[發明專利]一種用于深度學習的地質露頭裂縫數據集制作方法

在審

• 申請號: 201910131407.0
• 申請日: 2019-02-22
• 公開（公告）號: CN109872318A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 孔旭旭;劉善偉;池海旭;歐陽志恒
• 申請（專利權）人: 中國石油大學（華東）
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/00;G06F16/51
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明公開了一種用于深度學習的地質露頭裂縫數據集制作方法，基本步驟為：采用無人機獲取目標地區的地質露頭的原始圖像；確定樣本選區的大小；在地質露頭的原始圖像上進行露頭裂縫樣本的選取；在地質露頭的原始圖像上進行非露頭裂縫(復雜背景)樣本的選取；對露頭裂縫樣本和非露頭裂縫樣本進行標記；對標記完的樣本數據集進行質量評價，最終可得到高質量的地質露頭裂縫數據集。本發明提供的方法具有科學合理、易于實現、質量高等優點，通過對地質露頭中復雜背景巖體的分類總結和選取，制作出高質量的地質露頭裂縫數據集。

技術領域

本發明涉及圖像生成的技術領域，尤其涉及地質露頭裂縫圖像樣本生成的應用領域，具體說是一種用于深度學習的地質露頭裂縫數據集制作方法。

背景技術

地質露頭的觀察一直以來是地質工作者必不可少的研究內容，這項工作長期以來需要地質人員到達目標地區，將研究對象拍照或手繪記錄來進行統計分析，這種方式工作效率低、部分地區無法獲取數據、數據利用率低、且有一定的安全隱患。隨著深度學習的發展，模型的識別能力越來越強，已成功實現對道路橋梁中裂縫的識別。因此，對地質露頭裂縫的自動識別已成為可能，并且具有很大的實用價值。

地質露頭裂縫自動識別的第一步就是具有高質量的樣本數據集，而相比道路橋梁中的裂縫樣本，地質露頭裂縫的樣本有著更復雜的背景，識別難度更大。該方法對復雜的背景巖體進行了分類總結和選取，實現了高質量地質露頭裂縫樣本數據集的制作。

發明內容

(一)要解決的技術問題

本發明提供了一種用于深度學習的地質露頭裂縫數據集制作方法，對地質露頭復雜的地質背景進行了分類總結和選取，制作了可以用于深度學習模型的地質露頭裂縫樣本數據集。

(二)技術方案

本發明包含以下步驟：

(1)利用無人機對目標地區的地質露頭進行數據采集，得到地質露頭的原始圖像；

(2)確定樣本選區大小；

(3)根據步驟(2)所確定的樣本選區的大小，在步驟(1)所獲得的地質露頭的原始圖像上，進行露頭裂縫樣本選取；

(4)根據步驟(2)所確定的樣本選區的大小，在步驟(1)所獲得的地質露頭的原始圖像上，進行非露頭裂縫(復雜背景)樣本選取；

(5)對步驟(3)和步驟(4)中選出的露頭裂縫樣本和非露頭裂縫(復雜背景)樣本進行標記，得到標記圖像；

(6)利用深度學習模型，對標記完的樣本數據集進行質量評價。

進一步，所述步驟(1)中數據采集時分辨率優于1cm，圖像格式為2-D彩色圖像(.jpg)。

進一步，所述步驟(2)中樣本選區大小為256×256(單位：像素)。

進一步，所述步驟(4)中非露頭裂縫(復雜背景)包括：山體與山體、山體與天空交界，人工設施，地表水流痕(包含：含泥沙沉積、鹽堿沉淀、沖刷痕)，山體礫石堆積體，陰影邊界，風化淋濾帶，表層風化縫。

進一步，所述步驟(5)中，非露頭裂縫(復雜背景)標記為0，露頭裂縫標記為1，標記圖像的格式為2-D灰度圖像(.png)。

進一步，所述步驟(6)中所用深度學習模型為SegNet、GoogleNet、UNet，質量評價指標為分類精度，且都高于85％。

(三)有益效果

本發明的優點體現在：