[发明专利]基于VGG卷积神经网络的隧道围岩级别智能判定方法

权利要求书

1.基于VGG卷积神经网络的隧道围岩级别智能判定方法，其特征在于，包括如下步骤：

步骤一.采集隧道掌子面高分辨率图像数据，构建样本库；

步骤二.从步骤一得到的样本库中随机选取大于70％比例数量的样本作为训练集，剩余的作为测试集，并采用数据增广方法进行样本集的扩充,使其满足后续神经网络训练所需要的样本数量；

步骤三.构建VGG深度卷积神经网络，用于学习训练，通过训练不断降低损失函数值并更新网络权重参数，经过多次训练后，得到学习后更新了网络权重参数的神经网络；

步骤四.选择需要进行围岩分级的图像，作为卷积神经网络的输入，通过步骤三得到的卷积神经网络的迭代，并应用对应围岩分级训练集训练学习得到的网络权重参数，输出围岩对应级别预测；根据所得到的围岩级别预测，返回隧道掌子面对应的围岩分级评定结果。

2.如权利要求1所述的智能判定方法，其特征在于，所述步骤一中还包括对图像进行预处理的步骤；具体操作步骤如下：

将图像的R、G、B三个像素通道分解成单通道，对三个通道分别进行直方图均衡化，均衡化处理后的结果再进行合成，得到均衡化后的图像。

3.如权利要求1所述的智能判定方法，其特征在于，所述步骤2中数据增广可以引入imutils图像处理包对图像进行处理，具体步骤为：

调用该包的paths.list_images()函数查找从步骤一中得到的样本库的全部图像，并抓取图像路径，罗列所有文件，并将路径保存至变量imagePaths中，抓取图像的路径，将每张图像加载至内存，随后初始化图像处理包中的data和labels数组，循环遍历imagePaths，将原始像素强度调整到范围[0,1]完成图像数据预处理；

然后利用图像处理包cv2模块的imread()接口读入图像数据，并利用resize()接口将图像尺寸修改为224*224，利用img_to_array()函数将图片转化成数组，将转换后的数组存入data数组中；

从图像路径中提取类标签并更新标签列表完成多类标签的解析，将标签名添加至图像处理包的labels数组中，导入机器学习库scikit-learn库，使用LabelBinarizer()函数完成labels数组的标签二值化；

从sklearn.model_selection函数中导入train_test_split()数据包，将数据集data、标签集labels作为参数传入train_test_split()数据包；

将图像数据划分为训练集和测试集并进行数据增广。

4.如权利要求1所述的智能判定方法，其特征在于，所述步骤三中，卷积神经网络每层线性运算结果

其中w_k^[l]表示第l层的第k个卷积核,d₁为第l层的卷积核数量,b^[l]为第l层的对应层偏差；a^[l-1]表示上一层，即第(l-1)层的输出数据；

应用激活函数g对线性运算结果进行激活，得到下一层的输入层a^[l]，第l层输出特征a^[l]可以表示为

a^[l]＝g(z^l)。

5.如权利要求4所述的智能判定方法，其特征在于，所述步骤三中，逻辑回归使用的损失函数方程为：

损失函数：

其中Y_j为(第j个期望输出)，表示第j个原始的实际输出；

对应的代价函数方程为：

代价函数

其中Y_j为(第j个预测值)，表示第j个训练样本的输出值,m为输入值的个数,w,b表示不同的卷积核和偏差；

逻辑回归梯度下降计算公式为：

y为预测值，表示训练样本的输出值。