CN115346114A - 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 - Google Patents
一种铁路隧道航空电磁法不良地质体识别定位方法及设备 Download PDFInfo
- Publication number
- CN115346114A CN115346114A CN202210860633.4A CN202210860633A CN115346114A CN 115346114 A CN115346114 A CN 115346114A CN 202210860633 A CN202210860633 A CN 202210860633A CN 115346114 A CN115346114 A CN 115346114A
- Authority
- CN
- China
- Prior art keywords
- positioning
- ssd
- model
- identifying
- railway tunnel
- 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
- 238000000034 method Methods 0.000 title claims abstract description 110
- 238000012549 training Methods 0.000 claims abstract description 38
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000002156 mixing Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 17
- 238000000605 extraction Methods 0.000 abstract description 10
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 230000004913 activation Effects 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 238000011176 pooling Methods 0.000 description 6
- 238000003062 neural network model Methods 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000013135 deep learning Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000013434 data augmentation Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000003064 k means clustering Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000004807 localization Effects 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种铁路隧道航空电磁法不良地质体识别定位方法及设备，包括：基于航空电磁物探法获取图像数据集；构建SSD网络模型，利用所述图像数据集对所述SSD网络模型进行训练，得到训练好的目标预测定位模型；基于所述训练好的目标预测定位模型进行不良地质体的定位。本发明针对铁路隧道航空电磁法成果图数据特征度较高的特点，选取了深层特征提取网络‑SSD模型作为定位识别模型，通过SSD模型的深度激活检测地质航空电磁法图像中隐性、抽象的信息，完成相应不良地质体的高效率特征提取、类型概率置信度判断以及区域定位；相同数据集下SSD模型相比传统的卷积神经网络检测精度可以提高10％。
Description
技术领域
本发明涉及隧道不良地质体识别定位技术领域，尤其涉及一种铁路隧道航空电磁法不良地质体识别定位方法及设备。
背景技术
在部分铁路隧道勘察实际工程项目中，我们发现断层破碎带、岩溶、风化层等不良地质条件为隧道建设带来重大风险的问题，当前多采用基于航空电磁法进行铁路隧道物探勘察，传统航空电磁法成果图，需要经过具有丰富经验的专家来进行解译判别，在成果解译过程中存在着对物探传感得到测量结果图的解释性低、依赖专家经验、准确率不高、效率低下等问题。
近年来，随着深度学习技术的发展，已经有现有技术将深度学习技术应用于隧道不良地质体的识别定位。例如：申请号为2020108382495的中国专利公开了一种基于卷积神经网络的不良地质定位预报方法，包括：首先建立物探法探测图像数据集；然后构建基于特征提取的目标预测定位神经网络模型，采用所述图像数据集，对所述目标预测定位神经网络模型进行训练，得到训练好的目标预测定位神经网络模型；最后输入某物探法得到的图像结果数据至所述训练好的目标预测定位神经网络模型中，进行实际不良地质定位预测；其通过卷积神经网络进行不良地质定位预测，但是传统的卷积神经网络存在检测精度较低的问题。
发明内容
本发明的目的在于克服现有技术中所存在的隧道不良地质体识别定位准确度较低的问题，提供一种铁路隧道航空电磁法不良地质体识别定位方法及设备，本方法基于SSD模型进行隧道不良地质体识别定位，SSD模型深度较高、相较于传统的卷积神经网络具有更高的精度。
