CN116152654A - 基于卷积神经网络的土体含水率识别方法及装置 - Google Patents

基于卷积神经网络的土体含水率识别方法及装置 Download PDF

Info

Publication number
CN116152654A
CN116152654A CN202211582601.9A CN202211582601A CN116152654A CN 116152654 A CN116152654 A CN 116152654A CN 202211582601 A CN202211582601 A CN 202211582601A CN 116152654 A CN116152654 A CN 116152654A
Authority
CN
China
Prior art keywords
water content
neural network
convolutional neural
model
data
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
CN202211582601.9A
Other languages
English (en)
Inventor
李旭
王智诚
刘阿强
宋阔
董子开
姚敏
武雷杰
杜赛朝
陈立宏
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN202211582601.9A priority Critical patent/CN116152654A/zh
Publication of CN116152654A publication Critical patent/CN116152654A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06V10/776—Validation; Performance evaluation
    • 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)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (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)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于卷积神经网络的土体含水率识别方法及装置，本申请方法包括根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集；对数据集中的训练集中的图像数据进行数据扩增、数据裁剪、数据缩减的预处理；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型；根据含水率识别模型对待识别地区任意土体的含水率进行识别。本申请解决现有的人工神经网络法进行土体含水率识别存在的难以实现含水率连续变化的预测，精度也不高的问题。

