一种基于目标检测技术的掌子面节理信息统计方法技术

本发明专利技术为一种基于目标检测技术的掌子面节理信息统计方法，属于隧道工程节理信息统计。针对传统人工对隧道掌子面节理进行观察和测量存在的效率低下、成本高等问题，本发明专利技术对节理图像的裂隙进行定位识别，基于YOLOv7目标检测模型中存在的问题进行网络结构优化，构建基于此模型参数缩减的YOLOv7

【技术实现步骤摘要】
一种基于目标检测技术的掌子面节理信息统计方法


[0001]本专利技术涉及隧道工程节理信息统计
，具体涉及一种基于目标检测技术的掌子面节理信息统计方法。

技术介绍

[0002]隧道工程和岩石工程领域中，掌子面节理的识别和分析对于评估岩体稳定性和设计合适的支护措施至关重要。大部分传统方法对掌子面节理的提取通常依赖于人工观察和测量，这种方法费时费力且容易出现主观偏差，此外，大规模隧道工程中需要处理大量的数据，人工方法的效率通常比较低下。
[0003]目标检测是一项重要的计算机视觉技术，它的主要任务是从图像中识别某个特定的目标，它可以用以具有实际应用价值的各种场景，如自动驾驶，动物检测，视觉机器人，智能家居，安防监控系统等。
[0004]目标检测技术通常会有两个步骤：物体检测和物体识别，首先，物体检测会定位图像中有物体的区域，然后根据这些区域对物体进行识别，常用的物体检测技术有基于滑动窗口技术的R
‑
CNN(region
‑
based convolutional neural network)、基于深度学习的YOLO(you only look once)等；物体识别是在检测出物体的区域之后将其识别为特定类别的过程，它可以使用深度学习技术，如卷积神经网络(CNN)、深度残差网络(ResNet)、深度可分离卷积神经网络(DS
‑
CNN)等，这些网络可以根据物体的形状、大小、颜色等特征进行识别，从而准确地识别处图像中的物体。
[0005]随着计算机视觉和深度学习的发展，目标检测技术在隧道工程中的应用开始受到关注，目标检测技术能够自动化地检测和定位图像中的目标对象，为隧道掌子面节理信息提取提供了一种新的方法。
[0006]目标检测技术能够改善传统人工观察和测量的效率低下、人力投入大、成本高等问题，在隧道掌子面节理信息提取领域具有广阔的应用前景，为岩体稳定性评估和支护设计提供更可靠的依据。

