CN119516363A 一种基于深度学习网络的库区消落带岩缝图像识别方法 （重庆交通大学）

一种基于深度学习网络的库区消落带岩缝本发明公开了一种基于深度学习网络的库像样本集对岩石裂缝分割模型进行训练；步骤法对第一类识别结果进行优化得到第二类识别提高了库区消落带岸坡岩石裂缝检测的智能化2步骤S2、利用训练完毕的岩石裂缝分割模型对需要进行识合的裂缝掩膜优化算法对第一类识别结果进行优化得到第二类2.根据权利要求1所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其每一解码层都会接收来自上一解码层的输出以及与之对应在每个编码层和解码层都会分别生成一个显著性概率图，全连接层负责聚合来自所有编码和解码层的特征信息，以及各3.根据权利要求1所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其步骤S23、以Hu矩阵及Canny算子对初步裂缝掩膜进行轮步骤S25、根据RGB类通道图像所对应的第一类裂缝步骤S26、根据Lab类通道图像所对应的第一类裂缝步骤S27、将原始的目标图像转换至HSV三通道颜色分量，3分割法得到初步的裂缝掩膜图像，以裂缝掩膜图像内的图像像素点与背景区域像素点的4.根据权利要求3所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其在OpenCV中使用Hu矩阵的前三阶矩阵对初步裂缝掩膜使用Canny算子对处理后的裂缝掩膜图像进行轮廓识别判断及裂缝提取，得到第三类5.根据权利要求3所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其通过中值滤波将裂缝掩膜中可能存在的因岩石裂缝分层产生的噪通过ZhangSuen骨架提取算法来对裂缝掩膜的6.根据权利要求3所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其步骤S271、将原始裂缝图像像素值转换至HSV三通道值步骤S274、分别对比图像上所有像素点的HSV三通道值与裂缝区域、背景区域像素点像素点与背景区域像素点HSV三通道均值的最短距离Db，当满足以下公式时将所选定的像步骤S276、通过所选定的特定卷积核对所有像素4步骤S277、重新计算裂缝掩膜区域中像素点的HSV三通道均值步骤S278、循环通过步骤S272至步骤S277对裂缝掩膜7.根据权利要求3所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其RLHU]LHU]T通过最小化误差项的平方和来优化权重参数θ:通过计算的最小值从而得到最佳的权重参数θk：8.根据权利要求1所述的一种基于深度学习网络的库区消落带岩缝图像识别方法，其对于任意连续的岩石表面预先设定有统一的权重分布规律，其权重分布规律包括第一5第二规律：基于岩石表面的总面积得到预设的随总面积增大而根据岩缝的几何表征信息，判断任意岩缝位置的岩缝宽度，预先设置有根据任意岩缝位置各自对应的第二类权重分布以及第四类权重分布6提供了强大的技术支撑。而传统数字图像处理技术依赖于预设的特征和规则来识别裂缝，的分析和评估，而深度学习裂缝分割算法能很好地把图像上的裂缝从背景中分割提取出型必不可免地无法将每一张裂缝图像上的裂缝都精确[0005]有鉴于此，本发明提出一种基于深度学习网络的库区消7权融合的裂缝掩膜优化算法对第一类识别结果进行优化得到第二类识别结果；Net深度学习网络包含6层编码层和5层解码层，以及一个全连接层作8[0032]利用广度优先遍历法对目标区域进行临界联通区域检测，剔除目标区域中不相[0033]使用Canny算子对处理后的裂缝掩膜图像进行轮廓识别判断及裂缝提取，得到第并分别将掩膜部分以及背景部分的HSV三通道分量平均选定像素点与背景区域像素点HSV三通道均值的最短距离Db，当满足以下公式时将所选定[0048]步骤S277、重新计算裂缝掩膜区域中像素点的HSV三通道均值以及背景区域像素9U为掩膜MU对应权重；)_1XkTY[0074]第二规律：基于岩石表面的总面积得到预设的随总面积[0081]2.基于U2_Net的岩石裂缝分割模型在识别提取库区消落带岸坡岩石裂缝上具有的损失程度具备一定的关系，引入了权重分布规律来表示岩石损伤程度与裂缝所处位置、裂缝深度以及岩石整体厚度之间的关系来计算得到岩石整体的损[0086]图1为本发明实施例中一种基于深度学习网络的库区消落带岩缝图像识别方法的权融合的裂缝掩膜优化算法对第一类识别结果进行优化得到第二类识别结果；提高了库区消落带岸坡岩石裂缝检测的智能化和信息化水[0109]上述技术方案的工作原理和有益效果为：通过借鉴U_Net的基本设计理念提出了U2Net中，每一层的编码和解码部分通过残差U型结构使得整体网络能够在每个层次上抽是极为有效的方法。本发明实施例引入根据像素点的色彩空间属性将其分为不同的群组，的裂缝掩膜，最后利用三种优化的裂缝掩膜以及上文神经网络检测结果一起进行加权融现出显著优势。这些优点使得Otsu法成为处理复杂或质量不一的岩石裂缝图像的理想选[0123]本发明实施例对输入的裂缝图像及转化为Lab色彩空间的裂缝图像都需做相同的[0141]假设存在一个图像阈值T(0≤T≤)2[0151]在计算图像Otsu阈值时需要遍历计算L＝256个像素灰度分别对应的目标函数σ2μ[0171]对于输入的原始裂缝图像及转化为Lab三通道的裂缝图像，假设聚类迭代收敛完[0174]利用广度优先遍历法对目标区域进行临界联通区域检测，剔除目标区域中不相[0175]使用Canny算子对处理后的裂缝掩膜图像进行轮廓识别判断及裂缝提取，得到第征。这里本发明实施例就用来对裂缝掩膜轮廓进行识别判断。在OpenCV中，使用函数[0180]随后对处理过后的裂缝掩膜图像使用Canny算子进行进一步的裂缝掩膜轮廓识别并分别将掩膜部分以及背景部分的HSV三通道分量平均选定像素点与背景区域像素点HSV三通道均值的最短距离Db，当满足以下公式时将所选定[0203]步骤S277、重新计算裂缝掩膜区域中像素点的HSV三通道均值以及背景区域像素[0205]上述技术方案的工作原理和有益效果为：首先对输入裂缝图像转换至HSV三通道的图像像素点与背景区域像素点的HSV三通道均值作为聚类迭代的参考指标，以此对初步[0211]对转化为HSV三通道后的图像增强对比度并通过上述Otsu法进行阈值分割，生成初始裂缝掩膜，进而以HSV三通道分量平均值作为优化参考指标对裂缝掩膜进行迭代收敛[0229]选取掩膜图像内所覆盖的所有像素点，将所有像素点的HSV三通道值转换为三维定宽度范围内的像素点的新掩膜。计算相应像素点的最短距离Dc与Db，如若满足以下关系[0241]通过去除和添加像素点从而得到的掩膜区域，重新计算裂缝区域像素点HSV三通HU为掩膜MU对应权重；ll)_1XkTY[0266]上述技术方案的工作原理和有益效果为：像素级融合经[0268]在一个优选实施例中，还包括根据岩缝的几何表征信息对岩石破损程度进行计[0270]第二规律：基于岩石表面的总面积得到预设的随总面积规律：基于岩石表面的总面积得到预设的随总面积增大而增长的半径阈值(岩石表面积越所有第一类