CN117491293A - 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 - Google Patents
一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 Download PDFInfo
- Publication number
- CN117491293A CN117491293A CN202311257997.4A CN202311257997A CN117491293A CN 117491293 A CN117491293 A CN 117491293A CN 202311257997 A CN202311257997 A CN 202311257997A CN 117491293 A CN117491293 A CN 117491293A
- Authority
- CN
- China
- Prior art keywords
- rock mass
- corrosion
- hyperspectral
- image
- rock
- 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 109
- 230000007797 corrosion Effects 0.000 title claims abstract description 70
- 238000005260 corrosion Methods 0.000 title claims abstract description 70
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 title claims abstract description 16
- 238000010521 absorption reaction Methods 0.000 claims abstract description 44
- 238000001228 spectrum Methods 0.000 claims abstract description 37
- 238000000034 method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000003595 spectral effect Effects 0.000 claims abstract description 22
- 238000004090 dissolution Methods 0.000 claims abstract description 20
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000002310 reflectometry Methods 0.000 claims description 19
- 230000003628 erosive effect Effects 0.000 claims description 16
- 238000004422 calculation algorithm Methods 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 238000007781 pre-processing Methods 0.000 claims description 8
- 229910001748 carbonate mineral Inorganic materials 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 238000007637 random forest analysis Methods 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 claims description 4
- 239000011707 mineral Substances 0.000 claims description 4
- 238000013210 evaluation model Methods 0.000 abstract description 14
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 239000000463 material Substances 0.000 description 10
- 238000003066 decision tree Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 241000282461 Canis lupus Species 0.000 description 4
