CN114913158A - 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 - Google Patents
一种水文地质岩体裂隙及裂隙渗水检测方法及系统 Download PDFInfo
- Publication number
- CN114913158A CN114913158A CN202210564668.3A CN202210564668A CN114913158A CN 114913158 A CN114913158 A CN 114913158A CN 202210564668 A CN202210564668 A CN 202210564668A CN 114913158 A CN114913158 A CN 114913158A
- Authority
- CN
- China
- Prior art keywords
- fracture
- image
- water seepage
- rock mass
- neural network
- 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.)
- Withdrawn
Links
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 76
- 239000011435 rock Substances 0.000 title claims abstract description 74
- 238000001514 detection method Methods 0.000 title claims description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 47
- 239000013598 vector Substances 0.000 claims abstract description 35
- 238000000034 method Methods 0.000 claims abstract description 33
- 239000000284 extract Substances 0.000 claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000004590 computer program Methods 0.000 claims description 14
- 238000007781 pre-processing Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000012549 training Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013519 translation Methods 0.000 claims description 5
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000004913 activation Effects 0.000 claims description 2
- 238000013461 design Methods 0.000 claims description 2
- 230000008595 infiltration Effects 0.000 claims description 2
- 238000001764 infiltration Methods 0.000 claims description 2
- 230000035515 penetration Effects 0.000 claims description 2
- 238000011176 pooling Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims description 2
- 238000011496 digital image analysis Methods 0.000 abstract description 2
- 206010017076 Fracture Diseases 0.000 description 69
- 208000010392 Bone Fractures Diseases 0.000 description 59
- 238000010586 diagram Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 8
- 208000002565 Open Fractures Diseases 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 208000003044 Closed Fractures Diseases 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000105 evaporative light scattering detection Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
-
- 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
- G06T3/60—Rotation of whole images or parts thereof
