[發明專利]基于VGG卷積神經網絡的隧道圍巖級別智能判定方法

在審

• 申請號: 202010149085.5
• 申請日: 2020-03-05
• 公開（公告）號: CN113112447A
• 公開（公告）日: 2021-07-13
• 發明（設計）人: 李天斌;楊罡;馬春馳
• 申請（專利權）人: 成都理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62;G06N3/04;G06N3/08;G06T5/40;G06T5/00
• 代理公司: 成都東唐智宏專利代理事務所(普通合伙) 51261
• 代理人: 羅言剛

1.基于VGG卷積神經網絡的隧道圍巖級別智能判定方法，其特征在于，包括如下步驟：

步驟一.采集隧道掌子面高分辨率圖像數據，構建樣本庫；

步驟二.從步驟一得到的樣本庫中隨機選取大于70％比例數量的樣本作為訓練集，剩余的作為測試集，并采用數據增廣方法進行樣本集的擴充,使其滿足后續神經網絡訓練所需要的樣本數量；

步驟三.構建VGG深度卷積神經網絡，用于學習訓練，通過訓練不斷降低損失函數值并更新網絡權重參數，經過多次訓練后，得到學習后更新了網絡權重參數的神經網絡；

步驟四.選擇需要進行圍巖分級的圖像，作為卷積神經網絡的輸入，通過步驟三得到的卷積神經網絡的迭代，并應用對應圍巖分級訓練集訓練學習得到的網絡權重參數，輸出圍巖對應級別預測；根據所得到的圍巖級別預測，返回隧道掌子面對應的圍巖分級評定結果。

2.如權利要求1所述的智能判定方法，其特征在于，所述步驟一中還包括對圖像進行預處理的步驟；具體操作步驟如下：

將圖像的R、G、B三個像素通道分解成單通道，對三個通道分別進行直方圖均衡化，均衡化處理后的結果再進行合成，得到均衡化后的圖像。

3.如權利要求1所述的智能判定方法，其特征在于，所述步驟2中數據增廣可以引入imutils圖像處理包對圖像進行處理，具體步驟為：

調用該包的paths.list_images()函數查找從步驟一中得到的樣本庫的全部圖像，并抓取圖像路徑，羅列所有文件，并將路徑保存至變量imagePaths中，抓取圖像的路徑，將每張圖像加載至內存，隨后初始化圖像處理包中的data和labels數組，循環遍歷imagePaths，將原始像素強度調整到范圍[0,1]完成圖像數據預處理；

然后利用圖像處理包cv2模塊的imread()接口讀入圖像數據，并利用resize()接口將圖像尺寸修改為224*224，利用img_to_array()函數將圖片轉化成數組，將轉換后的數組存入data數組中；

從圖像路徑中提取類標簽并更新標簽列表完成多類標簽的解析，將標簽名添加至圖像處理包的labels數組中，導入機器學習庫scikit-learn庫，使用LabelBinarizer()函數完成labels數組的標簽二值化；

從sklearn.model_selection函數中導入train_test_split()數據包，將數據集data、標簽集labels作為參數傳入train_test_split()數據包；

將圖像數據劃分為訓練集和測試集并進行數據增廣。

4.如權利要求1所述的智能判定方法，其特征在于，所述步驟三中，卷積神經網絡每層線性運算結果

其中w_k^[l]表示第l層的第k個卷積核,d₁為第l層的卷積核數量,b^[l]為第l層的對應層偏差；a^[l-1]表示上一層，即第(l-1)層的輸出數據；

應用激活函數g對線性運算結果進行激活，得到下一層的輸入層a^[l]，第l層輸出特征a^[l]可以表示為

a^[l]＝g(z^l)。

5.如權利要求4所述的智能判定方法，其特征在于，所述步驟三中，邏輯回歸使用的損失函數方程為：

損失函數：

其中Y_j為(第j個期望輸出)，表示第j個原始的實際輸出；

對應的代價函數方程為：

代價函數

其中Y_j為(第j個預測值)，表示第j個訓練樣本的輸出值,m為輸入值的個數,w,b表示不同的卷積核和偏差；

邏輯回歸梯度下降計算公式為：

y為預測值，表示訓練樣本的輸出值。