[发明专利]基于深度学习的岩石图像风化程度检测方法及系统在审
| 申请号： | 201910768866.X | 申请日： | 2019-08-20 |
| 公开（公告）号： | CN110472597A | 公开（公告）日： | 2019-11-19 |
| 发明（设计）人： | 唐朝国;朱泳标;张居力;杨科;张毅;董凤翔;邓蔚;齐玥;谭咏仪;侯佩佩 | 申请（专利权）人： | 中铁二院工程集团有限责任公司 |
| 主分类号： | G06K9/00 | 分类号： | G06K9/00;G06K9/40;G06K9/62;G06N3/04;G06N3/08;G01N17/00 |
| 代理公司： | 51221 四川力久律师事务所 | 代理人： | 韩洋<国际申请>=<国际公布>=<进入国 |
| 地址： | 610031 *** | 国省代码： | 四川;51 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 风化 岩石 程度检测 学习 存储图像数据 分类管理系统 图像识别技术 自动识别技术 传统人工 录入信息 人力成本 神经网络 实时识别 图像识别 现场问题 优化图像 自动检测 构建 减小 判定 网络 图像 进度 输出 分类 跟踪 共享 | ||
1.一种基于深度学习的岩石图像风化程度检测方法，其特征在于，包括：
采集岩石图像，对采集到的岩石图像进行预处理；构建基于深度学习的岩石图像风化程度检测网络；利用所述预处理后的岩石图像训练所述基于深度学习的岩石图像风化程度检测网络，优化网络参数，以使所述基于深度学习的岩石图像风化程度检测网络满足：当有岩石图像输入时，自动输出其风化程度检测结果。
2.根据权利要求1所述的方法，其特征在于，所述预处理包括：
对采集到的岩石图像做降噪处理，再将降噪后的岩石图像缩放至统一的像素值，再将缩放后的岩石图像转化成可扩展标记语言文件进行存储。
3.根据权利要求2所述的方法，其特征在于，所述可扩展标记语言文件包括：带有目标框和类别标签的真值边界框。
4.根据权利要求3所述的方法，其特征在于，所述预处理还包括：用k均值聚类法确定所述可扩展标记语言文件中用于训练所述基于深度学习的岩石图像风化程度检测网络的真值边界框。
5.根据权利要求2所述的方法，其特征在于，所述可扩展标记语言文件格式为xml格式、txt格式。
6.根据权利要求1所述的方法，其特征在于，所述基于深度学习的岩石图像风化程度检测网络包括：Darknet-53网络结构层、yolo网络特征映射交互层、边界框预测和分类回归层；
其中，所述Darknet-53网络结构层用于对输入的岩石图像数据进行特征映射，并将特征映射结果输出至yolo网络特征映射交互层；所述yolo网络特征映射交互层用于对Darknet-53网络结构层输出的特征映射结果进行分层映射，并将分层映射结果输出至边界框预测和分类回归层进行识别；所述边界框预测和分类回归层用于对yolo网络特征映射交互层的分层映射结果进行检测识别并输出。
7.根据权利要求6所述的方法，其特征在于，所述Darknet-53网络结构层中包括多个卷积层，并在每个卷积层中引入带泄露修正线性单元LeakyReLU提高网络收敛速率。
8.根据权利要求6所述的方法，其特征在于，所述yolo网络特征映射交互层由三种尺度的yolo层组成。
9.根据权利要求6-8任一所述的方法，其特征在于，在边界框预测和分类回归层中采用最小化损失函数对yolo网络特征映射交互层的分层映射结果进行检测识别。
10.一种于深度学习的岩石图像风化程度检测系统，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；所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至9中任一项所述的方法。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于中铁二院工程集团有限责任公司，未经中铁二院工程集团有限责任公司许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910768866.X/1.html，转载请声明来源钻瓜专利网。
