择最优预测模型；
S4、利用最优预测模型对待预测的地震采集接收装置的图像进行分类预测。
进一步地，所述步骤S1具体实现方法为：
S11、拍摄地震采集接收装置的野外图像，输入电脑中；
S12、将图像的灰度值P与拉普拉斯算子H做卷积运算：
Figure BDA0003315755360000021
Figure BDA0003315755360000022
式中，H为拉普拉斯算子，
Figure BDA0003315755360000023
为二阶微分算子；f(x,y)为数字图像，x、y为变量；P为图像灰度矩阵，*为卷积运算；
S13、取图像灰度值与拉普拉斯矩阵卷积后的矩阵
Figure BDA0003315755360000024
计算方差s2：
Figure BDA0003315755360000025
式中，
Figure BDA0003315755360000026
为矩阵
Figure BDA0003315755360000027
中第i行第i列元素的值，
Figure BDA0003315755360000028
为矩阵
Figure BDA0003315755360000029
的均值，n为矩阵行数和列数；
S14、依次计算所有图像的方差，从清晰的图片中选择最小方差作为阈值，然后将方差大于阈值的图像加入训练集。
进一步地，所述步骤S2具体实现方法为：依次打开训练集中的图像，标注目标区域，围绕检波器和节点仪的中心，人工用鼠标绘制矩形区域，使绘制的矩形区域能够恰好包络住检波器和节点仪；然后根据仪器要有超过一半的体积被埋入地下、四周干净整洁、未被植被及杂物遮挡的标准，将满足上述标准的图像标记为合格，否则标记为不合格，将图像标记保存为xml标签文件，形成训练集。
进一步地，所述步骤S3具体实现方法为：
S31、采集仪器数据集：合格图像中人工绘制的矩形区域为Right框；不合格图像中人工绘制的矩形区域为Wrong框；分别采集Right框和Wrong框的数据x，y，w，h，C；其中，(x，y)为框的中心点的坐标，(w，h)为框的高和宽，C为图像类别；
S32、使用K-means聚类法对Right框和Wrong框的宽和高进行聚类分析；然后计算出9个锚点，尺寸为(10×13)、(16×30)、(33×23)；(30×61)、(62×45)、(59×119)；(116×90)、(156×198)、(373×326)，每三个锚点生成一个检测框，共得到三个检测框；计算Right框和Wrong框到聚类中心的距离，然后将检测框进行重新划分，更新聚类中心的值，直到聚类中心改变量收敛，则检测框与被检测目标位置接近重合；
S33、对图像的四周填加灰度，固定图像尺寸大小为416×416像素，防止图像失真；然后将图像分别划分成三种尺寸13×13、26×26、52×52的非重叠的网络单元；
S34、设置YOLOv3网络参数，训练时一轮迭代处理4个样本，图像训练前被填充灰度到416×416像素，使用BN在每次权值更新时进行正则化，权值衰减设置为0.0005，动量衰减设置为0.9，初始学习率设置为0.001，迭代次数为1000；
S35、将S33得到的图像输入YOLOv3的主干网络Darknet-53中进行特征提取；YOLO算法将输入的图片不断进行卷积提取特征，经过多次下采样的卷积运算，最终输出结果为52×52×256、26×26×512、13×13×1024三种不同尺寸的特征图；
S36、将K-means聚类算法得到的三个检测框尺寸平均分配到三种不同尺寸的特征图上，每个尺寸的特征图预测一定量的先验框，并生成相应的候选框，选择重合面积最大的候选框作为最终的预测框，然后根据特征图与原图的关系，将预测框其映射到原图上，定位出目标的位置，并在预测框上显示出检波器及节点仪的置信概率；
S37、每迭代20次，输出一个预测模型，总共得到50个模型；
模型的预测准确率评价指标定义为：
Precision＝Nr/N (4)
式中，Precision为模型预测准确率，Nr为预测正确的样本数量，N为总的样本数量；
S38、依次将测试集输入到每个模型中，准确率最高的即为最优预测模型。
本发明的有益效果是：针对地震勘探中的接收装置埋藏人工质检繁琐、工作量大、效率低、容易出错等问题，利用基于深度学习和计算机视觉技术中的YOLOv3目标检测算法，借助边缘检测中的拉普拉斯算子筛选清晰的图像，将检波器、节点仪等接收装置的野外置放图像作为训练集和预测集，建立能够快速评估接收装置野外安装质量的自动检测方法，利用智能化优势逐渐消除人工作业存在的主观性、低效率、低精度等影响高效勘探的不利因素；本发明能够快速有效地进行施工质量检查，对提高质量控制的有效性、时效性，降低质控成本、提高施工效率、帮助质检人员实现仪器安装质量的快速评估，保证地震资料的采集质量。
附图说明
图1为本发明的地震采集接收装置埋置质量人工智能自动检测方法的流程图；
图2为不清晰图像与清晰图像示意图；
图3为合格装置与不合格装置的特征标注图，其中，(a)为合格装置，(b)为不合格装置；
图4网格划分示意图；
图5是YOLOv3网络结构图
图6是准确率随迭代次数的变化图；
图7是(部分)预测结果图。
具体实施方式
下面结合附图进一步说明本发明的技术方案。
如图1所示，本发明的一种地震采集接收装置埋置质量人工智能自动检测方法，包括以下步骤：
S1、拍摄地震采集接收装置的野外图像，并利用拉普拉斯方差算法计算图像的方差，根据方差确定阈值大小，筛选出清晰的图像；具体实现方法为：
S11、拍摄地震采集接收装置的野外图像，输入电脑中；
S12、将图像的灰度值P与拉普拉斯算子H做卷积运算：
Figure BDA0003315755360000041
Figure BDA0003315755360000042
式中，H为拉普拉斯算子，
Figure BDA0003315755360000043
为二阶微分算子；f(x,y)为数字图像，x、y为变量；P为图像灰度矩阵，*为卷积运算；
S13、取图像灰度值与拉普拉斯矩阵卷积后的矩阵
Figure BDA0003315755360000044
计算方差s2：
Figure BDA0003315755360000045
式中，
Figure BDA0003315755360000046
为矩阵
Figure BDA0003315755360000047
中第i行第i列元素的值，
Figure BDA0003315755360000048
为矩阵
Figure BDA0003315755360000049
的均值，n为矩阵行数和列数；
S14、方差s2可以表示图像的模糊度，若方差大，则表示图像清晰、聚焦准确、图像频响范围广；若方差小，则表示图像模糊、边缘数量少、图像频响范围窄。图2反映出了方差大小与图像清晰度之间的关系，方差60、179的图像均不清晰，方差1385和1230的图像则很清晰；依次计算所有图像的方差，从清晰的图片中选择最小方差作为阈值，然后将方差大于阈值的图像加入训练集。本实施例中，一共采集了500张图像，通过上述处理，筛选出372张清晰图像，选择其中272张作为训练集，占比为73％，其余100张图像作为测试集，占比为23％。
S2、使用labelimg标注工具对清晰的图像进行特征标注，将图像分类为合格和不合格，并保存为xml标签文件；具体实现方法为：依次打开训练集中的图像，标注目标区域，围绕检波器和节点仪的中心，人工用鼠标绘制矩形区域，使绘制的矩形区域能够恰好包络住检波器和节点仪，如图3所示；然后根据仪器要有超过一半的体积被埋入地下、四周干净整洁、未被植被及杂物遮挡的标准，将满足上述标准的图像标记为合格，否则标记为不合格，将图像标记保存为xml标签文件，形成训练集。
本实施例训练集和测试集中图像分类情况如表1～表3所示。
表1
数据集 占比/(％) 数量/张
训练集 73 272
测试集 27 100
表2
训练集 合格/张 合格/张
检波器 132 60
节点仪 63 17
表3
测试集 合格/张 不合格/张
检波器 50 23
节点仪 22 6
S3、搭建YOLOv3神经网络，设置网络参数，进行迭代训练，输出每一轮训练后的模型，按照预测准确率的评价指标选择最优预测模型；具体实现方法为：
S31、采集仪器数据集：合格图像中人工绘制的矩形区域为Right框；不合格图像中人工绘制的矩形区域为Wrong框；分别采集Right框和Wrong框的数据x，y，w，h，C；其中，(x，y)为框的中心点的坐标，(w，h)为框的高和宽，C为图像类别；
S32、使用K-means聚类法对Right框和Wrong框的宽和高进行聚类分析；然后寻找合适尺寸的锚框(Anchor)，计算出9个锚点，尺寸为(10×13)、(16×30)、(33×23)；(30×61)、(62×45)、(59×119)；(116×90)、(156×198)、(373×326)，每三个锚点生成一个检测框，共得到三个检测框；计算Right框和Wrong框到聚类中心的距离，然后将检测框进行重新划分，更新聚类中心的值，直到聚类中心改变量收敛，则检测框与被检测目标位置接近重合；