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明属于数字图像分析与处理技术领域,提供了一种水文地质岩体裂隙及裂隙渗水检测方法及系统,将待检测岩体裂隙与裂隙渗水图像进行预处理;将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。可以快速、准确地检测不同类型的岩体裂隙与裂隙渗水。
Description
技术领域
本发明属于数字图像分析与处理技术领域,尤其涉及一种水文地质岩体裂隙及裂隙渗水检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
近年来,以卷积神经网络为代表的深度学习模型在人工智能领域取得了广泛的关注,而且由于其性能优越已经被广泛应用于目标检测、图像识别与图像分类等复杂的机器学习任务当中。
与此同时,伴随着社会发展和自动化程度的逐渐提升,通过机器学习方式提高工作效率与技术水平,一方面既能够降低对于人力和物力成本的需求,同时也可以在一定程度上提高系统整体的安全性与稳定性。
在建筑工程地质勘测过程中,为确定地质构造以及明确相关的区域内水文地质和工程地质等特征,需要对岩体裂缝以及裂隙渗水等进行系统化观测,这一过程对于勘测过程具有重大影响及意义。同时,在自然界中并没有无裂隙的岩石,即裂隙在地壳中的分布是广泛的,而且在岩石成份或不构造地区不相同的前提下中,岩体裂隙的大小、形态、排列与频率等,都会随之发生变化。如果采用人工方式进行检测,由于所需检测的样本数量过多,会造成检测时间过长、检测精度低等问题。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供一种水文地质岩体裂隙及裂隙渗水检测方法及系统,其提出的端到端的深度学习架构包括三个阶段,包括深度网络的初始化、基于反向传播和数据集扩充的模型参数优化以及深度网络模型与分类器的集成,可以快速、准确地检测不同类型的岩体裂隙与裂隙渗水,并可将此模型应用于实际的工程生产,提高生产效率,节约生产成本。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一个方面提供一种水文地质岩体裂隙及裂隙渗水检测方法,包括如下步骤:
获取待检测岩体裂隙与裂隙渗水图像;
将待检测岩体裂隙与裂隙渗水图像进行预处理;
将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
本发明的第二个方面提供一种水文地质岩体裂隙及裂隙渗水检测系统,包括:
数据获取模块,被配置为:获取待检测岩体裂隙与裂隙渗水图像;
数据预处理模块,被配置为:将待检测岩体裂隙与裂隙渗水图像进行预处理;
裂隙及裂隙渗水检测模块,被配置为:将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
与现有技术相比,本发明的有益效果是:
本发明针对目前水文地质岩体检测中存在的困难与挑战,特别是不同类型裂隙间的差异性较小以及样本稀缺等问题,利用深度学习技术,采用深度卷积神经网络算法,对采集到的岩体裂隙与渗水进行分类检测,确保裂隙与渗水的类型与样本图像相对应,达到地质工程的要求,也最大程度上消除了人为因素所引起的误差。
本发明将深度学习技术应用于水文地质工程,在对工程现场的岩体进行检测识别时,只需要实时采集岩体裂隙和渗水的图像,通过该发明中所提出的深度卷积学习模型,即可快速识别裂隙和渗水的类型。可以快速、准确地检测不同类型的岩体裂隙与裂隙渗水,并可将此模型应用于实际的工程生产,提高生产效率,节约生产成本。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例一岩体裂隙与渗水检测过程;
图2是本发明实施例一所述的深度卷积神经网络模型。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
如图1所示,本实施例提供一种水文地质岩体裂隙及裂隙渗水检测方法,包括如下步骤:
S101:获取待检测岩体裂隙与裂隙渗水图像;
S102:将待检测岩体裂隙与裂隙渗水图像进行预处理;
S103:将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
作为一种或多种实施例,S101中,所述待检测岩体裂隙与裂隙渗水图像采用自然光作为图像光源,排除其它光源的干扰。拍摄时使用高清摄像机,可以采集到高分辨率的裂隙与渗水样本图像,将采集到的每一类型的岩体裂隙与渗水图像需要按照不同的型号名称归类到相应的文件夹当中,文件夹的名字即为岩体裂隙与渗水类型的型号。
采集的每一类型的图像的数量都需要大于设定的阈值,例如阈值可以设置为50张。
作为一种或多种实施例,S102中,所述将待检测岩体裂隙与裂隙渗水图像进行预处理包括:将待检测岩体裂隙与裂隙渗水图像进行数据清洗以及图像扩充;
所述数据清洗包括将待检测岩体裂隙与裂隙渗水图像逐一对每一类型的样本图像进行检验并标注类型,确保每个文件夹下的样本图像与具体的岩体裂隙和渗水类型相互对应。
所述图像扩充通过对图像进行放射变换实现,具体的变换方式包括:图像的平移操作、图像的旋转操作、图像的比例调整、图像的水平翻转操作、图像的垂直翻转和图像的错切操作等。
其中,图像的平移操作包括但不限于图像的上下平移与左右平移;
图像的旋转操作包括但不限于按照不同的角度例如90°、180°、270°等特定角度进行旋转;
图像的比例调整包括对图像进行放大与缩小变换;
图像的错切操作包括水平错切与垂直错切。
作为一种或多种实施例,S103中,所述约束限定包括仿射不变性、均匀分布以及量化损失最小。
限定具体包括:通过两个通道的图像之间的分类误差最小化、每个特征向量中的0、1均匀分布以及特征向量与形变无关。
所述卷积神经网络模型还包括softmax分类器,所述softmax分类器将通过卷积神经网络得到的特征向量划分为多个区域,将不同的卷积神经网络结构中不同区域间的卷积核一一对应,单个卷积核用于对相应区域响应的提取。