为了实现上述发明目的，本发明提供了以下技术方案：
一种铁路隧道航空电磁法不良地质体识别定位方法，包括：
基于航空电磁物探法获取图像数据集；
构建SSD网络模型，利用所述图像数据集对所述SSD网络模型进行训练，得到训练好的目标预测定位模型；
基于所述训练好的目标预测定位模型进行不良地质体的解译。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，所述构建SSD网络模型，包括：
建立SSD初始网络模型，并将所述SSD初始网络模型的浅层卷积网络和深层卷积网络进行融合，得到所述SSD网络模型。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，采用特征向量逐元素相加的方式进行所述SSD初始网络模型的浅层网络与深层网络的特征融合。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，通过以下公式确定所述SSD网络模型的默认框的规格：
其中，Sk为第k层特征图层的默认框规格，Smin、Smax为预设参数，m为提取的特征图层的数量。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，Smin＝0.2，Smax＝0.9。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，在利用所述图像数据集对所述SSD网络模型进行训练的过程中，采用并交比匹配策略对生成的默认框进行筛选，将筛选得到的目标默认框用于损失计算和网络权重的更新。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，所述采用并交比匹配策略对生成的默认框进行筛选，包括：
步骤A、针对每个所述默认框，基于并交比公式计算该默认框的并交比，当所得并交比超过并交比阈值时，该默认框为正例默认框，当所得并交比小于并交比阈值时，该默认框为反例默认框；其中，以所述正例默认框为第一目标默认框；
步骤B、对步骤A生成的反例默认框进行并交比由低到高的排序，得到反例默认框序列，从所述反例默认框序列中选出前m个第二目标默认框；其中，
其中，n为第一目标默认框数量。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，所述并交比公式为：
其中，A代表的是默认框的框中范围，B代表的是真实框的框中范围；所述并交比阈值为0.5；其中，默认框是指被提取的特征图层上根据滑动窗口在每个单元格生成的边框；真实框是指在人工在图像数据集的添加标签的框，框中的内容则为用于识别的目标；将默认框与对应真实框的框中范围进行对比，即可确定默认框为正例还是反例。
根据一种具体的实施方式，上述铁路隧道航空电磁法不良地质体识别定位方法中，所述利用所述图像数据集对所述SSD网络模型进行训练，包括：
在所述SSD网络模型中融合聚类算法，基于聚类算法提高所述SSD网络模型的训练效率。
本发明的另一方面，提供一种电子设备，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行上述铁路隧道航空电磁法不良地质体识别定位方法。
与现有技术相比，本发明的有益效果：
本发明实施例所提供的方法针对铁路隧道航空电磁法成果图数据特征度较高的特点，选取了深层特征提取网络-SSD模型作为定位识别模型，通过SSD模型的深度激活检测地质航空电磁法图像中隐性、抽象的信息，完成相应不良地质体的高效率特征提取、类型概率置信度判断以及区域定位；相同数据集下SSD模型相比传统的卷积神经网络检测精度可以提高10％。
附图说明
图1为本发明实施例所述的铁路隧道航空电磁不良地质体识别定位方法流程图；
图2为本发明实施例所述的SSD模型深层网络反卷积架构图；
图3为本发明实施例所述的融合聚类算法的SSD模型架构图；
图4a为本发明实施例所述的航空物探法得到的输入图像；
图4b为本发明实施例所述的基于SSD模型得到的输出图像；
图5为本发明实施例所述的铁路隧道不良地质体识别定位系统架构框图。
具体实施方式
下面结合试验例及具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例，凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1
图1示出了本发明示例性实施例的铁路隧道航空电磁法不良地质体识别定位方法，包括：
S1、基于航空电磁物探法获取图像数据集；
S2、构建SSD网络模型，利用所述图像数据集对所述SSD网络模型进行训练，得到训练好的目标预测定位模型；
S3、基于所述训练好的目标预测定位模型进行不良地质体的解译。
本实施例中，针对铁路隧道航空电磁法成果图数据特征度较高的特点，选取了深层特征提取网络-SSD模型作为定位识别模型，通过SSD模型的深度激活检测地质航空电磁法图像中隐性、抽象的信息，完成相应不良地质体的高效率特征提取、类型概率置信度判断以及区域定位；相同数据集下SSD模型相比传统的卷积神经网络检测精度可以提高10％。
实施例2
在一种可能的实现方式中，上述铁路隧道航空电磁法不良地质体识别定位方法中，所述S1具体包括：
S101、通过航空电磁法以往案例数据收集、实际现场项目数据采集，建立航空电磁法探测结果初步图像数据集；所述初步图像数据集收集整理后得到样本集合，为要处理的原始数据；所述初步图像数据集中样本容量大于600幅图像；