- 238000005286 illumination Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 241000904454 Thespis Species 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000005520 cutting process Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 239000002904 solvent Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241000282421 Canidae Species 0.000 description 1
- 235000019738 Limestone Nutrition 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 239000006028 limestone Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/58—Extraction of image or video features relating to hyperspectral data
-
- 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
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
- G06V10/7747—Organisation of the process, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/23—Dune restoration or creation; Cliff stabilisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Remote Sensing (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例涉及岩体溶蚀评估技术领域,公开了一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法,包括:采集岩体待评估区域和岩体已评估区域的高光谱图像;获取岩体已评估区域的RGB图像并转化为灰度图像后进行归一化处理;提取经归一化处理后的灰度图像的灰度值计算分形维数;根据岩体已评估区域的高光谱图像内特定区域的光谱曲线吸收特征计算相对吸收深度、溶解值和结构表面光谱指数;划分岩体已评估区域内特定区域的溶蚀等级;利用分形维数、溶解值、结构表面光谱指数作为输入值和溶蚀等级作为标签建立溶蚀评估模型;使用溶蚀评估模型进行溶蚀评估。本方案能够对岩体溶蚀程度进行原位、无损、快速的评估,实现大面积岩体溶蚀的快速评估。
Description
技术领域
本发明实施例涉及岩体溶蚀评估技术领域,具体涉及一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法。
背景技术
碳酸盐岩体经常受到水-岩相互作用影响,由于岩体长时间的暴露于水环境中,因而会受到物理、化学等因素的影响而发生碳酸盐的溶解,同时生成次生矿物,进而使岩体原有的稳定状态被破坏,引发地质灾害。因此,岩体的溶蚀评估一直是地质环境研究中的重要课题。
但是,目前面对地形的不断变化和与水作用的岩质边坡变质机理的复杂的问题,采用传统方法进行溶蚀评估存在一定程度的滞后性,并且工人在评估垂直面时面临临空的意外风险。因此,亟需一种方便、准确、安全的岩体溶蚀评估方法。
发明内容
鉴于上述问题,本发明实施例提供了一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法,用于解决传统方法进行溶蚀评估存在滞后性和工作过程中风险较高的问题。
根据本发明实施例的一个方面,提供了一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法,如附图1所示,所述方法包括:
步骤1:采集岩体待评估区域高光谱图像和岩体已评估区域高光谱图像,
并进行预处理和存储;
步骤2:将岩体已评估区域高光谱图像选择红、绿和蓝三个固定通道,获取岩体已评估区域RGB图像:
步骤3:将岩体已评估区域RGB图像转化为灰度图像后进行归一化处理;
步骤4:提取岩体已评估区域内特定区域(未溶蚀、轻微溶蚀、中度溶蚀、高度溶蚀四种溶蚀等级区域)的灰度值用于计算分形维数;
步骤5:提取岩体已评估区域内特定区域的外部和内部各至少10条岩体本区域的平均光谱曲线作均值处理后获得最终光谱曲线;
步骤6:将已评估区域内特定区域内部和外部的最终光谱曲线进行连续性移除处理以显示吸收特征;
步骤7:根据特定区域内部和外部经连续性移除处理后的最终光谱曲线的吸收特征计算相对吸收深度、溶解值和结构表面光谱指数;
步骤8:划分岩体已评估区域内特定区域的溶蚀等级;