S33、对图像的四周填加灰度，固定图像尺寸大小为416×416像素，防止图像失真；然后将图像分别划分成三种尺寸13×13、26×26、52×52的非重叠的网络单元，如图4所示，每个网络单元负责一个区域的检测，只要物体的中心点落在该区域内，这个物体就由该网格点确定；
S34、设置YOLOv3网络参数，训练时一轮迭代(Iteration)处理4个样本，图像训练前被填充灰度到416×416像素，使用BN(Batch normalization)在每次权值更新时进行正则化，权值衰减(Decay)设置为0.0005，动量衰减(Momentum)设置为0.9，初始学习率(Learning rate)设置为0.001，迭代次数为1000；
S35、将S33得到的图像输入YOLOv3的主干网络Darknet-53中进行特征提取；YOLOv3网络结构如图5所示。YOLOv3网络先把训练图片归一化为416个像素×416个像素，然后再划分成13个像素×13个像素的网格，每个网格负责检测B个边界框及其置信度，以及C个类别的概率。用含有53个卷积层的Darknet-53(残差网络-53)作为特征提取网络来提取接收装置的特征，如图5所示。YOLO算法将输入的图片不断进行卷积提取特征，图片的高和宽也会随着卷积次数增加而不断被压缩，表现为图片大小从416×416压缩到13×13，通道数从3扩张到1024的下采样过程，获取到三个52×52×256、26×26×512、13×13×1024三种不同尺寸的特征图，即可反映输入图片的特征。将获取到的13×13×1024分成两个方向，其中一个方向进行分类预测和回归预测，两次卷积后分解为13×13×3×25的图像，每张图像大小为13×13包含3个先验框，图像张量为25[20(对象类别)+1(边界框置信度)+4(预测框参数))]。另一条方向进行上采样过程，同26×26×512的特征层进行堆叠，构建特征金字塔进行多尺度特征融合，提取出更有效的特征。将堆叠的结果进行多次卷积进行分类预测，获得26×26×3×25的图像。将卷积结果同样进行上采样并与52×52×256特征层堆叠，进行同样的卷积操作，获得52×52×3×25的图像。
S36、将K-means聚类算法得到的三个检测框尺寸平均分配到三种不同尺寸的特征图上，每个尺寸的特征图预测一定量的先验框，并生成相应的候选框，选择重合面积最大的候选框作为最终的预测框，然后根据特征图与原图的关系，将预测框其映射到原图上，定位出目标的位置，并在预测框上显示出检波器及节点仪的置信概率；
S37、每迭代20次，输出一个预测模型，总共得到50个模型；
模型的预测准确率评价指标定义为：
Precision＝Nr/N (4)
式中，Precision为模型预测准确率，Nr为预测正确的样本数量，N为总的样本数量；
S38、依次将测试集输入到每个模型中，准确率最高的即为最优预测模型，作为检测仪器安装是否合格的评判依据，即仪器超过一半的体积被埋入地下、四周干净整洁、未被植被及杂物遮挡。
图6反映了准确率Precision随迭代次数Interations的变化关系。从图中可以看出，当迭代次数达到600次时，准确率已经趋于稳定，相邻模型之间的准确率相差不大，其中最大准确率为93％，对应第49个模型，迭代次数为980，将其作为最优模型。
训练完成后，将测试集输入到最优模型中，部分预测结果如图7所示，其中，上面两行为正确安放的图片，仪器埋放深度合适，四周为土壤；下面两行为错误安放的图片，未清除仪器周围的植被及杂物。本实施例将测试集的100张图像全部输入最优模型中进行分类判别，正确识别93张图片，错误识别4张图片，漏检3张图片，准确率为93％，符合误差规定。
本实例从500张人工拍摄的地震信号探测仪器的野外放置图片中，筛选出372张清晰的图片用于实验。随机选择272张图片作为训练集，按照标准分为“合格”与“不合格”，通过人工标注，创建地震信号接收装置的标签图集；其余100张图片作为测试集。经过1000次迭代训练，得到最优预测模型，准确率达到93％。模型测试结果表明，YOLOv3算法成功实现了对地震信号接收装置的安装合格与否的判别，从而保证装置安装质控的一致性，降低石油勘探过程中的人工质检成本。
S4、利用最优预测模型对待预测的地震采集接收装置的图像进行分类预测。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (4)