S102、根据断层破碎带、岩溶、风化层等解译机理及其图像学特征，对所述初步图像数据集中各图像上的异常进行解译；结合图像解译，并采用专家经验法再次确定所述初步图像数据集中各图像上断层破碎带、岩溶、风化层等的位置，以断层破碎带、岩溶、风化层等定位区域为标签内容对所述初步图像数据集中各图像进行数据标注(即在图像数据集中标注真实框)，得到标注后的初步图像数据集；
S103、采用多种图像数据增广方法，对所述标注后的初步图像数据集进行扩容增广，并耦合航空物探法探测断层破碎带、岩溶、风化层等负样本数据(即探测结果表明不含异常解译的数据)，得到最终的图像数据集；所述图像数据增广方法包括：图像镜像、平移、缩放、旋转、裁剪、高斯噪声等；其中，最终的图像数据集中的图像数据大于2000幅；按8：2的比例，分为训练数据集和测试数据集，完成图像数据集构建。
在一种可能的实现方式中，上述铁路隧道航空电磁不良地质体识别定位方法中，所述S2中，构建SSD网络模型，具体包括：S201、构建初始SSD网络模型；S202、将所述初始SSD网络模型的浅层卷积网络和深层卷积网络进行融合，以改进SSD模型；S203、基于所述初步图像数据集中各图像上的异常解译结果对SSD网络模型的默认框(也称先验框)的大小进行设计。
具体的，SSD模型是基于前馈神经网络的深度学习算法，由基础网络和辅助结构两部分构成。SSD通过了结合6个不同规格的卷积特征图对目标进行分类和位置回归，不同规格特征图的联动和组合可提高目标的检测精度，大规格的特征图由于经历的卷积较少，保留了图像更多微小特征，对小目标的检测非常有利；而经过多次卷积池化后的小规格特征图保存了大目标的特征，能够更快速实现对大目标的检测。SSD的基础网络是由去掉全连接层的VGG16网络和拼接多个卷积层和最大值池化层组成，共分为11块，其中块1及块2圴包含卷积层、卷积层及最大值池化层，卷积层核尺寸为3*3/1，最大值池化层为核尺寸为2*2/2；块3、块4及块5包含卷积层、卷积层、卷积层及最大值池化层，卷积层核尺寸为3*3/1，最大值池化层为核尺寸为2*2/2；块6、块7包含1个卷积层，卷积层核尺寸分别为3*3/1及1*1/1；块8、块9包含2个卷积层，其2个卷积层核尺寸分别为1*1/1及3*3/2；块10、块11包含2个卷积层，其卷积层核尺寸分别为1*1/1及3*3/1。其中块4第3个卷积层、块7第1个卷积层、块8第2个卷积层、块9第2个卷积层、块10第2个卷积层、块11第2个卷积层所对应的特征图，将被提取到辅助结构中，用于目标的预测和定位。SSD的辅助结构对六个提取的特征图进行进一步的处理，包括默认框的生成、默认框与真实框的匹配、目标分类和位置回归等。
在一种可能的实现方式中，如图2所示，上述S202具体包括：采用特征向量逐元素相加的方式进行图像特征融合，将浅层卷积网络(即块4第3个卷积层、块7第1个卷积层、块8第2个卷积层)和深层卷积网络(即块9第2个卷积层、块10第2个卷积层、块11第2个卷积层)融合在一起，以进一步增强对多尺度目标的检测能力。当深层次的小尺度特征与浅层次的大尺度特征进行融合时，对深层次的特征图进行反卷积操作。对深层特征进行反卷积操作后，与上一层的图像特征进行逐元素相加，生成新的特征融合层，依次进行相同的融合操作，直至所有特征层融合完毕。经过特征融合，将具有图像细节信息的浅层特征和具有语义信息的深层特征融合在一起，提高了网络对目标特征的表达能力。
可以理解的是，特征融合的方法主要有两种，分别为向量拼接和特征对应元素逐元素相加。基于向量拼接的特征融合方法将需要融合的特征层进行合并，这种方式虽然能够最大程度地保留各特征层的信息，但是会产生大量的参数，降低算法运行的效率；不易于不良地质体的快速识别定位。
因此，在本实施例中，采用特征向量逐元素相加的方式对SSD原始网络模型进行改进，提高了网络对目标特征的表达能力的浅层网络与深层网络的特征融合，同时满足不良地质体快速识别的需求。
在一种可能的实现方式中，上述S203具体包括：对初始图像数据集的中异常区域以及背景区域、正常区域进行尺寸比例分析，以根据尺寸比例分析结果指导特征提取SSD模型的网络结构设计(主要为默认框的大小)。
具体的，由于提取的六个特征图层被卷积和池化处理次数不同，它们对应到原图上的感受也不同，因此在不同层上生成的默认框其实大小是不一样的(比例一样)。生成默认框时，通过3x3的滑动窗口在特征图的每个单元格上生成一系列同心的默认框。通常情况下，默认框的形状种类越多，检测效果越好。对于每个特征图，其默认框的规格Sk由以下公式确定，其中m是提取的特征图层的数量(m＝6)：
优选的，根据尺寸比例分析结果将Smin设置为0.2，Smax设置为0.9。第一层特征图层的默认框的规格是S1，第二层特征图层的默认框的规格是S2，以此类推。
进一步的，SSD模型的训练为监督学习训练方法，也就是利用人工添加标签的数据，在模型中学习从输入到输出的特征映射，然后将这种映射关系应用到未知的数据中，以实现分类或回归的目的。
在SSD模型的训练过程中，会涉及到默认框、真实框和预测框三个不同框的概念默认框。真实框是指在数据集的样本中人工添加标签的框，框中的内容则为用于识别的目标，将在下一节数据集制作中具体介绍。而预测框则是我们希望模型具备识别目标能力而生成的边框，其质量反映着模型的识别能力，它是模型在训练过程中，由默认框相对于真实框的边框回归形成的，所谓的边框回归就是指默认框经过位置微调为预测框的过程。