步骤9:把分形维数、溶解值、结构表面光谱指数作为输入值,溶蚀等级作为岩体已评估区域高光谱图像的样本标签,在随机森林分类模型上构建岩体的溶蚀评估模型,并用添加了标签的已评估区域高光谱图像样本数据对溶蚀评估模型进行训练和优化;
步骤10:将预处理后的岩体待评估区域高光谱图像输入到溶蚀评估模型中,获取岩体待评估区域的溶蚀程度。
在一种可选的方式中,所述步骤1中采用便携式的可见光-近红外高光谱成像仪对岩体已评估区域和岩体待评估区域进行高光谱信息的采集。可见光-近红外高光谱成像仪具有多光谱信息、物质识别能力、非接触式成像、实时成像和非破坏性检测等优势,能多获取到多个波段内的光谱信息。
在一种可选的方式中,所述步骤1中预处理采用黑白校正、Savitzky-Golay平滑滤波器和忽略1400nm和1900nm附近受水汽影响的噪声数据对高光谱图像进行处理。
黑白校正是数字图像处理中的一种校正方法,用于消除图像中的背景噪声和不均匀性;Savitzky-Golay平滑滤波器是一种常用的数字信号处理方法,用于对数据进行平滑处理,去除噪声,保留信号的特征,并提高信号的信噪比;忽略1400nm和1900nm附近受水汽影响的噪声数据可以减小噪声对数据的影响,同时可减小数据处理量。
在一种可选的方式中,所述步骤2中将岩体已评估区域高光谱图像选择470nm、550nm和640nm三个固定通道,获取岩体已评估区域RGB图像。
在一种可选的方式中,所述步骤3中归一化采用的公式为:
其中,Nnor为归一化的灰度值,f(x,y)为原始图像的灰度值,Ng为图像的最大灰度值,Nmin为图像的最小灰度值。
在一种可选的方式中,所述步骤4中采用局部自适应二值化算法提取岩体已评估区域内特定区域的灰度值。局部自适应二值化算法是一种常用的图像处理算法,用于将灰度图像转换为二值图像,局部自适应二值化算法的优势在于能够处理光照不均匀、背景噪声等复杂情况下的图像,并且保留了图像中的细节信息。
在一种可选的方式中,所述分形维数的计算公式为:
D=lim[log Nr/log(1/r)]
式中,D为分形维数,Nr为差分盒计数法覆盖M×M的图像需要的S×S的网格数,r为S与M的比值,D的值最终通过多个logNr与log(1/r)的比值结果经线性拟合得到;
所述Nr的计算公式为:
式中,nr(i,j)为灰度图像中第(i,j)网格所需S×S的网格来覆盖图像的数量;
所述nr(i,j)的计算公式为:
nr(i,j)=l-k+1
式中,l和k分别为最大和最小灰度的图像在第(i,j)网格覆盖图像需要的S×S网格的数量。分形维数在自然界、数学、物理学等领域都有广泛的应用,它可以用于描述自然界中的复杂结构,如云朵形状、山脉轮廓、树枝分布等,在图像处理和计算机图形学中,分形维数可以用于生成逼真的自然景物。
在一种可选的方式中,所述最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在2300~2400nm波段区间具有明显的吸收特征,相对吸收深度的计算方法为2300~2400nm波段区间的最小反射率与基线对应的反射率之差;所述基线为与2300~2400nm波段区间最低反射率波段相邻的两个光谱曲线的波峰,具有较低反射率波峰的水平切线。相对吸收深度(RelativeAbsorptionDepth)是指在光学吸收过程中,光线在材料中被吸收的距离与入射光线波长之比。它用来描述材料对不同波长光的吸收程度。相对吸收深度越大,表示材料对该波长光的吸收能力越强。在光谱分析中,相对吸收深度可以用来确定材料的吸收特性,从而分析样品的成分和浓度。
在一种可选的方式中,所述最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在560nm和645nm波段处的反射率的组合与岩体回弹的相关性最好,所述溶解值的计算公式为:
式中,doutside和dinside分别为岩体内部和外部2300~2400nm波段区间的相对吸收深度,K为矿物的溶解值。溶解值(Solubility)是指在特定条件下,溶质能够在溶剂中溶解的最大量。
在一种可选的方式中,所述结构表面光谱指数的计算公式为:
SPIS=(b645-b560)/(b645+b560)
式中,b560和b645分别为560nm和645nm波段处对应的反射率值,SPIS为结构面光谱指数。结构表面光谱指数是描述结构表面对不同波长光的反射特性的一种参数。
在一种可选的方式中,所述步骤9中在随机森林分类模型上构建岩体的溶蚀评估模型,并用添加了标签的已评估区域高光谱图像样本数据对溶蚀评估模型进行训练和优化。该模型具是一种多决策树的集成分类器,具有较强的鲁棒性,抗干扰能力强的优点。训练模型时,模型内置的4个超参数采用具有全局优化解的灰狼优化器(GWO)自动进行优化。
在一种可选的方式中,所述4个超参数包括:1.决策树的数量;2.树的最大深度;3.分割树中一个节点需要的最小样本数;4.叶子节点需要的最小样本数。