Description

基于卷积神经网络的土体含水率识别方法及装置
技术领域
本申请涉及岩土检测技术领域，具体而言，涉及一种基于卷积神经网络的土体含水率识别方法及装置。
背景技术
含水率是土的基本物理指标之一，影响非饱和土的强度、变形、导热性及稳定性。精确快速测量土的含水率对边坡工程、农业生产、隧道开挖等具有重要意义。比如隧道开挖坍塌和挖方体边坡冲蚀破坏等现场失稳灾变问题，造成这些事故的一个重要原因就是土体含水率在降雨入渗、农田灌溉等后发生重大变化，从而诱发土地地质湿陷。因此对重大岩土工程影响下的土体进行原位检测并准确识别出土体原位含水率的大小，对于研究土体失稳机理以及实际灾变预防工程都极为重要。
对于含水率的识别方法有多种，包括取样测量法、定位测量法、遥感测量法、模型模拟方法等。
其中，取样测量法，是将所取土壤样品拿至实验室下经过加热干燥后间接获得土壤含水率的方法，属于破坏性的检测，无法实现长时间实时检测；定位测量法，是将检测仪器置于土壤表面或浅层土壤中，待检测仪器工作时通过读数直接或间接获取含水率的一种方法，该方法仪器布置过程繁琐，仪器大多暴露于不良环境，维护成本高；遥感测量法，是将遥感仪搭载于卫星对地表土壤含水率进行大尺度检测的一种方法，该方法只能大范围的对地表含水率进行估计，无法实现小范围土体含水率精准测量。
相比于取样测量法、定位测量法、遥感测量法，模型模拟方式更简便，精度也更好。现有的模型模拟方法中主要有土壤水动力学模型法、人工神经网络法。其中土壤水动力学模型法，是根据土壤的物理性质，通过理论模型预测和反演土壤含水率，该种方法相比土体实际的复杂情况较为简单，但是精度不高；现有的人工神经网络法，主要是根据通过神经网络建立模型，然后根据模型进行土壤含水率的预测，相比于土壤水动力学模型法更符合土体的实际情况，但是现有的人工神经网络法，难以实现含水率连续变化的预测，精度也不高。
发明内容
本申请的主要目的在于提供一种基于卷积神经网络的土体含水率识别方法及装置，解决现有的人工神经网络法进行土体含水率识别存在的难以实现含水率连续变化的预测，精度也不高的问题。
为了实现上述目的，根据本申请的第一方面，提供了一种基于卷积神经网络的土体含水率识别方法。
根据本申请的基于卷积神经网络的土体含水率识别方法包括：根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。
可选的，所述根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集包括：获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；将所有带有标签的图像构成所述数据集。
可选的，所述对所述训练集中的图像数据进行预处理包括：通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；将裁剪后的训练集中的图像数据进行数据缩减。
可选的，所述基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新包括：从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。
可选的，所述根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型包括：对所述验证集中的图像数据进行所述预处理；计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。
可选的，所述根据所述含水率识别模型对待识别地区任意土体的含水率进行识别包括：获取所述待识别地区中任意土体的表面图像；将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。
可选的，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。
为了实现上述目的，根据本申请的第二方面，提供了一种基于卷积神经网络的土体含水率识别装置。
根据本申请的基于卷积神经网络的土体含水率识别装置包括：建立单元，用于根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；预处理单元，用于对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；模型更新单元，用于基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；验证单元，用于根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；识别单元，用于根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。
可选的，所述建立单元包括：第一获取模块，用于获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；计算模块，用于根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；标签确定模块，用于将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；建立模块，用于将所有带有标签的图像构成所述数据集。
可选的，所述预处理单元包括：扩增模块，用于通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；第一裁剪模块，用于对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；缩减模块，用于将裁剪后的训练集中的图像数据进行数据缩减。
可选的，所述模型更新单元，包括：输入模块，用于从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；更新模块，用于根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。
可选的，所述验证单元，包括：预处理模块，用于对所述验证集中的图像数据进行所述预处理；损失确定模块，用于计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；迭代模块，用于若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；模型确定模块，用于当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。
可选的，所述识别单元包括：第二获取模块，用于获取所述待识别地区中任意土体的表面图像；第二裁剪模块，用于将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；识别模块，用于将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。
可选的，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。
为了实现上述目的，根据本申请的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的基于卷积神经网络的土体含水率识别方法。
为了实现上述目的，根据本申请的第四方面，提供了一种电子设备，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；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的基于卷积神经网络的土体含水率识别方法。