SSD模型的训练实质上是网络结构中权重参数更新调整的过程。一系列默认框(共2000个)生成后，由于一张图像上的真实框一般不超过十个，因此大多数默认框所框选的内容是无效的背景信息，能与真实框重叠的默认框非常少。为了选择优质的默认框内容用于进一步地损失计算和参数更新，正例和反例的合理选择是有有必要的。在辅助结构中，默认框与真实框的交并比匹配策略被应用到正反例选取中。交并比的计算如下式；
式中，A代表的是默认框的面积，B代表的是真实框的面积。正反例的判断阈值设为β＝0.5。当J≥β时，默认框为正例；当J<β时，默认框为反例。事实上，正例和反例的数量是很不衡的，若所有默认框都用于模型训练，则会造成模型的检测性能很差，甚至会导致模型的训练不收敛，以致训练失败。为了确保正反例数量的比例为1:3左右，除了所有的正例被用于训练，反例则根据阈值从低到高进行排序，选取排名靠前的部分用于训练。
正例和反例的选择完成后，它们将被用于计算当前模型检测目标的损失函数，损失函数计算是由置信度损失和定位损失组成，损失值越大，反映模型的检测能力越差，损失值越小，则模型的检测能力越强。置信度的损失是通过softmax函数计算的，损失计算的表达式如下:
式中，xp表示第i个默认框与第j个真实框关于目标类别p的匹配逻辑系数，其中xp＝{1,0}，当默认框与真实框匹配时，xp＝1，否则，xp＝0；为第i个默认框对应类别p的预测概率。从式(3-5)中可以看出，无论是正例与真实框的匹配还是反例与背景的匹配，当预测概率越高时，损失值越小。而定位损失是由Smooth Ll损失函数计算而得：
式中，l为预测框的位置参数，g为真实框的位置参数。cx，cy，w和h分别代表框的中心坐标x值，y值，宽度和高度。
损失函数由置信度损失和定位损失的加权和求得，其表达式如下:
式中，N为与真实框匹配的正例总数，权重系数α的值设为1。模型的训练是一个使损失值不断变小的迭代过程。在这一过程中，每次损失值的计算都会反向传播到模型网络以更新和调整隐藏层中各个权重值，不断改善网络对图像中目标的特征提取能力，使得预测框与真实框越来越接近，最终实现模型能检测特定目标的功能。
在本发明进一步的实施例中，如图3所示，在图2构建的SSD网络模型的基础上，加入聚类算法，通过聚类算法加快网络的训练速率。
具体的，定义k-means聚类算法的评价函数为Davies Bouldin Index，其表达式为：
其中，ρi和ρj都表示i朗j两个分类中的所有对象到中心点的平均距离。而分母表示i，j两个分类的中心点之间的距离。由于k-means聚类需要类内尽量接近，类间尽量远离，所以本文通过DB去判断k-means聚类的最佳k值。
通过聚类算法的特征表达学习，可以得到卷积神经网络的卷积参数设定和聚类算法的特征表达。通过聚类算法的特征表达与卷积结果相结合，在深度网络训练的过程中可以使得随机寻优的起始点更加接近局部最优解。并且，通过聚类算法的特征表达的加入，使得训练参数增加，可以更加快速的使损失函数达到最小值。因此，加入聚类算法特征表达的深度学习网络，可以通过少量样本进行网络训练，并快速收敛到局部最优。
综上，本申请实施例所提出的方法可以在铁路隧道航空电磁法样本量相对较少的情况下，高效快速地、准确地解译铁路隧道航空电磁法成果图不良地质体的位置规模和性质状态，为工程设计及施工管理部分提供决策依据，降低现有铁路隧道航空电磁法解释性低、依赖专家经验、准确率不高、效率低下的问题，提升工程施工的安全性。
实施例3
在本发明进一步的实施例中，通过对某目标隧道隧道进行物探，建立铁路隧道航空电磁法探测图像数据集；
通过航空电磁法以往案例数据收集、实际现场项目数据采集，建立航空电磁法探测结果初步图像数据集；所述初步图像数据集收集整理后得到样本集合，为要处理的原始数据；所述初步图像数据集中样本容量大于600幅图像；
根据断层破碎带、岩溶、风化层等解译机理及其图像学特征，对所述初步图像数据集中各图像上的异常进行解译；并指导特征提取模型的网络结构设计；
结合图像解译，并采用专家经验法再次确定所述初步图像数据集中各图像上断层破碎带、岩溶、风化层等的位置，以断层破碎带、岩溶、风化层等定位区域为标签内容对所述初步图像数据集中各图像进行数据标注，得到标注后的初步图像数据集；
采用多种图像数据增广方法，对所述标注后的初步图像数据集进行扩容增广，并耦合航空物探法探测断层破碎带、岩溶、风化层等负样本数据(即探测结果表明不含异常解译的数据)，得到最终的图像数据集；所述图像数据增广方法包括：图像镜像、平移、缩放、旋转、裁剪、高斯噪声等；
其中，最终的图像数据集中的图像数据大于2000幅；按8：2的比例，分为训练数据集和测试数据集，完成图像数据集构建。
进一步地，步骤2中，如实施例1的步骤2，这里便不再赘述。
进一步地，在步骤3中，进行训练参数设置，其中包括：初始学习率：0.0001，动量：0.9；衰减因子：0.001，批数量：4，迭代次数：8000；训练参数设置好后，即可开始模型的训练。在训练过程中，我们需要持续观察训练的状况。当模型的训练出现无法计算损失值的情况时，需要及时中止训练，重新调整初始学习率再开始训练。训练期间，每当迭代2000次，学习率将会缩小为原来的1/10，即在训练中，学习率会发生三次改变。迭代完8000次后，模型训练完毕。
最后，如图4a、b所示，输入航空电磁法得到的图像结果(图4a)数据至所述训练好的目标神经网络模型(架构如图3)中，自动输出是否存断层破碎带、岩溶、风化层等及其所在区域(图4b)，降低对专业人员及专家经验的依赖，提高工作效率。
本发明的另一方面，如图5所示，还提供一种电子设备，该电子设备包括处理器、网络接口和存储器，所述处理器、所述网络接口和所述存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行上述搜索优化方法。
