System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【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。