[發明專利]基于自卷積注意力池化機制的掘進裝備巖石分類方法

有效

• 申請號: 202010722887.0
• 申請日: 2020-07-24
• 公開（公告）號: CN111881811B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 陳亮;毛維杰;劉之濤
• 申請（專利權）人: 浙江大學
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V20/52;G06K9/62;G06N3/04;G06N3/08;G06V10/80;G06V10/774
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 傅朝棟;張法高

1.一種自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，步驟如下：

S1：利用安裝于隧道掘進裝備上的視覺檢測系統獲取不同類型巖石的巖石渣塊圖像，并設置對應的分類標簽，構建巖石識別數據集；

S2：利用所述的巖石識別數據集對用于巖石識別分類的注意力特征融合網絡進行訓練；

所述注意力特征融合網絡包括CNN主干網絡模塊、自卷積注意力提取模塊和注意力融合分類模塊；

所述CNN主干網絡模塊 中，以所述的巖石渣塊圖像作為給定圖像I，以完整巖塊圖像作為對象圖像I_O，分別挖掘出給定圖像I和對象圖像I_O的深度特征F_I和F_Io；

所述自卷積注意力提取模塊中，獲取所述深度特征F_I和F_Io，并以對象圖像的深度特征F_Io為卷積核，對給定圖像I的深度特征F_I進行自卷積操作，并對卷積結果進行歸一化，得到與深度特征F_I相同大小的注意力特征A；

所述注意力融合分類模塊中，先將注意力特征A映射擴展到深度特征F_I映射通道對應的張量，然后把深度特征F_I和注意力特征A融合起來得到注意力融合特征F＝A·F_I+F_I，最后將注意力融合特征F進行平均池化后由Softmax函數獲得巖石分類概率，得到分類預測結果；

訓練過程中，計算分類預測結果與分類標簽交叉熵損失，反向優化網絡參數，訓練得到所述注意力融合特征網絡；

S3：將待識別的巖石渣塊圖像輸入訓練完畢的注意力特征融合網絡中，得到該圖像中巖塊對應的分類預測結果。

2.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的視覺檢測系統包括面陣相機、光源、傳輸帶和數據采集計算機，所述傳輸帶用于輸送隧道掘進裝備掘進過程中產生的巖石渣塊，所述光源用于對傳送帶上的巖石渣塊進行補光，所述面陣相機用于拍攝傳送帶上的巖石渣塊圖像，所述數據采集計算機用于采集并存儲面陣相機拍攝的巖石渣塊圖像。

3.如權利要求2所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的視覺檢測系統進行巖石渣塊圖像采集時，傳送帶以3-5m/s運行，面陣相機以30-70幀/秒的速度采集圖像，曝光時間設置為120ms-300ms。

4.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的注意力特征融合網絡，通過最小化交叉熵損失進行分類訓練。

5.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述CNN主干網絡中，輸入的給定圖像I均預先統一為相同大小。

6.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的巖石識別數據集中，不同類型巖石的巖石渣塊圖像均進行數據增強處理。

7.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的CNN主干網絡模塊用ImageNet預訓練的網絡權值進行初始化。

8.如權利要求1所述的自卷積注意力池化機制的掘進裝備巖石分類方法，其特征在于，所述的CNN主干網絡模塊采用ResNet50。