本发明的另一方面，还提供一种计算机存储介质，所述计算机存储介质中存储有程序指令，所述程序指令被至少一个处理器执行时，用于本发明的引导车场主动开通电子发票的方法。
在本发明的实施例中，处理器可以是一种集成电路芯片，具有信号的处理能力。处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，简称DSP)、专用集成电路(Application Specific Integrated Circuit，简称ASIC)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。
可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。处理器读取存储介质中的信息，结合其硬件完成上述方法的步骤。
存储介质可以是存储器，例如可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
其中，非易失性存储器可以是只读存储器(Read-Only Memory，简称ROM)、可编程只读存储器(Programmable ROM，简称PROM)、可擦除可编程只读存储器(Erasable PROM，简称EPROM)、电可擦除可编程只读存储器(Electrically EPROM，简称EEPROM)或闪存。
易失性存储器可以是随机存取存储器(Random Access Memory，简称RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，简称SRAM)、动态随机存取存储器(Dynamic RAM，简称DRAM)、同步动态随机存取存储器(Synchronous DRAM，简称SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，简称DDRSDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，简称ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，简称SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，简称DRRAM)。
本发明实施例描述的存储介质旨在包括但不限于这些和任意其它适合类型的存储器。
应该理解到，本发明所揭露的系统，可通过其它的方式实现。例如所述模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，模块之间的通信连接可以是通过一些接口，服务器或单元的间接耦合或通信连接，可以是电性或其它的形式。
另外，在本发明各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个处理单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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全部或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(可为个人计算机、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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，包括：
基于航空电磁物探法获取图像数据集；
构建SSD网络模型，利用所述图像数据集对所述SSD网络模型进行训练，得到训练好的目标预测定位模型；
基于所述训练好的目标预测定位模型进行不良地质体的定位。
2.根据权利要求1所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，所述构建SSD网络模型，包括：
建立SSD初始网络模型，并将所述SSD初始网络模型的浅层卷积网络和深层卷积网络进行融合，得到所述SSD网络模型。
3.根据权利要求2所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，采用特征向量逐元素相加的方式进行所述SSD初始网络模型的浅层网络与深层网络的特征融合。
4.根据权利要求2所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，通过以下公式确定所述SSD网络模型的默认框的规格：
其中，Sk为第k层特征图层的默认框规格，Smin、Smax为预设参数，m为提取的特征图层的数量。
5.根据权利要求4所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，Smin＝0.2，Smax＝0.9。
6.根据权利要求1-5任一所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，在利用所述图像数据集对所述SSD网络模型进行训练的过程中，采用并交比匹配策略对生成的默认框进行筛选，将筛选得到的目标默认框用于损失计算和网络权重的更新。
7.根据权利要求6所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，所述采用并交比匹配策略对生成的默认框进行筛选，包括：
