申请/专利权人：中国地质大学(北京)

申请日：2021-06-01

公开（公告）日：2023-11-24

公开（公告）号：CN113298168B

主分类号：G06V10/82

分类号：G06V10/82;G06N3/0464;G06V10/764;G06V10/44;G06V10/52;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.11.24#授权;2021.09.10#实质审查的生效;2021.08.24#公开

摘要：本发明提供一种野外地质露头图像构造识别方法及系统，采用了深度学习构造识别模型，不需要人工操作，可以减少人力资源的消耗，极大地提高识别效率，而且可以避免因人工操作带来的误差，提高识别的准确性。另外，通过深度学习构造识别模型，可以同时确定出待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，不仅可以确定地质构造的类别以及位置，还可以实现像素级分割，进一步提高了地质构造的准确性。

主权项：1.一种野外地质露头图像构造识别方法，其特征在于，包括：获取待识别野外地质露头图像；将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到；其中，所述将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，具体包括：将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域；其中，所述深度学习构造识别模型具体通过如下方式训练得到：将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型；其中，所述野外地质露头图像样本基于如下方法确定：获取具有地质构造特征的野外地质露头图像；将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本；其中，所述野外地质露头图像为彩色图像；相应的，将所述野外地质露头图像进行图像归一化处理，具体包括：将所述野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到所述图像归一化处理的结果；其中，所述基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本，具体包括：将所述图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到所述初始野外地质露头图像样本。

全文数据：

权利要求：

百度查询： 中国地质大学(北京) 野外地质露头图像构造识别方法及系统

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD