[發(fā)明專利]一種邊坡巖石類別自動識別的方法

在審

• 申請?zhí)枺?/td>: 201910536761.1
• 申請日: 2019-06-20
• 公開（公告）號: CN110232419A
• 公開（公告）日: 2019-09-13
• 發(fā)明（設(shè)計）人: 王述紅;王鵬宇;朱承金;張紫杉
• 申請（專利權(quán)）人: 東北大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 沈陽優(yōu)普達知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 21234
• 代理人: 陳曦

1.一種邊坡巖石類別自動識別的方法，其特征在于，包括：

步驟1：采集邊坡巖石圖像，并對圖像進行處理，建立邊坡巖石圖像樣本庫；

步驟2：建立卷積神經(jīng)網(wǎng)絡(luò)，隱藏層包括13個卷積層和5個池化層；

步驟3：對神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，將處理后的圖像輸入到卷積神經(jīng)網(wǎng)絡(luò)的卷積層進行特征提取，通過得分函數(shù)計算每張圖像屬于各類別的得分值，進行分類預(yù)測；

步驟4：卷積之后的特征圖輸入到池化層進行壓縮；

步驟5：經(jīng)過神經(jīng)網(wǎng)絡(luò)的反復(fù)卷積核池化操作之后，通過SVM損失函數(shù)對分類預(yù)測進行修正，通過softmax分類器將分類得分值轉(zhuǎn)換成為分類概率值，進而輸出圖像的預(yù)測類別；

步驟6：將預(yù)測類別和實際類別做差，使用極小化誤差的方法反向傳播優(yōu)化各權(quán)值參數(shù)，經(jīng)過多次迭代后對訓(xùn)練進行評價，直到達到最大迭代次數(shù)，完成訓(xùn)練；

步驟7：通過訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對邊坡巖石圖像進行分類。

2.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟1包括：

步驟1.1：采用無人機設(shè)備對巖質(zhì)邊坡全景圖像進行采集，獲取高分辨率原始圖像集；

步驟1.2：對圖像進行增強處理；

步驟1.3：采用Horizontal flips操作，對圖像進行水平翻轉(zhuǎn)；

步驟1.4：再采用Random crops操作，對圖像進行裁剪，將圖片調(diào)整為224×224的大小，構(gòu)成圖像樣本庫。

3.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟2中構(gòu)建的卷積神經(jīng)網(wǎng)絡(luò)包括依次連接的輸入層、第一卷積層、第二卷積層、第一池化層、第三卷積層、第四卷積層、第二池化層、第五卷積層、第六卷積層、第七卷積層、第三池化層、第八卷積層、第九卷積層、第十卷積層、第四池化層、第十一卷積層、第十二卷積層、第十三卷積層、第五池化層和全連接層。

4.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟3中得分函數(shù)為：

式中，f(x,y)表示邊坡巖石圖像上點(x,y)的灰度值，w(x,y)表示卷積核，在卷積之前圖像輸入的大小為W₁×H₁×D₁，卷積過程中需要指定的超參數(shù)為卷積核filter的個數(shù)K，filter的大小F，stride步長S，pad邊界填充P，經(jīng)過一次卷積操作后圖像輸出的大小為W₂×H₂×D₂：

W₂＝(W₁-F+2P)/S+1

H₂＝(H₁-F+2P)/S+1

D₂＝K

使用ReLU函數(shù)作為激活函數(shù)：f(x)＝max(0,x)，當x≤0時，當x＞0時，

5.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟4中采用最大池化計算方法，池化核大小設(shè)定為2×2，stride取2。

6.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟5中SVM損失函數(shù)為：

其中，s_j表示預(yù)測結(jié)果屬于錯誤類別的得分，表示預(yù)測結(jié)果屬于正確類別時的得分。

7.如權(quán)利要求1所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟5中softmax函數(shù)為：

其中，輸入值是一組向量，向量中各元素為所有類別的評分值，結(jié)果輸出一組向量，向量中每個元素值在0到1之間，且所有元素之和為1，式中Z_j表示邊坡巖石圖像屬于正確類別時的得分，Z_k表示圖像屬于錯誤類別時的得分。

8.如權(quán)利要求7所述的邊坡巖石類別自動識別的方法，其特征在于，所述步驟5中得分值轉(zhuǎn)化為概率值時采用如下式所示的損失函數(shù)：

式中，f_yi表示邊坡巖石圖像屬于正確類別時的概率值，f_j表示圖像屬于錯誤類別時的概率值。