1.一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，包括以下步骤：
S1、拍摄地震采集接收装置的野外图像，并利用拉普拉斯方差算法计算图像的方差，根据方差确定阈值大小，筛选出清晰的图像；
S2、使用labelimg标注工具对清晰的图像进行特征标注，将图像分类为合格和不合格，并保存为xml标签文件；
S3、搭建YOLOv3神经网络，设置网络参数，进行迭代训练，输出每一轮训练后的模型，按照预测准确率的评价指标选择最优预测模型；
S4、利用最优预测模型对待预测的地震采集接收装置的图像进行分类预测。
2.根据权利要求1所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S1具体实现方法为：
S11、拍摄地震采集接收装置的野外图像，输入电脑中；
S12、将图像的灰度值P与拉普拉斯算子H做卷积运算：
Figure FDA0003315755350000011
Figure FDA0003315755350000012
式中，H为拉普拉斯算子，
Figure FDA0003315755350000013
为二阶微分算子；f(x,y)为数字图像，x、y为变量；P为图像灰度矩阵，*为卷积运算；
S13、取图像灰度值与拉普拉斯矩阵卷积后的矩阵
Figure FDA0003315755350000014
计算方差s2：
Figure FDA0003315755350000015
式中，
Figure FDA0003315755350000016
为矩阵
Figure FDA0003315755350000017
中第i行第i列元素的值，
Figure FDA0003315755350000018
为矩阵
Figure FDA0003315755350000019
的均值，n为矩阵行数和列数；
S14、依次计算所有图像的方差，从清晰的图片中选择最小方差作为阈值，然后将方差大于阈值的图像加入训练集。
3.根据权利要求1所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S2具体实现方法为：依次打开训练集中的图像，标注目标区域，围绕检波器和节点仪的中心，人工用鼠标绘制矩形区域，使绘制的矩形区域能够恰好包络住检波器和节点仪；然后根据仪器要有超过一半的体积被埋入地下、四周干净整洁、未被植被及杂物遮挡的标准，将满足上述标准的图像标记为合格，否则标记为不合格，将图像标记保存为xml标签文件，形成训练集。
4.根据权利要求2所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S3具体实现方法为：
S31、采集仪器数据集：合格图像中人工绘制的矩形区域为Right框；不合格图像中人工绘制的矩形区域为Wrong框；分别采集Right框和Wrong框的数据x，y，w，h，C；其中，(x，y)为框的中心点的坐标，(w，h)为框的高和宽，C为图像类别；
S32、使用K-means聚类法对Right框和Wrong框的宽和高进行聚类分析；然后计算出9个锚点，尺寸为(10×13)、(16×30)、(33×23)；(30×61)、(62×45)、(59×119)；(116×90)、(156×198)、(373×326)，每三个锚点生成一个检测框，共得到三个检测框；计算Right框和Wrong框到聚类中心的距离，然后将检测框进行重新划分，更新聚类中心的值，直到聚类中心改变量收敛，则检测框与被检测目标位置接近重合；
S33、对图像的四周填加灰度，固定图像尺寸大小为416×416像素，防止图像失真；然后将图像分别划分成三种尺寸13×13、26×26、52×52的非重叠的网络单元；
S34、设置YOLOv3网络参数，训练时一轮迭代处理4个样本，图像训练前被填充灰度到416×416像素，使用BN在每次权值更新时进行正则化，权值衰减设置为0.0005，动量衰减设置为0.9，初始学习率设置为0.001，迭代次数为1000；
S35、将S33得到的图像输入YOLOv3的主干网络中进行特征提取；YOLO算法将输入的图片不断进行卷积提取特征，经过多次下采样的卷积运算，最终输出结果为52×52×256、26×26×512、13×13×1024三种不同尺寸的特征图；
S36、将K-means聚类算法得到的三个检测框尺寸平均分配到三种不同尺寸的特征图上，每个尺寸的特征图预测一定量的先验框，并生成相应的候选框，选择重合面积最大的候选框作为最终的预测框，然后根据特征图与原图的关系，将预测框其映射到原图上，定位出目标的位置，并在预测框上显示出检波器及节点仪的置信概率；
S37、每迭代20次，输出一个预测模型，总共得到50个模型；
模型的预测准确率评价指标定义为：
Precision＝Nr/N (4)
式中，Precision为模型预测准确率，Nr为预测正确的样本数量，N为总的样本数量；
S38、依次将测试集输入到每个模型中，准确率最高的即为最优预测模型。
CN202111230596.0A 2021-10-22 2021-10-22 一种地震采集接收装置埋置质量人工智能自动检测方法 Pending CN114255388A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111230596.0A CN114255388A (zh) 2021-10-22 2021-10-22 一种地震采集接收装置埋置质量人工智能自动检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111230596.0A CN114255388A (zh) 2021-10-22 2021-10-22 一种地震采集接收装置埋置质量人工智能自动检测方法