与现有技术相比,本发明的优点及有益效果在于:通过采集和预处理已评估和待评估区域的高光谱信息,获取高光谱数据并存储,在已评估区域中选定特定区域,获取特定区域的高光谱数据和溶蚀等级,并对高光谱数据添加溶蚀等级标签,构成原始样本数据库,根据随机森林算法构建岩体溶蚀评估模型,并通过标签样本数据进行训练和优化,经性能评估后将待评估区域的高光谱数据导入优化后的评估模型,获取待评估区域的岩体溶蚀等级,能够对岩体溶蚀程度进行原位、无损、快速的评估,实现了大面积岩体溶蚀的快速评估,节省了工作量,降低工人的意外风险,评估精度高,为地质灾害的预防和治理提供数据支撑。
上述说明仅是本发明实施例技术方案的概述,为了能够更清楚了解本发明实施例的技术手段,而可依照说明书的内容予以实施,并且为了让本发明实施例的上述和其它目的、特征和优点能够更明显易懂,以下特举本发明的具体实施方式。
附图说明
附图仅用于示出实施方式,而并不认为是对本发明的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本发明实施例的流程示意图。
图2示出了本发明实施例中岩体溶蚀评估模型建立的流程框图。
图3示出了本发明实施例中岩体溶蚀评估结果图。
具体实施方式
下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例,然而应当理解,可以以各种形式实现本发明而不应被这里阐述的实施例所限制。
一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法,如附图1和附图2所示,包括以下步骤:
步骤11:采集岩体待评估区域高光谱图像和岩体已评估区域高光谱图像。
本步骤中具体采用可见光-近红外高光谱成像仪对已评估和待评估区域进行高光谱信息的采集,其中,可见光-近红外高光谱成像仪采集的波段为300~2500nm,间隔通道为10nm,共计220个波段。
步骤12:对岩体待评估区域高光谱图像和岩体已评估区域高光谱图像进行预处理和存储。
预处理具体包括高光谱图像的黑白校正减少光照不均匀和暗电流的影响,采用Savitzky-Golay平滑滤波器消除光谱的多重散效应以及忽略1400nm和1900nm附近受水汽影响的噪声数据。
黑白校正是数字图像处理中的一种校正方法,用于消除图像中的背景噪声和不均匀性;Savitzky-Golay平滑滤波器是一种常用的数字信号处理方法,用于对数据进行平滑处理,去除噪声,保留信号的特征,并提高信号的信噪比;忽略1400nm和1900nm附近受水汽影响的噪声数据可以减小噪声对数据的影响,同时可减小数据处理量。
步骤2:将岩体已评估区域高光谱图像选择红、绿和蓝三个固定通道,获取岩体已评估区域RGB图像;
本步骤中具体将岩体已评估区域高光谱图像选择470nm、550nm和640nm三个固定通道,获取岩体已评估区域RGB图像。
步骤3:将岩体已评估区域RGB图像转化为灰度图像后进行归一化处理;
已评估区域的灰度图像进行归一化处理是根据图像的最大灰度Ng与最小灰度Nmin来对图像灰度进行归一化处理;
所述归一化采用的公式为:
其中,Nnor为归一化的灰度值,f(x,y)为原始图像的灰度值,Ng为图像的最大灰度值,Nmin为图像的最小灰度值。
步骤4:提取岩体已评估区域内特定区域的灰度值用于计算分形维数;
本实施例中特定区域为:未溶蚀、轻微溶蚀、中度溶蚀、高度溶蚀四种溶蚀等级区域。
其中,提取已评估区域内特定区域的灰度值采用的是局部自适应二值化算法,局部自适应二值化算法是一种常用的图像处理算法,用于将灰度图像转换为二值图像,局部自适应二值化算法的优势在于能够处理光照不均匀、背景噪声等复杂情况下的图像,并且保留了图像中的细节信息。
分形维数的计算公式为:
D=lim[logNr/log(1/r)]
式中,D为分形维数,Nr为差分盒计数法覆盖M×M的图像需要的S×S的网格数,r为S与M的比值,D的值最终通过多个logNr与log(1/r)的比值结果经线性拟合得到;
所述Nr的计算公式为:
式中,nr(i,j)为灰度图像中第(i,j)网格所需S×S的网格来覆盖图像的数量;
所述nr(i,j)的计算公式为:
nr(i,j)=l-k+1
式中,l和k分别为最大和最小灰度的图像在第(i,j)网格覆盖图像需要的S×S网格的数量。
分形维数在自然界、数学、物理学等领域都有广泛的应用,它可以用于描述自然界中的复杂结构,如云朵形状、山脉轮廓、树枝分布等,在图像处理和计算机图形学中,分形维数可以用于生成逼真的自然景物。
步骤5:提取岩体已评估区域内特定区域的外部和内部各至少10条(本步骤中为10条)岩体本区域的平均光谱曲线作均值处理后获得最终光谱曲线。
平均光谱曲线是指在一定范围内对多个光谱进行测量并取平均值所得到的曲线。
步骤6:将已评估区域内特定区域内部和外部的最终光谱曲线进行连续性移除显示吸收特征。
连续性移除是一种用于显示和分析材料的吸收特征的方法。它是通过去除光谱中的连续背景信号来凸显出样品的吸收特征。
本步骤中已评估区域内特定区域内部和外部的最终光谱曲线采用Python算法对光谱数据进行连续性移除处理,突出光谱吸收特征。