在本申请实施例的基于卷积神经网络的土体含水率识别方法及装置中，根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对训练集中的图像数据进行预处理，预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据含水率识别模型对待识别地区任意土体的含水率进行识别。可以看出，本申请在的数据集是基于待识别地区土样不同压实度下、连续变化的含水率对应的表面图像，因此基于该数据集得到的含水率识别模型更符合实际情况，也能够对连续变化的含水率进行预测。另外，在将训练集中的图像数据输入到卷积神经网络模型前，还会进行数据扩增、数据裁剪、数据缩减的预处理，也可以提高含水率识别模型的精度。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解，使得本申请的其它特征、目的和优点变得更明显。本申请的示意性实施例附图及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例提供的一种基于卷积神经网络的土体含水率识别方法流程图；
图2是根据本申请实施例提供的一种基于卷积神经网络的土体含水率识别装置的组成框图；
图3是根据本申请实施例提供的另一种基于卷积神经网络的土体含水率识别装置的组成框图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，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的实施例，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，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
根据本申请实施例，提供了一种基于卷积神经网络的土体含水率识别方法，如图1所示，该方法包括如下的步骤S101-S105：S101.根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；S102.对训练集中的图像数据进行预处理，预处理至少包括数据扩增、数据裁剪、数据缩减；S103.基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；S104.根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型；含水率识别模型为根据土体的表面图像识别土体的含水率的模型；S105.根据含水率识别模型对待识别地区任意土体的含水率进行识别。
步骤S101中，因为考虑到实际土体的压实度不同，为了更符合实际情况，本申请实施例在建立数据集时，会收集不同压实度下的图像数据。另外，为了能够对连续变化的含水率进行预测，提高精度，还会收集连续变化的含水率下的图像数据。综合上述两种因素，因此本申请实施例中是根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集。数据集中数据包括土样对应的图像数据以及图像数据对应的实际含水率。另外，数据集中的训练集用于模型的训练，验证集是为了验证训练出的模型的效果，测试集是为了对最终的模型进行评估。在将数据集进行划分时，可以根据经验按比例进行划分，比如可以按照训练集：验证集：测试集＝6:2:2的比例进行划分，在实际应用中，该比例可以根据实际需求适应性的调整。
进一步的，根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集包括：获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；将计算得到的含水率对应的作为表面图像集中的每个图像的标签；将所有带有标签的图像构成数据集。
其中，每种压实度对应的至少三个土样的表面图像集是通过摄像设备获取到的。具体的在摄像设备获取之前首先要进行待识别地区土样的采集，为了方便后续步骤中对图像的预处理(主要是旋转处理)，将土样采集到圆形的容器中，比如可以用环刀采集并制样，或者对于砂土类易脱落的土样，可采用圆形盒子进行制样。另外，在采集土样时，需要将土样中的粒径过大的砾石去除掉。得到土样后，对土样进行浸水搅拌，然后按照不同的压实度分别进行压实处理，得到不同压实度的土样，每种压实度至少设置三个土样。具体的压实处理可以通过液压压实器实现。土样压实处理后需要放入真空饱和缸饱和，为后续的步骤做准备。土样经过压实、饱和后，摄像设备可以开始获取连续变化的含水率对应的表面图像。连续变化的含水率具体是指土样按照预设范围从饱和到干燥的过程中获取的土样的表面图像。对于每一个饱和后的土样，获取土样的表面图像集的具体的实施过程可以为：取出饱和土样，在其正、反两面，通过改变镜头距土样表面的距离各拍摄多张图片，并记录当前质量，另外为了保证模型最终的识别效果，本申请实施例中控制拍摄时放置土样的容器(环刀或圆形盒子)的外接正方形所占像素不应小于900×900；之后将土样暴露于空气一段时间以使含水率降低预设范围，具体每次降低预设范围中的那个值是随机性的，这样也可以提高最终识别模型的泛化能力。比如预设范围可以为1～3％等，每次含水率的降低可以为1％到3％之间的任一值，并且是随机的，在实际的操作中可以通过控制暴露于空气中的时间来控制含水率降低的范围，或者通过其他的快速烘干的方式使含水率快速降低预设范围；土样的含水率降低预设范围后将其密封养护(比如可以用保鲜膜将其包裹，养护24小时)；然后再取出土样，重复上述“拍摄—记录质量—暴露—养护”的过程至含水率无明显降低。整个过程中拍摄到的土样的所有表面图像作为土样的表面图像集。此处需要说明的是，上述从饱和到干燥的过程中的“干燥”通常不是绝对的干燥，只是含水率无明显降低。
按照上述方式获取到每种压实度对应的至少三个土样的表面图像集后，还需要根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率。具体的按照下述公式计算：
Figure BDA0003989997700000091
其中，w是土样当前含水率，mk为土样第k次拍摄后的质量；md为土样绝对干燥后的质量；mr为环刀质量或圆形盒子质量。
计算出每个图像对应的土样的含水率后，将其作为图像的标签，从而建立数据集。需要说明的是，在将含水率作为图像的标签时，为了方便后续的训练，将含水率w的％去掉。
步骤S102中，对训练集中的图像数据进行数据扩增、数据裁剪、数据缩减等预处理，是为了提高最终模型的精度以及模型的训练速度。具体的，数据扩增的方式可以为通过随机旋转、水平翻转、垂直翻转的方式对训练集中的图像数据进行数据扩增。具体的可以对训练集中的图像进行进行0～360°间隔为20°的随机旋转，且进行概率为0.5的水平翻转、垂直翻转。在实际应用中，前述间隔角度和概率的值都可以进行适应性的调整。数据裁剪的方式可以为对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪。数据裁剪是为了保证此裁剪后的区域足以代表试样的含水率。比如预设尺寸可以为448×448，在实际应用中，预设尺寸也可以进行适应性的调整。数据缩减是将裁剪后的训练集中的图像数据进行数据缩减，数据缩减是为了提高模型训练的速度，比如对于将448×448缩减为224×224。具体的缩减比例可以适应性的调整。
另外，还需要说明的是，训练集中的图像数据的预处理可以在输入到卷积神经网络模型前一次性全部处理完，也可以根据模型更新过程中设置的batchsize分批进行预处理。Batchsize为一次抽取的样本数。
步骤S103中，基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新包括：从预处理后的训练集中分批量随机抽取预设数量的图像数据输入到卷积神经网络模型中；将预处理后的训练集中包含的每个图像作为模型的输入，预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；根据损失函数对卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。
