【技术实现步骤摘要】
本专利技术属于计算机视觉，具体涉及一种用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法。
技术介绍
1、矿山边坡安全是露天矿区作业中的核心问题之一。边坡稳定性直接关系到作业人员的生命安全和设备的正常运行，边坡失稳则会引发严重地质灾害。裂缝的早期识别是边坡安全管理中的关键环节。矿山边坡一旦产生裂缝，则可能导致岩体滑动、崩塌等灾难性事件。因此，实时准确地识别和监测裂缝，对于预防边坡失稳、保障矿区作业安全具有重要意义。
2、经典图像处理方法和基于深度学习的裂缝识别方法在该领域都有广泛的应用。经典图像处理方法，如边缘检测和形态学处理等，具有计算复杂度低、实现简单的优点，但在处理复杂背景、光照变化和噪声干扰时，容易出现漏检和误检。相比之下，基于深度学习的方法，如目标检测模型和图像分割模型，具有强大的特征提取和模式识别能力，能够在复杂环境下准确检测裂缝。然而，基于深度学习的方法通常计算资源消耗较大，对硬件要求较高，并且应用范围相对局限。
3、为此，研发一种能够解决上述问题的用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法是非常必要的。
技术实现思路
1、本专利技术的目的在于提供一种用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法。
2、本专利技术的目的是这样实现的，包括以下步骤：
3、s100、数据预处理：先对原始图像进行灰度转换，然后应用高斯滤波进行图像平滑，再应用伽马变换进行图像增强；由于原始数据集中图像的灰度均
4、s200、模型改进和适应性调整：使用数据增强方法，以模拟现实场景中的各种变换；基于yolov11的原始架构，对其进行特征提取网络改进；
5、yolov11的原始架构包括用于特征提取的骨干网络（backbone）、用于特征融合的颈部（neck）以及用于最终预测的头部（head）；骨干网络通过堆叠卷积层和模块生成多尺度特征图，其中引入了c3k2模块替代上一版本的c2f模块，使用两个较小的卷积核提高计算效率；此外，yolov11保留了sppf模块，并新增了c2psa模块，后者通过空间注意力机制增强了特征图的重要区域关注；颈部结构聚合不同分辨率的特征并传递给头部进行预测，通过detect层负责输出物体的定位和分类结果。
6、数据增强方法包括：图像旋转、缩放、平移、裁剪、噪声添加和灰度值调整等，以模拟现实场景中的各种变换；加入数据增强有助于增强模型对不同裂缝形态和场景变化的适应能力；
7、s300、训练初始识别模型：进行模型训练、模型验证以及模型测试，得到目标识别模型；
8、s400、应用目标识别模型进行裂缝检测：对露天矿区及边坡采集图像应用数据预处理；使用目标识别模型对图像进行裂缝检测，输出检测结果，以表征露天矿区及边坡是否存在裂缝；
9、s500、局部区域识别：对目标识别模型的识别结果应用自适应局部阈值分割方法，进一步识别裂缝纹理，分割裂缝区域；基于区域面积、区域平均灰度值，进行连通域筛选，其中区域面积阈值与图像尺寸正相关；
10、s600、后处理：先进行形态学处理，再进行裂缝量化，得到裂缝参数。
11、优选地，s100步骤伽马变换公式为：
12、
13、其中，pout(x,y)是输出的(x,y)处的像素值；a是一个常数，用来调整输出亮度的范围；pin(x,y)是输入的(x,y)处的像素值；γ即伽马值，是一个正实数，用来控制伽马曲线的形状；
14、伽马值γ的计算公式为：
15、
16、其中，μ为该图像的平均灰度值；t为标准灰度值，当t=μ时，图像无变化；t为控制参数，用来防止图像过度增强；当图像的平均灰度值过低时，使用 计算出的伽马值过小，导致伽马变换后的图像平均灰度过高，因此引入参数t，当μ<t时，使用 计算伽马值。
17、优选地，s200步骤中数据增强是使用几何变换、噪声添加和灰度值调整，模拟现实场景中的各种变换，以增强模型对不同裂缝形态和场景变化的适应能力；
18、s200步骤中特征提取网络改进具体是：
19、s2021、将部分原始silu替换为arelu，通过注意力模块学习元素级别的残差，使得网络在深层特征提取阶段更具灵活；yolov11原始的cbs结构被替换为cba结构，包括卷积层，批归一化层和arelu激活函数；arelu包括：
20、基于元素的注意力机制模型（element-wise sign-based attention，elsa），表达式为：
21、
22、其中，xi为当前层的输入，α和β为可学习的参数，c()用来将输入变量限制在（0.01,0.99），σ是sigmoid函数；
23、原始relu函数，表达式为：
24、
25、将elsa注意力机制模型与relu函数相加，得到arelu函数：
26、
27、与传统较为复杂的注意力模型相比，arelu仅包含两个可学习参数，使得模型的结构更加简洁，计算过程也更加高效；
28、arelu函数的梯度推导如下：
29、
30、arelu能够对不同数据的梯度产生放大和缩小的效果，使得网络在训练过程中更快地达到最佳状态；这种特性能够有效提升模型性能，加快整体收敛速度；
31、s2022、在c3模块和sppf层中嵌入acmix自注意力与卷积混合模型，以实现更高效的局部与全局特征融合，并进一步增强多尺度目标检测能力；
32、s2022步骤具体过程是：
33、（1）将输入特征经过3个1×1卷积层进行线性变换，将这些投影后的特征划分为n组子集，每组特征映射包含三个通道；
34、（2）自注意力路径与卷积路径并行处理，其中自注意力路径将每个子集中的3个特征映射分别作为查询（query）、键（key）和值（value），并引入多头自注意力机制，卷积路径处理包括使用轻量化3×3卷积处理局部特征，并通过改进的sppf层进行多层次池化，更好的提取裂缝的局部纹理细节；
35、（3）自注意力路径与卷积路径的输出按照以下公式进行加权求和：
36、
37、其中，fatt为自注意力路径的输出，fconv为卷积路径的输出，α和β是可学习的权重参数，用于平衡注意力机制输出和卷积输出的贡献。
38、优选地，s300步骤具体是：
39、s301、模型训练：使用训练集本文档来自技高网...
【技术保护点】
1.一种用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于包括以下步骤：
2.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S100步骤伽马变换公式为：
3.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S200步骤中特征提取网络改进具体是：
4.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S300步骤具体是：
5.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S500步骤自适应局部阈值分割方法包括以下步骤：
6.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S600步骤形态学处理是使用膨胀和腐蚀操作，以去除小的噪点并连接裂缝的断裂部分。
7.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S600步骤在裂缝量化中通过计算裂缝骨架
8.根据权利要求1所述的用于露天矿区及其边坡的改进YOLOv11裂缝识别及量化方法，其特征在于S600步骤在裂缝量化中计算裂缝的宽度具体是：沿骨架选取均匀间隔的种子点，沿法线进行定向生长，计算平均生长长度，即为裂缝宽度。
...【技术特征摘要】
1.一种用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法，其特征在于包括以下步骤：
2.根据权利要求1所述的用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法，其特征在于s100步骤伽马变换公式为：
3.根据权利要求1所述的用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法，其特征在于s200步骤中特征提取网络改进具体是：
4.根据权利要求1所述的用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法，其特征在于s300步骤具体是：
5.根据权利要求1所述的用于露天矿区及其边坡的改进yolov11裂缝识别及量化方法，其特征在于s500步骤自适应局部...
【专利技术属性】
技术研发人员：刘梓硕，陈杰，李建东，张小强，李曼焘，
申请(专利权)人：昆明理工大学，
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。