步骤7:根据特定区域内部和外部经连续性移除处理的最终光谱曲线的吸收特征计算相对吸收深度、溶解值和结构表面光谱指数。
最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在2300~2400nm波段区间具有明显的吸收特征,相对吸收深度的计算方法为2300~2400nm波段区间的最小反射率与基线对应的反射率之差;所述基线为与2300~2400nm波段区间最低反射率波段相邻的两个光谱曲线的波峰,具有较低反射率波峰的水平切线。相对吸收深度(RelativeAbsorptionDepth)是指在光学吸收过程中,光线在材料中被吸收的距离与入射光线波长之比。它用来描述材料对不同波长光的吸收程度。相对吸收深度越大,表示材料对该波长光的吸收能力越强。在光谱分析中,相对吸收深度可以用来确定材料的吸收特性,从而分析样品的成分和浓度。
最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在560nm和645nm波段处的反射率的组合与岩体回弹的相关性最好,所述溶解值的计算公式为:
式中,doutside和dinside分别为岩体内部和外部2300~2400nm波段区间的相对吸收深度,K为矿物的溶解值。溶解值(Solubility)是指在特定条件下,溶质能够在溶剂中溶解的最大量。
结构表面光谱指数的计算公式为:
SPIS=(b645-b560)/(b645+b560) (5)
式中,b560和b645分别为560nm和645nm波段处对应的反射率值,SPIS为结构面光谱指数。结构表面光谱指数是描述结构表面对不同波长光的反射特性的一种参数。
步骤8:划分岩体已评估区域内特定区域的溶蚀等级。
本步骤中把评估区域内特定区域的溶蚀等级划分为未溶蚀、轻微溶蚀、中度溶蚀、高度溶蚀四种等级。
步骤9:把分形维数、溶解值、结构表面光谱指数作为输入值,溶蚀等级作为岩体已评估区域高光谱图像的样本标签,在随机森林分类模型上构建岩体的溶蚀评估模型,并用添加了标签的已评估区域高光谱图像样本数据对溶蚀评估模型进行训练和优化。
对溶蚀评估模型进行训练和优化,具体为将添加了标签的样本的分形维数、溶解值、结构表面光谱指数作为输入,溶蚀等级作为输出,导入溶蚀评估模型,并以测试集∶验证集为8∶2的比例将标签样本划分后对模型进行训练,对训练后的模型超参数进行调整优化,获取优化后的评估模型。
该溶蚀评估模型具是一种多决策树的集成分类器,具有较强的鲁棒性,抗干扰能力强的优点。训练模型时,模型内置的4个超参数采用具有全局优化解的灰狼优化器(GWO)自动进行优化。4个超参数包括:1.决策树的数量;2.树的最大深度;3.分割树中一个节点需要的最小样本数;4.叶子节点需要的最小样本数。
灰狼算法(GreyWolfOptimization,GWO)是一种基于自然界中灰狼行为和群体智能的优化算法。该算法模拟了灰狼群体的捕食行为和等级结构,通过模拟狼群的协作和竞争来寻找最优解。
优化后的模型采用决定系数和均方根误差来对模型进行性能评估;
所述决定系数的计算公式为:
式中,R2为决定系数,yi为实际值,为预测值,/>为平均值,m为样本数量;
所述均方根误差的计算公式为:
式中,RMSE为均方根误差,yi为实际值,为预测值,m为样本数量。
其中,决定系数(CoefficientofDetermination)是用来衡量一个回归模型对观测数据的解释程度的统计指标。它表示因变量的变异性中有多少能够被自变量解释。
决定系数的取值范围从0到1,越接近1表示模型能够很好地解释因变量的变异性,越接近0表示模型解释能力较差。
其中,均方根误差(RootMeanSquareError,RMSE)是衡量预测值与真实值之间差异的一种常用指标。它计算方法是先计算每个预测值与真实值的差异,然后将这些差异的平方求和,再除以样本数量,最后取平方根。RMSE常用于评估预测模型的准确性。
步骤10:将预处理后的岩体待评估区域高光谱图像输入到溶蚀评估模型中,获取岩体待评估区域的溶蚀程度。
以下为一个溶蚀评估示例:
对位于三峡库区瞿塘峡干沟子监测站处的位于消落带区域内外的灰岩(主要矿物为碳酸盐矿物)岩体利用便携式可见光-近红外高光谱成像仪进行高光谱信息的采集。消落带区域内采集未评估溶蚀等级的岩体面积约为30*30m,以便进行大面积的溶蚀评估。在消落带区域外主要采集溶蚀特征不明显的岩体,以便建立未溶蚀的样本库,采集的未溶蚀岩体面积约为1*1m。同时在消落带区域内不同高程处采集轻微溶蚀、中度溶蚀、高度溶蚀的岩体,采集的面积均为1*1m左右,以便建立不同溶蚀等级的样本库,同时保证样本库的统一性。岩体的溶蚀等级需根据专业人员对岩体当前的溶蚀等级进行鉴定,保证采集数据的正确性。每种溶蚀程度的高光谱图像各采集10组,每组采集的位置不同。采集完每种溶蚀程度岩体外部的高光谱图像后,再分别采集它们的岩体内部的高光图像,每种溶蚀程度岩体内部对应的高光谱图像采集数量也刚好为10组。
采集的方式为固定参数采集,携式可见光-近红外高光谱成像仪的波段为300~2500nm,间隔通道为10nm,共计220个波段。