给出具体的示例对卷积神经网络模型的训练更新过程进行说明：假设batchsize为16，训练集中图像数据的数量为100。每次随机获取16个图像数据输入到卷积神经网络模型中，对含水率进行预测，具体可以以回归损失函数L1Loss作为损失函数，进行模型的更新，直达100个图像数据都抽取完为止，模型的一次完整更新结束，一次完整的更新代表完成一个epoch。可以看到本申请实施例中是端到端的训练方式，即由输入的图像数据直接预测含水率的值。
从训练开始到最后得到含水率识别模型的过程中，模型的更新通常会经历多次，每次更新都是按照上述方式更新的。更新的次数是由后续步骤S104中验证的结果决定的。
另外，本申请实施例中的卷积神经网络模型的网络结构可以为VGG、ResNet、DenseNet等。是应用时，只要其输出数改为1。
步骤S104中，根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型包括：对验证集中的图像数据进行预处理。该预处理过程与对训练集中的图像数据进行预处理的方式是一样的，此处不再赘述；计算每次更新后的卷积神经网络模型在预处理后的验证集上的损失。即根据预处理后的验证集中的图像数据输入到更新后的卷积神经网络模型中得到的含水率与验证集中的图像数据实际标注的含水率计算模型的预测损失；若当前次更新后的卷积神经网络模型在验证集上的损失最小(历史最小)，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，计数器的初始值为零；若当前次更新后的卷积神经网络模型在验证集上的损失不是最小，则计数器的值加1后重复模型的更新；当计数器的值达到预设迭代次数(预设迭代次数可以根据实际情况具体的设置，比如可以设置为50)时，将最后保存的更新后的卷积神经网络模型确定为含水率识别模型。从上述的描述可以看到，本申请实施例中模型训练验证的原理为：在得到一个更优的模型后，保存该模型，并将计数器置零，如果连续预设迭代次数之后都没有得到比保存的该模型更优的模型后，就停止模型的更新，将保存的该模型作为最终要得到的含水率识别模型。
进一步的，在实际的训练验证过程中，为了提高精度在模型更新时还可以对网络参数进行调整，比如可以调整batchsize、学习率learning rate、激活函数等参数。
进一步的，在得到含水率识别模型后，通常会根据测试集进行模型的评价，来评估含水率识别模型的泛化能力，确认含水率识别模型的实际预测精度。
步骤S105中，是根据步骤S104得到的含水率识别模型对待识别地区任意土体的含水率进行识别。进一步的，识别过程可以包括：获取待识别地区中任意土体的表面图像；将表面图像以图像中心为剪裁区域中心进行预设尺寸的数据裁剪，此处的数据裁剪与前述步骤S102中预处理中的数据裁剪是一样的；将裁剪后的表面图像输入到含水率识别模型中得到待识别地区中任意土体的含水率的识别结果。
在实际应用中，对于不同的待识别地区可以通过不同的土样得到对应不同地区的积水率识别模型。
从以上的描述中，可以看出，本申请实施例的基于卷积神经网络的土体含水率识别方法中，根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对训练集中的图像数据进行预处理，预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据含水率识别模型对待识别地区任意土体的含水率进行识别。可以看出，本申请在的数据集是基于待识别地区土样不同压实度下、连续变化的含水率对应的表面图像，因此基于该数据集得到的含水率识别模型更符合实际情况，也能够对连续变化的含水率进行预测。另外，在将训练集中的图像数据输入到卷积神经网络模型前，还会进行数据扩增、数据裁剪、数据缩减的预处理，也可以提高含水率识别模型的精度。
综上，对本申请实施例的基于卷积神经网络的土体含水率识别方法有益效果总结如下：
1.精度高、识别速度快、应用简单、使用成本低廉、可实现小范围原位土含水率实时无损检测；
2.借助神经网络强大的识别能力检测土体含水率，与实际复杂情况相匹配；
3.能够实现对连续变化情况下土体含水率的预测，具有较高使用价值。
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
根据本申请实施例，还提供了一种用于实施上述图1方法的基于卷积神经网络的土体含水率识别装置200，如图2所示，该装置包括：建立单元21，用于根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；预处理单元22，用于对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；模型更新单元23，用于基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；验证单元24，用于根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；识别单元25，用于根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
从以上的描述中，可以看出，本申请实施例的基于卷积神经网络的土体含水率识别装置中，根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对训练集中的图像数据进行预处理，预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据含水率识别模型对待识别地区任意土体的含水率进行识别。可以看出，本申请在的数据集是基于待识别地区土样不同压实度下、连续变化的含水率对应的表面图像，因此基于该数据集得到的含水率识别模型更符合实际情况，也能够对连续变化的含水率进行预测。另外，在将训练集中的图像数据输入到卷积神经网络模型前，还会进行数据扩增、数据裁剪、数据缩减的预处理，也可以提高含水率识别模型的精度。
进一步的，如图3所示，所述建立单元21包括：第一获取模块211，用于获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；计算模块212，用于根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；标签确定模块213，用于将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；建立模块214，用于将所有带有标签的图像构成所述数据集。
进一步的，如图3所示，所述预处理单元22包括：扩增模块221，用于通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；第一裁剪模块222，用于对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；缩减模块223，用于将裁剪后的训练集中的图像数据进行数据缩减。
进一步的，如图3所示，所述模型更新单元23，包括：输入模块231，用于从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；更新模块232，用于根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。