S103中,所述每个通道均采用VGG 16模型,两个模型的采用的参数是相同的。
本申请在卷积神经网络模型构建过程中,结合样本图像的形变以及岩体裂隙和裂隙渗水图像本身的属性特点设计具有相应层次和结构的卷积神经网络结构,针对岩体裂隙和裂隙渗水本身具有裂隙微小、渗流结构复杂和渗流现象微弱等属性特点,这些特点中特别是裂隙微小带来的有效特征难以提取等问题,设计具有上采样结构的卷积神经网络,通过强化裂隙特征提升对于岩体裂隙和裂隙渗水的检测精度,达到对于微小裂隙的精细探测及精准识别。
本实施例中通过对原始图像和与之对应的形变图像分别进行特征提取,通过将两种特征信息进行混合训练后对最终得到的特征信息进行识别和分类,能够获取完整的裂隙特征信息,以便于裂隙特征信息进行定量分析,进而辅助勘测人员通过裂隙特征信息结合实际的工程进行客观的评价。
如图2所示,所述卷积神经网络中设计的依据是:
卷积层和下采样层的个数及排列方式、卷积层中卷积核的个数和大小、池化层中滑动窗口的大小和滑动窗口的移动步长、全连接成的结点个数、激活函数的类型,针对水文地质应用的具体要求,从中选出识别准确率最高卷积神经网络结构。
所述卷积神经网络模型训练过程中,设置相关的参数,包括:学习率的大小、训练的迭代次数、优化的方法、使用何种模式(CPU或者GPU)、批处理图像大小等内容。
训练后,对神经网络模型进行测试,如果测试结果达到应用要求,则直接部署识别模型,上线该应用;如果测试精度未能达到工程需求,则调整卷积神经网络结构和训练参数,重新开始训练,直至达到精度要求。将达到工程应用标准的裂隙和渗水检测深度网络模型投入生产,辅助水文地质工程工作。
作为一种或多种实施例,步骤S103中,所述裂隙的识别类型包括宽张裂隙,张开裂隙和闭合裂隙,所述渗水类型包括有渗水和无渗水。
因此,通过本实施例中量化后的特征向量得到的数值和标准参数进行对比,得到最终待检测的裂隙类型,宽张裂隙(缝宽>5mm),张开裂隙(缝宽3~5mm,微张裂隙(缝宽1~3mm),闭合裂隙(缝宽<1mm)。
实施例二
本实施例提供一种水文地质岩体裂隙及裂隙渗水检测系统,包括:
数据获取模块,被配置为:获取待检测岩体裂隙与裂隙渗水图像;
数据预处理模块,被配置为:将待检测岩体裂隙与裂隙渗水图像进行预处理;
裂隙及裂隙渗水检测模块,被配置为:将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,包括如下步骤:
获取待检测岩体裂隙与裂隙渗水图像;
将待检测岩体裂隙与裂隙渗水图像进行预处理;
将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
2.如权利要求1所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述将待检测岩体裂隙与裂隙渗水图像进行预处理包括:将待检测岩体裂隙与裂隙渗水图像进行数据清洗以及图像扩充。
3.如权利要求2所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述图像扩充通过对图像进行放射变换实现,具体的变换方式包括:图像的平移操作、图像的旋转操作、图像的比例调整、图像的水平翻转操作、图像的垂直翻转和图像的错切操作。
4.如权利要求1所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述卷积神经网络模型还包括softmax分类器,所述softmax分类器将通过卷积神经网络得到的特征向量划分为多个区域,将不同的卷积神经网络结构中不同区域间的卷积核一一对应,单个卷积核用于对相应区域响应的提取。
5.如权利要求1所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述所述约束限定包括通过两个通道的图像之间的分类误差最小化、每个特征向量中的0、1均匀分布以及特征向量与形变无关。
6.如权利要求1所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述卷积神经网络中设计的依据是:
基于水文地质应用的要求,确定卷积层和下采样层的个数及排列方式、卷积层中卷积核的个数和大小、池化层中滑动窗口的大小和滑动窗口的移动步长、全连接成的结点个数以及激活函数的类型,从中选出识别准确率最高卷积神经网络结构。
7.如权利要求1所述的一种水文地质岩体裂隙及裂隙渗水检测方法,其特征在于,所述卷积神经网络模型训练过程中,设置相关的参数,包括:学习率的大小、训练的迭代次数、优化的方法、模式以及批处理图像大小内容。
8.一种水文地质岩体裂隙及裂隙渗水检测系统,其特征在于,包括:
数据获取模块,被配置为:获取待检测岩体裂隙与裂隙渗水图像;
数据预处理模块,被配置为:将待检测岩体裂隙与裂隙渗水图像进行预处理;
裂隙及裂隙渗水检测模块,被配置为:将原始图像和预处理后的待检测岩体裂隙与裂隙渗水图像结合训练好的卷积神经网络模型,进行岩体裂隙与裂隙渗水识别,得到裂隙和渗水的类型;