采集完成后对已经过评估岩体的内部和外部以及未评估岩体的所有高光谱数据分别进行黑白校正减少光照不均匀和暗电流的影响,Savitzky-Golay平滑滤波器滤波消除光谱的多重散效应以及使用Analysis软件中的波段裁剪功能,对已获取高光谱数据进行波段裁剪,消除在1400nm和1900nm附近受水汽影响的噪声数据等的高光谱数据预处理过程,预处理完后对数据进行整理和存储。
把经过预处理的已确定溶蚀等级岩体外部的所有高光谱图像在Analysis软件中选择470nm、550nm和640nm作为红、绿、蓝三通道得到它们各自的RGB图像,然后导出RGB图像。把导出的RGB图像输入到Python灰度图像转化的代码中,输出它们各自的灰度图像,将输出的不同灰度图像进行整理后进行存储。然后采用Python代码进行灰度图像的归一化处理,归一化处理后进行整理并存储。
然后把所有不同溶蚀等级的灰度图像在Python代码上采用局部自适应二值化算法的进行灰度值提取用于计算不同溶蚀等级的分形维数。具体将不同溶蚀程度岩体所有的logNr与log(1/r)比值的结果在Origin软件上进行线性拟合,得到不同溶蚀程度岩体的分形维数。
在经过预处理的已确定不同溶蚀等级岩体内部和外部的10组高光谱图像中,在每张高光谱图像上提取一个区域的平均光谱曲线,按内部和外部以及对应的溶蚀等级进行整理分类。将所有不同溶蚀等级的外部和内部各10条区域平均光谱曲线作均值处理后作为不同溶蚀等级内部和外部的最终光谱曲线,采用Python算法对所有溶蚀等级的内部和外部的最终光谱曲线进行连续性移除,突出光谱吸收特征。
提取不同溶蚀等级内部和外部经连续性移除的最终光谱曲线在2300~2400nm波段区间具有明显吸收特征波段内的最低反射率以及不同溶蚀等级外部经连续性移除的最终光谱曲线在560nm和645nm波段处的反射率组合分别计算反应化学性质的相对吸收深度、溶解值,反应力学性质的结构表面光谱指数。
所述相对吸收深度的计算方法为2300~2400nm波段区间的最小反射率与基线反射率之差,基线为与2300~2400nm波段区间最低反射率波段相邻的两个光谱曲线的波峰,具有较低反射率波峰的水平切线。
把获得的样本的分形维数、溶解值、结构表面光谱指数作为输入,溶蚀等级标签作为输出,导入溶蚀评估模型,并以测试集:验证集为8:2的比例将样本划分后对模型进行训练,采用灰狼算法对训练后的模型的超参数进行调整优化,获取优化后的溶蚀评估模型。溶蚀评估模型经优化后的4个超参数:决策树的数量、树的最大深度、分割树中一个节点需要的最小样本数以及叶子节点需要的最小样本数分别为:10、100、0.1、0.1。
最后采用决定系数和均方根误差来对模型进行性能评估。经过评估模型的决定系数接近1,均方根误差小于1,说明模型的性能较好,可以用于岩体溶蚀程度的评估。
最后用优化的模型对30*30m的大面积岩体的溶蚀情况进行了评估,并取得较好的预测结果,具体如附图3所示。
在此处所提供的说明书中,说明了大量具体细节。然而能够理解,本发明的实施例可以在没有这些具体细节的情况下实践。类似地,为了精简本发明并帮助理解各个发明方面中的一个或多个,在上面对本发明的示例性实施例的描述中,本发明实施例的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。其中,遵循具体实施方式的权利要求书由此明确地并入该具体实施方式,其中每个权利要求本身都作为本发明的单独实施例。
本领域技术人员可以理解,可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件,以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外。
应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制,并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中,不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。上述实施例中的步骤,除有特殊说明外,不应理解为对执行顺序的限定。
Claims (10)
1.一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法,其特征在于,所述方法包括:
步骤1:采集岩体待评估区域高光谱图像和岩体已评估区域高光谱图像,并进行预处理和存储;
步骤2:将岩体已评估区域高光谱图像选择红、绿和蓝三个固定通道,获取岩体已评估区域RGB图像;
步骤3:将岩体已评估区域RGB图像转化为灰度图像后进行归一化处理;
步骤4:提取岩体已评估区域内特定区域的灰度值用于计算分形维数;
步骤5:提取岩体已评估区域内特定区域的外部和内部各至少10条岩体本区域的平均光谱曲线作均值处理后获得最终光谱曲线;
步骤6:将已评估区域内特定区域内部和外部的最终光谱曲线进行连续性移除处理来显示光谱曲线的吸收特征;