进一步的，如图3所示，所述验证单元24，包括：预处理模块241，用于对所述验证集中的图像数据进行所述预处理；损失确定模块242，用于计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；迭代模块243，用于若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；模型确定模块244，用于当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。
进一步的，如图3所示，所述识别单元25包括：第二获取模块251，用于获取所述待识别地区中任意土体的表面图像；第二裁剪模块252，用于将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；识别模块253，用于将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。
进一步的，如图3所示，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。
具体的，本申请实施例的装置中各单元、模块实现其功能的具体过程可参见方法实施例中的相关描述，此处不再赘述。
根据本申请实施例，还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述方法实施例中的基于卷积神经网络的土体含水率识别方法。
根据本申请实施例，还提供了一种电子设备，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；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述方法实施例中的基于卷积神经网络的土体含水率识别方法。
显然，本领域的技术人员应该明白，上述的本申请的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本申请不限制于任何特定的硬件和软件结合。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于卷积神经网络的土体含水率识别方法，其特征在于，所述方法包括：
根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；
对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；
基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；
根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；
根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。
2.根据权利要求1所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集包括：
获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；
根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；
将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；
将所有带有标签的图像构成所述数据集。
3.根据权利要求1所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述对所述训练集中的图像数据进行预处理包括：
通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；
对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；
将裁剪后的训练集中的图像数据进行数据缩减。
4.根据权利要求1所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新包括：
从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；
将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；
根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。
5.根据权利要求4所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型包括：
对所述验证集中的图像数据进行所述预处理；
计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；
若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；
若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；
当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。
6.根据权利要求3所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述根据所述含水率识别模型对待识别地区任意土体的含水率进行识别包括：
获取所述待识别地区中任意土体的表面图像；
将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；
将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。
7.根据权利要求2所述的基于卷积神经网络的土体含水率识别方法，其特征在于，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。
8.一种基于卷积神经网络的土体含水率识别装置，其特征在于，所述装置包括：
建立单元，用于根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；
预处理单元，用于对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；
模型更新单元，用于基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；
验证单元，用于根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；
识别单元，用于根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行权利要求1至7中任意一项所述的基于卷积神经网络的土体含水率识别方法。
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；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行权利要求1至7中任意一项所述的基于卷积神经网络的土体含水率识别方法。
CN202211582601.9A 2022-12-09 2022-12-09 基于卷积神经网络的土体含水率识别方法及装置 Pending CN116152654A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211582601.9A CN116152654A (zh) 2022-12-09 2022-12-09 基于卷积神经网络的土体含水率识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211582601.9A CN116152654A (zh) 2022-12-09 2022-12-09 基于卷积神经网络的土体含水率识别方法及装置