其中,所述卷积神经网络模型采用卷积神经网络,所述卷积神经网络结构为双通道结构,双通道之间采用参数共享模式,其中,第一通道提取原始图像的特征向量,第二特征图像提取预处理后图像的特征向量,同时对两个通道提取的特征向量进行约束限定,得到最终的特征向量。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-7中任一项所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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1-7中任一项所述的一种水文地质岩体裂隙及裂隙渗水检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210564668.3A CN114913158A (zh) | 2022-05-23 | 2022-05-23 | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210564668.3A CN114913158A (zh) | 2022-05-23 | 2022-05-23 | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913158A true CN114913158A (zh) | 2022-08-16 |
Family
ID=82769240
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210564668.3A Withdrawn CN114913158A (zh) | 2022-05-23 | 2022-05-23 | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114913158A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546113A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 掌子面裂隙图像与前方三维结构参数预测方法及系统 |
-
2022
- 2022-05-23 CN CN202210564668.3A patent/CN114913158A/zh not_active Withdrawn
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115546113A (zh) * | 2022-09-15 | 2022-12-30 | 山东大学 | 掌子面裂隙图像与前方三维结构参数预测方法及系统 |
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 | |
CN108921201B (zh) | 基于特征组合与cnn的大坝缺陷识别与分类方法 | |
CN110175613A (zh) | 基于多尺度特征和编解码器模型的街景图像语义分割方法 | |
Li et al. | Automatic bridge crack identification from concrete surface using ResNeXt with postprocessing | |
CN114092832A (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 | |
CN110751644B (zh) | 道路表面裂纹检测方法 | |
CN109615604A (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN111724358A (zh) | 基于图像和卷积神经网络的混凝土质量检测方法及系统 | |
CN107194432B (zh) | 一种基于深度卷积神经网络的冰箱门体识别方法及系统 | |
CN114913158A (zh) | 一种水文地质岩体裂隙及裂隙渗水检测方法及系统 | |
CN109472790A (zh) | 一种机械零件缺陷检测方法及系统 | |
CN112258495A (zh) | 一种基于卷积神经网络的建筑木材裂缝识别方法 | |
CN110175548B (zh) | 基于注意力机制和通道信息的遥感图像建筑物提取方法 | |
Sarkar et al. | Revolutionizing concrete analysis: An in-depth survey of AI-powered insights with image-centric approaches on comprehensive quality control, advanced crack detection and concrete property exploration | |
CN101894368A (zh) | 基于测地距离的半监督sar图像水域分割方法 | |
CN113487638A (zh) | 高精度语义分割算法U2-net的地物边缘检测方法 | |
CN113591608A (zh) | 一种基于深度学习的高分辨率遥感影像不透水面提取方法 | |
Fakhri et al. | Road crack detection using gaussian/prewitt filter | |
CN117036715A (zh) | 一种基于卷积神经网络的形变区边界自动提取方法 | |
CN115112669B (zh) | 一种基于小样本的路面无损检测识别方法 | |
CN115273009A (zh) | 基于深度学习的道路裂纹检测方法及系统 | |
CN113591740B (zh) | 基于深度学习的复杂河流环境下泥沙颗粒识别方法及装置 | |
CN114708590A (zh) | 基于深度学习的复合固化土微观结构识别分析方法及系统 | |
CN113920311A (zh) | 一种基于边缘辅助信息的遥感图像分割方法及系统 | |
CN116152674A (zh) | 一种基于改进U-Net模型的大坝无人机影像裂缝智能识别方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20220816 |
|
WW01 | Invention patent application withdrawn after publication |