步骤7:根据特定区域内部和外部经连续性移除处理后的最终光谱曲线的吸收特征计算相对吸收深度、溶解值和结构表面光谱指数;
步骤8:划分岩体已评估区域内特定区域的溶蚀等级;
步骤9:把分形维数、溶解值、结构表面光谱指数作为输入值,溶蚀等级作为岩体已评估区域高光谱图像的样本标签,在随机森林分类模型上构建岩体的溶蚀评估模型,并用添加了标签的已评估区域高光谱图像样本数据对溶蚀评估模型进行训练和优化;
步骤10:将预处理后的岩体待评估区域高光谱图像输入到溶蚀评估模型中,获取岩体待评估区域的溶蚀程度。
2.根据权利要求1所述的方法,其特征在于,所述步骤1中采用便携式的可见光-近红外高光谱成像仪对岩体已评估区域和岩体待评估区域进行高光谱信息的采集。
3.根据权利要求1所述的方法,其特征在于,所述步骤1中预处理包括采用黑白校正、Savitzky-Golay平滑滤波器和忽略1400nm和1900nm附近受水汽影响的噪声数据对高光谱图像进行处理。
4.根据权利要求1所述的方法,其特征在于,所述步骤2中将岩体已评估区域高光谱图像选择470nm、550nm和640nm三个固定通道,获取岩体已评估区域RGB图像。
5.根据权利要求1所述的方法,其特征在于,所述步骤3中归一化采用的公式为:
其中,Nnor为归一化的灰度值,f(x,y)为原始图像的灰度值,Ng为图像的最大灰度值,Nmin为图像的最小灰度值。
6.根据权利要求5所述的方法,其特征在于,所述步骤4中采用局部自适应二值化算法提取岩体已评估区域内特定区域的灰度值。
7.根据权利要求5所述的方法,其特征在于,所述分形维数的计算公式为:
D=lim[logNr/log(1/r)]
式中,D为分形维数,Nr为差分盒计数法覆盖M×M的图像需要的S×S的网格数,r为S与M的比值,D的值最终通过多个logNr与log(1/r)的比值结果经线性拟合得到;
所述Nr的计算公式为:
式中,nr(i,j)为灰度图像中第(i,j)网格所需S×S的网格来覆盖图像的数量;
所述nr(i,j)的计算公式为:
nr(i,j)=l-k+1
式中,l和k分别为最大和最小灰度的图像在第(i,j)网格覆盖图像需要的S×S网格的数量。
8.根据权利要求1所述的方法,其特征在于,所述最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在2300~2400nm波段区间具有明显的吸收特征,相对吸收深度的计算方法为2300~2400nm波段区间的最小反射率与基线对应的反射率之差;所述基线为与2300~2400nm波段区间最低反射率波段相邻的两个光谱曲线的波峰,具有较低反射率波峰的水平切线。
9.根据权利要求8所述的方法,其特征在于,所述最终光谱曲线吸收特征为碳酸盐矿物的碳酸根离子在560nm和645nm波段处的反射率的组合与岩体回弹的相关性最好,所述溶解值的计算公式为:
式中,doutside和dinside分别为岩体内部和外部2300~2400nm波段区间的相对吸收深度,K为矿物的溶解值。
10.根据权利要求9所述的方法,其特征在于,所述结构表面光谱指数的计算公式为:
SPIS=(b645-b560)/(b645+b560)
式中,b560和b645分别为560nm和645nm波段处对应的反射率值,SPIS为结构面光谱指数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257997.4A CN117491293A (zh) | 2023-09-26 | 2023-09-26 | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311257997.4A CN117491293A (zh) | 2023-09-26 | 2023-09-26 | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117491293A true CN117491293A (zh) | 2024-02-02 |
Family
ID=89667949
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311257997.4A Pending CN117491293A (zh) | 2023-09-26 | 2023-09-26 | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117491293A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783459A (zh) * | 2024-02-28 | 2024-03-29 | 沈阳科惠生物医药科技有限公司 | 一种药物的溶出曲线测定方法及系统 |
-
2023
