申请/专利权人：中国矿业大学

申请日：2023-12-12

公开（公告）日：2024-04-02

公开（公告）号：CN117809177A

主分类号：G06V20/10

分类号：G06V20/10;G06V20/40;G06V10/26;G06V10/764;G06V10/82;G06N3/0464;G06N3/096

优先权：

专利状态码：在审-实质审查的生效

法律状态：2024.04.19#实质审查的生效;2024.04.02#公开

摘要：本发明公开了一种基于语义分割和联合损失函数的巷道围岩裂隙识别方法，包括构建、标注三种类型标签围岩钻孔裂隙数据集；数据增强与像素二值化均衡预处理；对增强后的钻孔数据集进行像素级分割；引入双阶段迁移学习训练模型；使用训练好改进的Deeplabv3+模型对钻孔裂隙测试集进行识别，并通过MIoU、PA进行分割效果评价；将预测的不同类型标签裂隙分割图像批量导入ImageJ软件进行设置像素图例标尺，得到实际长度参数。本方法在降低模型规模量级的同时确保从岩层中精准快速提取到环状裂隙、纵向裂隙及破碎区的深度特征信息，并得到细观裂隙量化指标，实现了围岩钻孔裂隙的自动化识别，为巷道围岩失稳评价提供了更可靠的参考依据。

主权项：1.基于语义分割和联合损失函数的巷道围岩裂隙识别方法，其特征在于，包括以下步骤：S100：采用钻孔窥仪收集大量围岩内部情况视频数据，通过视频随机抽帧建立围岩钻孔裂隙数据库并进行精细标注，得到环状裂隙、纵向裂隙、破碎区三种标签类型；S200：通过Python软件中调用Augmentor模块方法进行数据增强达到扩充围岩钻孔裂隙数据集的目的，并进行像素二值均衡化预处理；S300：通过引入CBAM注意力机制和联合损失函数改进的Deeplabv3+语义分割算法模型对增强后的钻孔数据集进行像素级分割；S400：引入“Cityscapes数据集-自制实验室岩块压裂数据集”双阶段的迁移学习训练模型；S500：使用上述训练好改进的Deeplabv3+模型对钻孔裂隙测试集进行分类识别，并使用均交并比和平均像素精度对分割效果进行评价；S600：将提取到的裂隙预测识别特征结果导入到ImageJ软件中进行量化提取的围岩裂隙走向、最大长度、最大宽度、面积、周长指标。

全文数据：

权利要求：

百度查询： 中国矿业大学 基于语义分割和联合损失函数的巷道围岩裂隙识别方法

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