【技术实现步骤摘要】
本专利技术涉及基于深度学习的围岩巷道钻孔裂隙语义分割，具体涉及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。
技术介绍
1、巷道围岩钻孔裂隙的分析和评价已经成为智能矿业工程领域中一个重要的研究方向。裂隙发育病理分析及分类对现场评价围岩稳定性有着至关重要的参考意义。随着巷道开挖，致使围岩内部三大应力重新分布，破坏原有平衡状态，进而导致煤体内部裂隙变形、发育、演化形成松动圈、破碎发育区等裂隙病理区域。对安全、绿色、透明矿山工程的建设造成了巨大的威胁。
2、传统的钻孔裂隙观测分析方法需要大量的人力和时间，而且结果也难以保证准确性，并针对钻孔窥视设备在受光照不均、煤尘干扰等影响造成传统图像检测算法识别精度低的问题。随着计算机视觉在矿业工程领域的广泛应用，像素级的语义分割算法已为裂隙病理发育快速、精准分类任务提供了一种强有力的可行方法。基于图像的裂隙病理分割识别相对于传统的观察法、钻孔成像法及数字岩芯柱状图更加凸显优势。
3、常用的基于深度学习的裂隙提取算法计算量大，模型参数运算规模优化空间小，模型训练前需要对数据集进行手动重置大小，图像分辨率要求较高，分类识别效率低下，对于小目标边缘裂隙特征提取损失较大，裂隙参数量化指标提取方法未详尽说明，因此，亟需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应对上述问题。
技术实现思路
1、针对上述存在的技术不足，本专利技术的目的是提供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，其主要优化了现有的语义分割
2、为解决上述技术问题，本专利技术采用如下技术方案：
3、本专利技术提供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，包括以下步骤：
4、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；
5、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；
6、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；
7、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；
8、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；
9、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。
10、优选地，步骤s100中的构建围岩钻孔裂隙样本数据集和预处理方法具体为：
11、s1001、通过钻孔探测窥视仪录制裂隙病理视频，对导出视频进行随机抽帧取样数据集；
12、s1002、根据裂隙发育特征分为背景像素、环状裂隙、纵向裂隙、破碎区4个标签类型，采用labelme软件对裂隙轮廓进行精细标注，不像目标检测任务只给出检测边框，进而达到像素点级分割识别；
13、s1003、鉴于模型内部集成重置图像像素尺寸模块，大小为512pixel×512pixel不再对图像进行尺寸分割。
14、优选地，步骤s200中数据增强以及钻孔裂隙数据集的预处理方法步骤包括：
15、s2001、采用python软件中调用augmentor模块方法进行数据增强，其方法包括镜像、放缩、随机旋转、添加椒盐噪音、卷积处理方法对钻孔裂隙数据集进行指定数量扩充，进一步深化裂隙特征学习，数据集划分比例为训练集：验证集＝9:1；
16、s2002、针对像素集中分布问题，对采集到的数据集使用matlab进行二值均衡化，平衡像素分布，进行灰度像素级非线性拉伸，避免模型训练过程中裂隙边缘特征逐级损失。
17、优选地，步骤s300中优化模型步骤过程具体包括：
18、s3001、网络encoder阶段，采用轻量级的mobilenetv2代替传统的xception主干网络；将cbam模块拆分插入，sa模块插入mobilenetv2主干底层，提取清晰的裂隙低维通道边界信息，ca模块与aspp模块并联插入进行叠加深层特征信息，网络decoder阶段，将cbam整体插入到4倍双线性插值上采样之前，增强像素突出特征；
19、s3002、整体概括就是对优化的deeplabv3+网络提取到初始图层的两个有效特征层经过不同的处理过程之后，一方面通过mobilenetv2主干网络进行降维卷积得到浅层特征信息，使用sa模块更加注意空间位置特征，其特征层尺寸较大，分辨率高；另一方面，通过aspp模块并联ca模块进行不同空洞卷积及逐层池化，其语义特征层尺寸较小，需要通过4倍双线性插值上采样进行恢复原尺寸并与低维特征进行融合完成语义分割识别；
20、s3003、引入联合损失函数即加权交叉熵损失函数以及dice-loss函数，避免分割背景和不同类型标签像素之间的识别不平衡。
21、优选地，步骤s300阶段引入“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；模型训练分为冻结和解冻两个阶段，通过微调全连接层预训练权重参数，对钻孔裂隙测试集进行预训练权重配比的识别和分割预测，加快模型收敛速度，增强提取到的围岩裂隙突出特征。
22、本专利技术的有益效果在于：
23、1、本专利技术在像素级别精确量化了围岩钻孔裂隙最大长度、最大宽度、面积、周长等相关指标，为实现高精度、自动化识别和参数输出提出了一种可行办法。
24、2、本专利技术将围岩钻孔裂隙分割目标分为背景、环状裂隙、纵向裂隙及破碎区4个类型标签进行像素级自动化识别，节省了大量的人力识别时间消耗。
25、3、采用优化轻量级的训练主干网络，应用前者倒残差块深度可分离卷积明显降低了模型计算参数复杂度和内存规模，通过添加注意力机制改进了deeplabv3+语义分割模型，提高了模型特征学习速度，极大的降低了硬件资源开销，相对传统语义分割算法有更高的抗噪能力和模型泛化能力。
26、4、本专利技术为复杂背景下围岩裂隙病理发育检测应用提供了重要的思路和方法。
本文档来自技高网...【技术保护点】
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：
2.如权利要求1所述的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，步骤S100中的构建围岩钻孔裂隙样本数据集和预处理方法具体为：
3.如权利要求2所述的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，步骤S200中数据增强以及钻孔裂隙数据集的预处理方法步骤包括：
4.如权利要求3所述的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，步骤S300中优化模型步骤过程具体包括：
5.如权利要求4所述的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，步骤S300阶段引入“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；模型训练分为冻结和解冻两个阶段，通过微调全连接层预训练权重参数，对钻孔裂隙测试集进行预训练权重配比的识别和分割预测，加快模型收敛速度，增强提取到的围岩裂隙突出特征。
【技术特征摘要】
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：
2.如权利要求1所述的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，步骤s100中的构建围岩钻孔裂隙样本数据集和预处理方法具体为：
3.如权利要求2所述的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，步骤s200中数据增强以及钻孔裂隙数据集的预处理方法步骤包括：
4.如权利要求3所述的基于语义分割和联...
【专利技术属性】
技术研发人员：王方田，王志鹏，张洋，高朝，韦小龙，尹志华，
申请(专利权)人：中国矿业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。