步骤A、针对每个所述默认框，基于并交比公式计算该默认框的并交比，当所得并交比超过并交比阈值时，该默认框为正例默认框，当所得并交比小于并交比阈值时，该默认框为反例默认框；其中，以所述正例默认框为第一目标默认框；
步骤B、对步骤B生成的反例默认框进行并交比由低到高的排序，得到反例默认框序列，从所述反例默认框序列中选出前m个第二目标默认框；其中，
其中，n为第一目标默认框数量。
8.根据权利要求6所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，所述并交比公式为：
其中，A代表的是默认框的的框中范围，B代表的是真实框的的框中范围；所述并交比阈值为0.5。
9.根据权利要求1-5任一所述的铁路隧道航空电磁法不良地质体识别定位方法，其特征在于，所述利用所述图像数据集对所述SSD网络模型进行训练，包括：
在所述SSD网络模型中融合聚类算法，基于聚类算法提高所述SSD网络模型的训练效率。
10.一种电子设备，其特征在于，包括至少一个处理器，以及与所述至少一个处理器通信连接的存储器；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的铁路隧道航空电磁法不良地质体识别定位方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210860633.4A CN115346114A (zh) | 2022-07-21 | 2022-07-21 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210860633.4A CN115346114A (zh) | 2022-07-21 | 2022-07-21 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115346114A true CN115346114A (zh) | 2022-11-15 |
Family
ID=83949460
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210860633.4A Pending CN115346114A (zh) | 2022-07-21 | 2022-07-21 | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115346114A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118690258A (zh) * | 2024-08-27 | 2024-09-24 | 四川省地质环境调查研究中心 | 基于北斗卫星的地质环境识别方法及系统 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
| CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| US20190353811A1 (en) * | 2018-05-18 | 2019-11-21 | IFP Energies Nouvelles | Method for detecting geological objects in a seismic image |
| US20200183031A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN112149502A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学（武汉） | 一种基于卷积神经网络的不良地质定位预报方法 |
| CN112580585A (zh) * | 2020-12-28 | 2021-03-30 | 深圳职业技术学院 | 一种基于堆叠稠密网络的挖掘机目标检测方法及装置 |
| CN113096184A (zh) * | 2021-03-26 | 2021-07-09 | 广东工业大学 | 一种复杂背景下硅藻定位与识别方法 |
| CN113191271A (zh) * | 2021-04-30 | 2021-07-30 | 水利部长江勘测技术研究所 | 一种基于深度学习的堰塞坝表层颗粒物质检测方法 |
| CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
-
2022
- 2022-07-21 CN CN202210860633.4A patent/CN115346114A/zh active Pending
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108520219A (zh) * | 2018-03-30 | 2018-09-11 | 台州智必安科技有限责任公司 | 一种卷积神经网络特征融合的多尺度快速人脸检测方法 |
| US20190353811A1 (en) * | 2018-05-18 | 2019-11-21 | IFP Energies Nouvelles | Method for detecting geological objects in a seismic image |
| CN108710913A (zh) * | 2018-05-21 | 2018-10-26 | 国网上海市电力公司 | 一种基于深度学习的开关柜图像开关状态自动识别方法 |