- 2023-09-26 CN CN202311257997.4A patent/CN117491293A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117783459A (zh) * | 2024-02-28 | 2024-03-29 | 沈阳科惠生物医药科技有限公司 | 一种药物的溶出曲线测定方法及系统 |
CN117783459B (zh) * | 2024-02-28 | 2024-05-07 | 沈阳科惠生物医药科技有限公司 | 一种药物的溶出曲线测定方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Wang et al. | New methods for improving the remote sensing estimation of soil organic matter content (SOMC) in the Ebinur Lake Wetland National Nature Reserve (ELWNNR) in northwest China | |
CN112213287B (zh) | 基于遥感卫星影像的沿海滩涂盐度反演的方法 | |
CN112766075B (zh) | 一种基于半监督学习策略的高光谱遥感黑臭水体分级方法 | |
CN103235095B (zh) | 注水肉检测方法和装置 | |
CN112014331A (zh) | 一种水体污染的检测方法、装置、设备以及存储介质 | |
He et al. | Spectral features of soil organic matter | |
CN117491293A (zh) | 一种基于高光谱的高陡岸坡碳酸盐岩体溶蚀快速评估方法 | |
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
Cai et al. | Using machine learning algorithms with in situ hyperspectral reflectance data to assess comprehensive water quality of urban rivers | |
CN110596028A (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
CN113436153A (zh) | 一种基于高光谱成像和支持向量机技术的原状土壤剖面碳组分预测方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
CN115661069A (zh) | 一种高光谱异常检测方法及计算机装置 | |
Chen et al. | Hyperspectral detection of sugar content for sugar-sweetened apples based on sample grouping and SPA feature selecting methods | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
Huang et al. | Optimal wavelength selection for hyperspectral scattering prediction of apple firmness and soluble solids content | |
CN117095290A (zh) | 一种基于卫星遥感的碳汇监测方法 | |
CN116429724A (zh) | 基于红外高光谱分析的复合绝缘子材料污秽程度检测方法 | |
Lan et al. | Machine learning and hyperspectral imaging-aided forecast for the share of biogenic and fossil carbon in solid waste | |
Mendes et al. | Soil spectral library of Piauí State using machine learning for laboratory analysis in Northeastern Brazil | |
CN115761038A (zh) | 一种基于图像光谱技术的隧道掌子面地质素描方法及系统 | |
Lin et al. | Hyperspectral estimation of soil composition contents based on kernel principal component analysis and machine learning model | |
Chen et al. | Main inorganic component measurement of seawater using near-infrared spectroscopy |
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 |