【技术实现步骤摘要】
本专利技术涉及岩体裂缝图像识别领域，具体涉及一种基于图像特征识别的岩体裂缝检测方法。
技术介绍
1、当前，岩体裂缝的检测方法主要包括人工检测和图像处理技术，人工检测通常需要地质专业人员现场勘查，非常耗费时间且易受主观因素影响，而且出现误判和漏判的风险较高。过去的传统图像处理技术依赖简单的特征提取和分类算法，其检测精度和速度有限，难以满足高效率和高准确率的要求。但是随着深度学习技术的发展，基于卷积神经网络(cnn)的岩体裂缝检测方法逐渐得到应用；该方法能够自动进行特征提取，显著提高了检测的精度和效率。然而，仍存在以下问题：
2、1.检测精度不足；尽管卷积神经网络模型在一般图像分类任务中表现良好，但在岩体裂缝检测的复杂情况下，其检测精度仍有待提升。岩体裂缝形态复杂，传统网络模型可能无法充分捕捉细微的特征，导致检测结果不够准确；
3、2.计算速度较慢；传统网络模型结构复杂，计算量大，导致其检测速度较慢。特别是在处理岩体图像的大数据集时，可能难以满足检测精度的需求。
技术实现思路
1、针对现有技术的上述不足，本专利技术提供了一种基于图像特征识别的岩体裂缝检测方法，提高了岩体裂缝识别过程中的表现性能，大大提高了检测的准确率和检测速度。
2、为达到上述专利技术目的，本专利技术所采用的技术方案为：
3、提供一种基于图像特征识别的岩体裂缝检测方法，其包括以下步骤：
4、s1：收集不同类型岩体的图像数据集，并对图像数据集中的岩体图像进行标注
5、s2：将裂缝图像和正常图像进行随机组合成初始图像数据集，对初始图像数据集中的图像裁剪成大小一致的图像，并进行标准化处理，将标准化处理后的初始图像数据集按照7：3的比例拆分成训练集和测试集；
6、s3：对训练集和测试集中的图像采用亮度调整、旋转操作进行数据增强，得到处理后的训练集和测试集；
7、s4：搭建用于识别裂缝图像中岩体裂缝的特征识别模型inceptionv2，并在特征识别模型inceptionv2中添加eca注意力机制，利用处理后的训练集对特征识别模型inceptionv2进行训练，调整特征识别模型inceptionv2的参数，使特征识别模型inceptionv2收敛，输出训练好的特征识别模型inceptionv2；
8、s5：将训练集输入训练好的特征识别模型inceptionv2中，根据训练好的特征识别模型inceptionv2对测试集中的图像进行识别，输出识别准确率、f1分数，评估收敛的特征识别模型inceptionv2的性能，进一步修正训练好的特征识别模型inceptionv2，输出精确的特征识别模型inceptionv2。
9、进一步地，步骤s2中对图像进行标准化处理的方法为：
10、s21：根据初始图像数据集的图像i中第j行、第k列像素分别在红色r、绿色g和蓝色b通道的像素值计算图像中红色r、绿色g和蓝色b通道的像素均值μr、μb、μg；
11、
12、其中，w为图像i中像素的列数，h为图像i中像素的行数，n为初始图像数据集中图像的数量；
13、s22：根据像素均值μr、μb、μg计算每个像素在红色r、绿色g和蓝色b通道的标准差σr、σg、σb；
14、
15、s23：根据标准差计算图像i中每个像素在红色r、绿色g和蓝色b通道下归一化后的像素值
16、
17、进一步地，步骤s4包括：
18、s41：搭建用于识别裂缝图像中岩体裂缝的特征识别模型inceptionv2，特征识别模型inceptionv2包括卷积层、归一化层和激活函数层，卷积层的激活函数f(x)为：
19、f(x)＝max(0,x)+α×min(0,x)；
20、其中，x为处理后的训练集中图像的像素值，α为激活函数的斜率；
21、s42：在卷积层后添加eca注意力机制，计算卷积层中卷积核的大小k，
22、
23、其中，c为卷积层中输入特征的通道数，β1、β2均为超参数，|.|odd表示取奇数，确保卷积核的大小k为奇数；
24、s43：处理后的训练集中的图像通过卷积层的卷积操作后，将卷积应用于输入特征上，学习每个输入特征的通道相对于其他通道的重要性，通过大小k的卷积核卷积操作后，将输入特征xin转换为卷积层的输出特征yout；
25、yout＝con1dk(xin)；
26、其中，输入特征xin为输入图像的像素值，con1dk(.)为卷积核的一维卷积操作，输出特征yout作为从图像中提取的细微特征；
27、s44：将细微特征输入损失函数中，对细微特征进行分类，损失函数为：
28、
29、其中，y为细微特征的分类标签，为对细微特征分类出对应类别的概率，分类标签只有一个是符合标准的正类，其余均是负类，l(.)为损失函数，正类为裂缝图像，其余情况为负类；
30、s45：设置训练特征识别模型inceptionv2的优化器，优化器的数学模型为；
31、mt＝β1×mt-1+(1-β1)×gt，
32、
33、其中，θt为当前训练过程的特征识别模型inceptionv2的参数，θt+1为特征识别模型inceptionv2更新后的参数，mt为当前训练过程的一阶矩估计，vt为当前训练过程的二阶矩估计，mt-1为上一训练过程的一阶矩估计，vt-1为上一训练过程的二阶矩估计，t为训练过程的时间步，gt为时间步上的梯度，α为特征识别模型inceptionv2训练过程的学习率，为训练过程进行偏差校正后的一阶矩估计，为训练过程进行偏差校正后的二阶矩估计，ε为极小值常数，ε＝10-8；
34、s46：根据设置的学习率α、时间步上的梯度gt将处理后的训练集中的图像输入特征识别模型inceptionv2中，每次训练过程均调整超参数β1、β2以及特征识别模型inceptionv2的参数，并计算损失函数l(.)，直到损失函数收敛后，输出训练好的特征识别模型inceptionv2。
35、进一步地，步骤s5包括：
36、s51：将测试集中的图片输入训练好的特征识别模型inceptionv2中，对测试集中的图片进行识别分类，根据输出的识别结果计算准确率acc；
37、
38、其中，tp为正类的图片识别正确的数量，tn为负类的图片识别正确的数量，fp为实际为负类的图片识别为正类的数量，fn为实际为正类的图片识别为负类的数量；
39、s52：计算召回率rec和精确率pre，并根据召回率rec和精确率pre计算二分类精确度f1；
40、
41、s53：设置准确率的阈值a阈值和二分类精确度分数的阈值f阈值，计算训练好本文档来自技高网...
【技术保护点】
1.一种基于图像特征识别的岩体裂缝检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像特征识别的岩体裂缝检测方法，其特征在于，所述步骤S2中对图像进行标准化处理的方法为：
3.根据权利要求2所述的基于图像特征识别的岩体裂缝检测方法，其特征在于，所述步骤S4包括：
4.根据权利要求3所述的基于图像特征识别的岩体裂缝检测方法，其特征在于，所述步骤S5包括：
【技术特征摘要】
1.一种基于图像特征识别的岩体裂缝检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于图像特征识别的岩体裂缝检测方法，其特征在于，所述步骤s2中对图像进行标准化处理的方法为：
【专利技术属性】
技术研发人员：王涛，张学刚，陈善继，王昱博，张雪，刘咏琪，李志怡，杨新昊，
申请(专利权)人：青海民族大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。