| US20200183031A1 (en) * | 2018-12-11 | 2020-06-11 | Exxonmobil Upstream Research Company | Automated seismic interpretation-guided inversion |
| CN109886329A (zh) * | 2019-02-18 | 2019-06-14 | 中国铁建重工集团有限公司 | 围岩破碎等级检测方法、检测系统和掘进设备 |
| CN111927552A (zh) * | 2020-08-03 | 2020-11-13 | 中铁第一勘察设计院集团有限公司 | 基于天空地勘察技术的复杂山区长大深埋隧道勘察方法 |
| CN112149502A (zh) * | 2020-08-19 | 2020-12-29 | 中国地质大学（武汉） | 一种基于卷积神经网络的不良地质定位预报方法 |
| CN112580585A (zh) * | 2020-12-28 | 2021-03-30 | 深圳职业技术学院 | 一种基于堆叠稠密网络的挖掘机目标检测方法及装置 |
| CN113096184A (zh) * | 2021-03-26 | 2021-07-09 | 广东工业大学 | 一种复杂背景下硅藻定位与识别方法 |
| CN113191271A (zh) * | 2021-04-30 | 2021-07-30 | 水利部长江勘测技术研究所 | 一种基于深度学习的堰塞坝表层颗粒物质检测方法 |
| CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 薛俊达等: "面向光学遥感图像典型目标检测的SSD模型优化" * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118690258A (zh) * | 2024-08-27 | 2024-09-24 | 四川省地质环境调查研究中心 | 基于北斗卫星的地质环境识别方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110309867B (zh) | 一种基于卷积神经网络的混合气体识别方法 | |
| CN109766858A (zh) | 结合双边滤波的三维卷积神经网络高光谱影像分类方法 | |
| CN109029363A (zh) | 一种基于深度学习的目标测距方法 | |
| CN107577605A (zh) | 一种面向软件缺陷预测的特征聚类选择方法 | |
| CN112861915A (zh) | 一种基于高级语义特征无锚框非合作目标检测方法 | |
| CN114463718A (zh) | 一种改进损失函数的YOLOv4目标检测算法 | |
| CN112738470A (zh) | 一种高速公路隧道内停车检测的方法 | |
| CN111639697B (zh) | 基于非重复采样与原型网络的高光谱图像分类方法 | |
| CN114723764A (zh) | 一种点云物体的参数化边缘曲线提取方法 | |
| CN114897802A (zh) | 一种基于改进Faster RCNN算法的金属表面缺陷检测方法 | |
| CN115346114A (zh) | 一种铁路隧道航空电磁法不良地质体识别定位方法及设备 | |
| CN117974969A (zh) | 基于改进的YOLOv7草莓病叶检测识别方法 | |
| CN113496221B (zh) | 基于深度双边滤波的点监督遥感图像语义分割方法及系统 | |
| CN117593514B (zh) | 一种基于深层主成分分析辅助的图像目标检测方法及系统 | |
| CN113408651B (zh) | 基于局部判别性增强的无监督三维物体分类方法 | |
| CN114417942A (zh) | 一种杂波识别方法及系统及装置及介质 | |
| Liang et al. | Comparison-based convolutional neural networks for cervical cell/clumps detection in the limited data scenario | |
| CN115018884B (zh) | 基于多策略融合树的可见光红外视觉跟踪方法 | |
| CN115511798A (zh) | 一种基于人工智能技术的肺炎分类方法及装置 | |
| CN111127393B (zh) | 雷达影像变化检测的样本制作方法及系统、存储介质、设备 | |
| CN114818845A (zh) | 一种噪声稳健的高分辨距离像特征选择方法 | |
| CN116108392A (zh) | 一种基于改进随机森林算法的地质构造识别技术 | |
| CN110852167A (zh) | 一种基于最优激活模型的遥感图像分类方法 | |
| CN118097289B (zh) | 一种基于视觉大模型增强的开放世界目标检测方法 | |
| CN118427581B (zh) | 基于标记相关性的弱监督标记分布特征选择方法及系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20221115 |
|
| RJ01 | Rejection of invention patent application after publication |