[发明专利]一种地震采集接收装置埋置质量人工智能自动检测方法

权利要求书

1.一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，包括以下步骤：

S1、拍摄地震采集接收装置的野外图像，并利用拉普拉斯方差算法计算图像的方差，根据方差确定阈值大小，筛选出清晰的图像；

S2、使用labelimg标注工具对清晰的图像进行特征标注，将图像分类为合格和不合格，并保存为xml标签文件；

S3、搭建YOLOv3神经网络，设置网络参数，进行迭代训练，输出每一轮训练后的模型，按照预测准确率的评价指标选择最优预测模型；

S4、利用最优预测模型对待预测的地震采集接收装置的图像进行分类预测。

2.根据权利要求1所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S1具体实现方法为：

S11、拍摄地震采集接收装置的野外图像，输入电脑中；

S12、将图像的灰度值P与拉普拉斯算子H做卷积运算：

式中，H为拉普拉斯算子，为二阶微分算子；f(x,y)为数字图像，x、y为变量；P为图像灰度矩阵，*为卷积运算；

S13、取图像灰度值与拉普拉斯矩阵卷积后的矩阵计算方差s²：

式中，为矩阵中第i行第i列元素的值，为矩阵的均值，n为矩阵行数和列数；

S14、依次计算所有图像的方差，从清晰的图片中选择最小方差作为阈值，然后将方差大于阈值的图像加入训练集。

3.根据权利要求1所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S2具体实现方法为：依次打开训练集中的图像，标注目标区域，围绕检波器和节点仪的中心，人工用鼠标绘制矩形区域，使绘制的矩形区域能够恰好包络住检波器和节点仪；然后根据仪器要有超过一半的体积被埋入地下、四周干净整洁、未被植被及杂物遮挡的标准，将满足上述标准的图像标记为合格，否则标记为不合格，将图像标记保存为xml标签文件，形成训练集。

4.根据权利要求2所述的一种地震采集接收装置埋置质量人工智能自动检测方法，其特征在于，所述步骤S3具体实现方法为：

S31、采集仪器数据集：合格图像中人工绘制的矩形区域为Right框；不合格图像中人工绘制的矩形区域为Wrong框；分别采集Right框和Wrong框的数据x，y，w，h，C；其中，(x，y)为框的中心点的坐标，(w，h)为框的高和宽，C为图像类别；

S32、使用K-means聚类法对Right框和Wrong框的宽和高进行聚类分析；然后计算出9个锚点，尺寸为(10×13)、(16×30)、(33×23)；(30×61)、(62×45)、(59×119)；(116×90)、(156×198)、(373×326)，每三个锚点生成一个检测框，共得到三个检测框；计算Right框和Wrong框到聚类中心的距离，然后将检测框进行重新划分，更新聚类中心的值，直到聚类中心改变量收敛，则检测框与被检测目标位置接近重合；

S33、对图像的四周填加灰度，固定图像尺寸大小为416×416像素，防止图像失真；然后将图像分别划分成三种尺寸13×13、26×26、52×52的非重叠的网络单元；

S34、设置YOLOv3网络参数，训练时一轮迭代处理4个样本，图像训练前被填充灰度到416×416像素，使用BN在每次权值更新时进行正则化，权值衰减设置为0.0005，动量衰减设置为0.9，初始学习率设置为0.001，迭代次数为1000；

S35、将S33得到的图像输入YOLOv3的主干网络中进行特征提取；YOLO算法将输入的图片不断进行卷积提取特征，经过多次下采样的卷积运算，最终输出结果为52×52×256、26×26×512、13×13×1024三种不同尺寸的特征图；

S36、将K-means聚类算法得到的三个检测框尺寸平均分配到三种不同尺寸的特征图上，每个尺寸的特征图预测一定量的先验框，并生成相应的候选框，选择重合面积最大的候选框作为最终的预测框，然后根据特征图与原图的关系，将预测框其映射到原图上，定位出目标的位置，并在预测框上显示出检波器及节点仪的置信概率；

S37、每迭代20次，输出一个预测模型，总共得到50个模型；

模型的预测准确率评价指标定义为：

Precision＝Nr/N (4)

式中，Precision为模型预测准确率，Nr为预测正确的样本数量，N为总的样本数量；

S38、依次将测试集输入到每个模型中，准确率最高的即为最优预测模型。