技术实现思路

[0007]针对上述已有技术中存在的问题，本专利技术旨在提供一种基于目标检测技术的掌子面节理信息统计方法，通过目标检测技术从掌子面图像中对节理进行定位识别，并以阈值分割和图像处理方法对图像进行处理，最终实现对各项节理信息参数的定量统计。
[0008]本专利技术的上述技术目的是通过以下技术方案得以实现的：
[0009]一种基于目标检测技术的掌子面节理信息统计方法，至少包括以下步骤：
[0010]S1：标记图像的节理特征，并建立节理特征图像数据集；
[0011]S2：构建YOLOv7目标检测模型，并使用步骤S1建立的节理特征图像数据集对YOLOv7目标检测模型进行训练、验证和测试；
[0012]S3：优化YOLOv7目标检测模型的网络结构，并建立YOLOv7
‑
tiny
‑
C2f目标检测模
型，使用步骤S1得到的节理特征图像数据集对YOLOv7
‑
tiny
‑
C2f目标检测模型进行训练、验证和测试；
[0013]S4：利用YOLOv7
‑
tiny
‑
C2f目标检测模型对步骤S1得到的节理特征图像数据集进行检测，对检测出的节理特征图像进行处理；
[0014]S5：对步骤S4处理后的节理特征图像进行骨架提取，获取节理信息；
[0015]S6：定量统计节理信息的各项参数。
[0016]本专利技术的进一步优选方案为，上述S1的具体过程如下：
[0017]S11：使用labelimg软件标记图像的节理特征；
[0018]S12：标记后，获得含节理位置信息的.xml文件；
[0019]S13：将步骤S12中获得的.xml文件转换为用于YOLOv7目标检测模型的VOC2007数据集样式。
[0020]本专利技术的进一步优选方案为，上述S2中YOLOv7目标检测模型具体包括：
[0021]主干网络，为在不同图像细粒度上聚合并形成图像特征的卷积神经网络；
[0022]连接部分，包括混合和组合图像特征的网络层，通过网络层将图像特征传递至预测层；
[0023]检测部分，包括预测层，通过预测层对图像特征进行预测，生成边界框并预测类别。
[0024]本专利技术的进一步优选方案为，上述S3中建立YOLOv7
‑
tiny
‑
C2f目标检测模型的具体过程为：
[0025]S31：减少主干网络中卷积层的数量；
[0026]S32：将主干网络中TransitionBlock用最大池化层取代；
[0027]S33：将C2f模块引入到主干网络中，替换主干网络中的C3模块，至此完成YOLOv7目标检测模型中主干网络的优化，从而形成YOLOv7
‑
tiny
‑
C2f模型。
[0028]本专利技术的进一步优选方案为，在上述S4中，对YOLOv7
‑
tiny
‑
C2f目标检测模型检测出的节理特征图像依次进行灰度化、图像降噪、二值化的阈值分割处理，得到二值化图像。
[0029]本专利技术的进一步优选方案为，在上述S5中，在二值化图像的基础上进行骨架提取，得到骨架提取图像。
[0030]本专利技术的进一步优选方案为，在上述S6中，基于二值化图像与骨架提取图像进行像素级几何分析，得到节理信息各项参数的定量值。
[0031]作为本专利技术公开的另一方面，一种电子识别装置，包括：
[0032]一个或多个处理器、存储器和被存储在存储器中的一个或多个程序，一个或多个程序包括用于执行上面所述的基于目标检测技术的掌子面节理信息统计方法的指令。
[0033]通过采用上述技术方案，与现有技术相比，本专利技术的有益效果为：
[0034]1、自动化和高效性：通过引入目标检测技术，隧道掌子面节理信息的提取过程可以实现自动化和高效化。相比传统的人工观察和测量方法，使用目标检测技术可以大大减少人力和时间成本，提高工作效率。
[0035]2、准确性和一致性：目标检测技术能够精确地检测和定位掌子面节理，减少了人为主观因素对结果的影响，提高了数据的准确性和一致性，这对于岩体稳定性评估和隧道支护设计具有重要意义。
[0036]3、大规模数据处理：隧道工程涉及大量的图像或视频数据，传统的人工方法在处理大规模数据时效率低下，而目标检测技术能够快速处理大量数据，同时，本专利技术针对YOLOv7模型准确率不高、主干网络复杂、对算力要求较高等问题进行优化，建立参数缩减的YOLOv7
‑
tiny
‑
C2f模型，提供高效地分析和结果输出，使得YOLOv7
‑
tiny
‑
C2f模型的准确率由原YOLOv7模型的89.73％提升至92.37％，适应大规模数据处理的需求。
[0037]4、本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于目标检测技术的掌子面节理信息统计方法，其特征在于，至少包括以下步骤：S1：标记图像的节理特征，并建立节理特征图像数据集；S2：构建YOLOv7目标检测模型，并使用步骤S1建立的节理特征图像数据集对YOLOv7目标检测模型进行训练、验证和测试；S3：优化YOLOv7目标检测模型的网络结构，并建立YOLOv7
‑
tiny
‑
C2f目标检测模型，使用步骤S1得到的节理特征图像数据集对YOLOv7
‑
tiny
‑
C2f目标检测模型进行训练、验证和测试；S4：利用YOLOv7
‑
tiny
‑
C2f目标检测模型对步骤S1得到的节理特征图像数据集进行检测，对检测出的节理特征图像进行处理；S5：对步骤S4处理后的节理特征图像进行骨架提取，获取节理信息；S6：定量统计节理信息的各项参数。2.根据权利要求1所述的一种基于目标检测技术的掌子面节理信息统计方法，其特征在于，步骤S1的具体过程如下：S11：使用labelimg软件标记图像的节理特征；S12：标记后，获得含节理位置信息的.xml文件；S13：将步骤S12中获得的.xml文件转换为用于YOLOv7目标检测模型训练的VOC2007数据集样式。3.根据权利要求1所述的一种基于目标检测技术的掌子面节理信息统计方法，其特征在于，步骤S2中YOLOv7目标检测模型具体包括：主干网络，为在不同图像细粒度上聚合并形成图像特征的卷积神经网络；连接部分，包括混合和组合图像特征的网络层，通过网络层将图像特征传递至预测层；检测部分，包括预测...

【专利技术属性】
技术研发人员：宋战平，张远，简发良，杨棚涛，赵祎睿，潘红伟，张毅佳，靳洲豪，潘荟宇，赵欣，
申请(专利权)人：中铁北京工程局集团第一工程有限公司，
类型：发明
国别省市：