基于TESRGAN网络的超分辨率重构井下图像方法、系统、设备、介质技术方案

本发明专利技术提供的基于TESRGAN网络的超分辨率重构井下图像方法，该方法包括将在井下相对恶劣环境下收集到的低分辨率图片输入TESRGAN网络中，先经过生成网络通过特征提取和提高分辨率，即通过残差模型进行非线性映射，再通过上层采样层和卷积层，得到根据真实图像数据重构生成的高分辨率图像数据，再通过同时将真实数据与生成的数据输入TESRGAN网络判别网络，由判别网络分辨生成数据和真实数据，获取两种图像特征，通过特征向量的比较获得LOSS值，将结果反馈给生成网络，完成生成对抗的学习过程，不断优化生成网络的分辨率重构能力，最后得到超分辨率的重构井下图像。重构之后作为目标域数据经过迁移学习得出诊断结果。数据经过迁移学习得出诊断结果。数据经过迁移学习得出诊断结果。

【技术实现步骤摘要】
基于TESRGAN网络的超分辨率重构井下图像方法、系统、设备、介质


[0001]本专利技术涉及图像识别
，具体来说是一种基于TESRGAN网络的超分辨率重构 井下图像方法、系统、设备、介质。

技术介绍

[0002]采矿工业是一种重要的原料工业,关系到国家的经济命脉。矿山开采的同时容易诱 发地表沉陷等地质灾害，造成环境污染。矿山充填是防止地表塌陷的有效手段，国内外 对已对矿山充填技术进行了大量的研究与应用。
[0003]常见充填技术主要有分级尾砂充填、全尾砂胶结充填、废石胶结充填、膏体泵送胶 结充填、磨砂胶结充填、赤泥胶结充填、高水固化胶结充填、少量的天然砂胶结充填和 干式充填等，均是以泥沙和石块等作为骨料，与胶结剂和水混合形成高浓度的砂浆，经 管道输送至采空区。由于泥沙、石块等骨料硬度高、流速快，管道内壁承受着高速冲刷， 磨损非常严重。
[0004]由于矿井管道承受着非常高的输送压力，随着管道内部的磨损，充填管道不可避免 会发生爆裂、跑浆、泄漏等现象，已成为影响矿井充填系统正常运转的最主要的安全问 题。由于充填系统的管道工本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于TESRGAN网络的超分辨率重构井下图像方法，TESRGAN网络包括生成网络和判别网络；其特征在于，所述生成网络包括若干个残差密集块RDB，每个残差密集块网络内部包含两个卷积层+LeakyRELU，以及一个残差边；所述判别网络包括不断重复的卷积层+LeakyRELU和标准化BN；方法包括以下步骤：步骤1、将低分辨率图像输入参数设定好的生成网络后经过一层卷积；步骤2、然后经过若干个残差密集块RDB，进行非线性映射；步骤3、经步骤2处理过的图像进入上采样部分以及卷积层，将长宽进行放大，重构图像；步骤4、将重构图像与真实图像混合输入判别网络，得出线性二分类结果，并将分类结果输入生成网络；步骤5、循环步骤1至步骤4生成对抗过程，得到具有生成高分辨率图像的生成网络G，将生成的高分辨率图像输入RevGrad无监督迁移学习网络，利用RevGrad无监督迁移学习网络进行分类识别训练，得出最后识别结果。2.根据权利要求1所述的基于TESRGAN网络的超分辨率重构井下图像方法，其特征在于，所述步骤1具体过程为：低分辨率图像LR输入TESRGAN网络后被分割为多个图像块，通过卷积层将图像表示成多个多维的向量，之后利用表示的多维向量来组成特征向量矩阵，生成网络的第一层卷积层表示为：F1(Y)＝max(0,W1×
Y+B1)其中Y是输入的低分辨率图像，W1为滤波器，B1为偏置，且W1＝c
×
f1×
f1×
n1，其中c是通道数量，f1是滤波器大小，n1是卷积滤波器数量。3.根据权利要求2所述的基于TESRGAN网络的超分辨率重构井下图像方法，其特征在于，所述步骤2具体过程为：经过步骤1中所得到的特征向量矩阵N1，通过卷积操作实现非线性映射，非线性映射的结果是将N1维度特征向量矩阵变换为N2维度特征向量矩阵,采用残差网络映射，将其学习到的特征标记为H(x)，则残差映射的定义为：其中表示残差单元的输出，R(x)表示残差单元结构的函数，函数σ表示的是RELU激活函数，W表示一组权重，F(x，W)表示需要学习的残差映射，h(x)表示恒等映射。4.根据权利要求3所述的基于TESRGAN网络的超分辨率重构井下图像方法，其特征在于，所述步骤3具体过程为：经过上采样层，即对放大后的图像进行上采样池化处理，采用Meta
‑
Upscale上采样处理，即有：I
SR
(i,j)＝Φ(F
LR
(i',j'),W(i,j))其中F
LR
表示由特征学习模块提取的特征，并假定缩放因子是r；对于图像上的每个像素(i,j)，都认为LR图像上像素(i',j')的特征与一组相应卷积滤波器的权重所共同决定；之后通过Location Projection、Weight Prediction、Feature Mapping三个模块，完成对不同的放缩大小的权值计算，以及在任意尺度下完成输出像素和LR特征图上的对应；其中Location Projection的计算对应公式如下：
而权重预测Weight Prediction在网络中是通过构建了两层全链接层和relu来实现的，用于预测的输入如下式所示：Feature Mapping中通过乘以权值得到最后的输出，使用双三次插值，先构建BiCubic函数，其中a＝0.5，像素位置a
ij
＝W(x)
×
W(y)，即要分别求取x，y方向的W，然后相乘作为权重；之后的计算就是对所得值进行加权，即可求出(u,v)的像素值。5.基于TESRGAN网络的超分辨率重构井下图像的系统，TESRGAN网络包括生成网络和判别网络；其特征在于，所述生成网络包括若干个残差密集块RDB，每个残差密集块网络内部包含两个卷积层+LeakyRELU，以及一个残差边；所述...

【专利技术属性】
技术研发人员：段章领，徐岳，罗辉，王晓南，解天宙，王厚斌，栗浩，胡迪，卫星，周行云，
申请(专利权)人：合肥工业大学智能制造技术研究院，
类型：发明
国别省市：