[发明专利]一种边坡岩石类别自动识别的方法

说明书

本发明的一种边坡岩石类别自动识别的方法，岩质边坡岩石的分类对于边坡稳定性的分析至关重要，目前人工方法效率低且受主观因素影响，建立岩质边坡图像集分析的卷积神经网络模型，通过卷积操作和池化操作分别对80000张岩质边坡图像进行特征信息的提取和压缩，然后对网络模型进行训练从而实现了岩质边坡岩石的自动识别与分类；采用训练集和测试集中的岩质边坡图像对模型进行检验分析，训练集准确率达到了98％，测试集准确率达到了90％，显示了训练之后的网络模型具有良好的鲁棒性，能达到理想的训练效果。最终采用深度学习建立的网络模型，实现了岩质边坡岩石识别的快速化、自动化。

技术领域

本发明涉及建设工程信息化技术领域，具体是一种边坡岩石类别自动识别的方法。

背景技术

边坡不同岩石的类别和范围的划定是边坡科学研究中的基础性工作。过去往往通过复杂的仪器设备进行现场取样，人为的根据岩石的颜色、结构构造等辨识边坡岩石的种类以及不同岩石边界范围的标定，这样的过程费时费力。

常规的边坡岩石识别与分类主要有两种方法。第一种是物理试验法，即运用物理测试手段对边坡岩石进行检测。例如，采用X射线粉末衍射、扫描电镜、红外光谱、差热分析、电子探针、高光谱图像等方法进行分析。第二种是数学统计分析法，即通过传统的数学统计与计算分析对岩质边坡的分类特征进行识别与提取。例如，运用Sr和Yb作为分类特征或者综合运用多重分形局部奇异性与空间加权分析的方法识别和提取岩石异常信息。上述两类方法存在实验复杂、周期偏长、受主观影响较大等缺陷，同时无法满足现场测量评价的需要，为了可以快速准确的提取岩质边坡岩石信息，很多专家已经通过智能算法对岩石图像进行了研究：张旭等应用朴素贝叶斯K邻近算法进行了岩石图像分类；康丽萍等分别利用softmax多分类器和多分类支持向量机(SVM)实现图像分类；张嘉凡等提出了基于聚类分析算法的岩石CT图像分割及量化方法；Li et al.采用迁移学习方法对砂岩图像进行了训练，最终获得了精度较高的砂岩图像分类模型。分析上述研究进展发现存在一些不足之处：图像采用经过后续加工后的标准岩石薄片，而不是以原始状态的岩质边坡图像作为训练数据集；其次，未对边坡不同岩石的边界进行标定，无法确定边坡各类岩石的边界范围。

发明内容

为解决上述技术问题，本发明的目的是提供一种边坡岩石类别自动识别的方法，实现了岩质边坡岩石识别与边界范围划分的快速化、自动化。

本发明提供一种边坡岩石类别自动识别的方法，包括：

步骤1：采集边坡岩石图像，并对图像进行处理，建立边坡岩石图像样本库；

步骤2：建立卷积神经网络，隐藏层包括13个卷积层和5个池化层；

步骤3：对神经网络进行训练，将处理后的图像输入到卷积神经网络的卷积层进行特征提取，通过得分函数计算每张图像属于各类别的得分值，进行分类预测；

步骤4：卷积之后的特征图输入到池化层进行压缩；

步骤5：经过神经网络的反复卷积核池化操作之后，通过SVM损失函数对分类预测进行修正，通过softmax分类器将分类得分值转换成为分类概率值，进而输出图像的预测类别；

步骤6：将预测类别和实际类别做差，使用极小化误差的方法反向传播优化各权值参数，经过多次迭代后对训练进行评价，直到达到最大迭代次数，完成训练；

步骤7：通过训练好的神经网络对边坡岩石图像进行分类。

在本发明的边坡岩石类别自动识别的方法中，所述步骤1包括：

步骤1.1：采用无人机设备对岩质边坡全景图像进行采集，获取高分辨率原始图像集；

步骤1.2：对图像进行增强处理；

步骤1.3：采用Horizontal flips操作，对图像进行水平翻转；