Publications (1)

Publication Number Publication Date
CN116152654A true CN116152654A (zh) 2023-05-23

Family

ID=86360987

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211582601.9A Pending CN116152654A (zh) 2022-12-09 2022-12-09 基于卷积神经网络的土体含水率识别方法及装置

Country Status (1)

Country Link
CN (1) CN116152654A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678783A (zh) * 2023-06-05 2023-09-01 河北圣燕检验检测服务有限公司 一种称量端数据自动采集方法、采集装置、设备及介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116678783A (zh) * 2023-06-05 2023-09-01 河北圣燕检验检测服务有限公司 一种称量端数据自动采集方法、采集装置、设备及介质

Similar Documents

Publication Publication Date Title
Abbott et al. System 21,“Jupiter”(a design system for two-dimensional nearly-horizontal flows)
CN106767687A (zh) 一种利用遥感含水量测量滩涂高程的方法
Wang et al. Morphological approach to quantifying soil cracks: Application to dynamic crack patterns during wetting‐drying cycles
Stewart et al. An image‐based method for determining bulk density and the soil shrinkage curve
CN116152654A (zh) 基于卷积神经网络的土体含水率识别方法及装置
Guo et al. Digital close range photogrammetry for the study of rill development at flume scale
CN111985421A (zh) 基于地理加权回归模型的耕地田坎系数估算方法及装置
CN114494371A (zh) 基于多尺度相位一致性的光学图像和sar图像配准方法
CN107102116B (zh) 一种室内重力侵蚀过程试验观测系统及方法
CN113011372A (zh) 一种盐碱化土地自动监测和识别方法
Nasta et al. Comparing ERT-and scaling-based approaches to parameterize soil hydraulic properties for spatially distributed model applications
Said et al. ANN-based soil moisture retrieval over bare and vegetated areas using ERS-2 SAR data
CN113723000A (zh) 一种基于Sentinel数据与深度学习模型的农田土壤水分模拟方法
CN117392564A (zh) 一种基于深度学习的河流水质反演方法、电子设备及存储介质
CN114898343A (zh) 基于图像识别处理的土体压实度检测方法、系统及介质
Chen et al. Estimation of surface soil moisture content using fractals
CN113920135A (zh) 一种离子型稀土矿数字岩心建模方法
Jiang et al. A digital close range photogrammetric observation system for measuring soil surface morphology during ongoing rainfall
CN117765186B (zh) 一种环境空间的重构方法、装置、设备和存储介质
CN116108700B (zh) 耕地撂荒时间定年方法、装置及电子设备
CN117975295B (zh) 一种基于多尺度特征感知神经网络的积雪深度预测方法
CN116559048B (zh) 一种膨胀土三维裂隙时空演化模型试验方法
CN115170750B (zh) 3d水环境地图的径流模拟修正方法及系统
Yang et al. Coupling Model-Driven and Data-Driven Methods for Estimating Soil Moisture Over Bare Surfaces With Sentinel-1A Dual-Polarized Data
CN114689820B (zh) 一种基于三维扫描的膨胀土胀缩特性测试及评价方法

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