Publications (1)

Publication Number Publication Date
CN114255388A true CN114255388A (zh) 2022-03-29

Family

ID=80792165

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111230596.0A Pending CN114255388A (zh) 2021-10-22 2021-10-22 一种地震采集接收装置埋置质量人工智能自动检测方法

Country Status (1)

Country Link
CN (1) CN114255388A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572531A (zh) * 2024-01-16 2024-02-20 电子科技大学 一种智能检波器埋置质量测试方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117572531A (zh) * 2024-01-16 2024-02-20 电子科技大学 一种智能检波器埋置质量测试方法及系统
CN117572531B (zh) * 2024-01-16 2024-03-26 电子科技大学 一种智能检波器埋置质量测试方法及系统

Similar Documents

Publication Publication Date Title
CN109829399B (zh) 一种基于深度学习的车载道路场景点云自动分类方法
CN111553303B (zh) 基于卷积神经网络的遥感正射影像密集建筑物提取方法
CN112052755B (zh) 基于多路注意力机制的语义卷积高光谱图像分类方法
CN113392775B (zh) 一种基于深度神经网络的甘蔗幼苗自动识别与计数方法
CN108711148B (zh) 一种基于深度学习的轮胎缺陷智能检测方法
CN112232371B (zh) 一种基于YOLOv3与文本识别的美式车牌识别方法
CN113360587B (zh) 一种基于gis技术的土地测绘设备及测绘方法
CN113534240A (zh) 微地震事件检测与定位方法及系统
CN114241332A (zh) 一种基于深度学习的固废场识别方法、装置以及存储介质
CN112668613A (zh) 基于气象预报和机器学习的卫星红外成像效果预测方法
Weidner et al. An algorithm for measuring landslide deformation in terrestrial lidar point clouds using trees
Elberink et al. Detection of collapsed buildings by classifying segmented airborne laser scanner data
CN114255388A (zh) 一种地震采集接收装置埋置质量人工智能自动检测方法
CN109409285B (zh) 基于重叠切片的遥感视频目标检测方法
CN110728269A (zh) 一种高铁接触网支柱杆号牌识别方法
CN107194917A (zh) 基于dap和arelm的在轨sar图像变化检测方法
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN111444824A (zh) 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法
CN110826691A (zh) 基于yolo和lstm的地震速度谱智能拾取方法
CN108182492A (zh) 一种资料同化方法及装置
CN114639015A (zh) 联合光谱、植被指数和纹理特征的高分影像滑坡检测方法
CN103955915A (zh) 基于稀疏表示和多字典的sar图像分割
CN114496177B (zh) 一种基于大数据的感染科临床感染源的检测方法及系统
CN116310791B (zh) 基于建筑物震害检测的极灾区快速判定方法及电子设备
Nagle‐McNaughton et al. Classifying worldwide standardized seismograph network records using a simple convolution neural network

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