[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

本發明公開了一種自卷積注意力池化機制的掘進裝備巖石分類方法，屬于圖像識別領域。本發明的核心在于提出了一種用于巖石識別分類的注意力特征融合網絡，其利用識別對象(巖石)圖像對模型進行訓練，通過自卷積操作得到巖石的注意力特征。為了完成分類任務，本發明在網絡中提出了注意力特征融合模塊，它能有效地將圖像深度特征和注意力特征進行端到端融合和編碼。本發明通過可視化實驗和對比實驗驗證了自卷積操作和注意力特征融合模塊的有效性。與此同時，巖石識別數據集的實驗結果表明，注意力特征融合網絡在巖石識別任務的準確性和實時性方面都優于包括LSTM(掩模引導)、ABN(注意力機制)、ResNet50(全局特征)在內的現有方法。

技術領域

本發明屬于圖像識別領域，具體涉及一種基于自卷積注意力池化機制的掘進裝備巖石分類方法。

背景技術

基于視覺的控制一直是隧道掘進裝備(tunnel boring machine,TBM)的研究課題，特別是對隧道掘進機出渣的監控。其監測結果直觀地反映了地表下不同巖石類型，可為隧道掘進裝備控制提供科學參考。

深度卷積神經網絡模型(deep convolution neural network model,CNN)可以有效地學習圖像中的特征將圖像進行分類。主流的深度學習分類網絡可分為兩類:基于局部特征的分類網絡和基于全局特征的分類網絡。在基于局部特征的分類中，通常采用掩模引導和基于注意力機制的方式學習特定部分的局部特征。這些局部特征是影響分類網絡的關鍵因素。而基于全局特征的分類網絡關注的是圖像的整體屬性。

無論掩模引導網絡還是基于注意力機制的網絡，CNN網絡都是基礎結構。在早期的研究中，CNN的主干網絡結構、損失函數和訓練策略總是不同的。然而，通用流程已經被提出并應用于許多高級視覺任務，如目標檢測、識別、跟蹤等。該流程由CNN主干網絡、損耗函數和優化方法組成。

對于巖石區域特征提取有兩個主要的挑戰。

1.無監督局部特征提取。在巖石分類識別任務中我們必須把注意力集中在圖像中相對完整的石塊上，因為碎屑不能保留巖石的紋理和構造。同時，由于該任務是在工業現場進行應用，大規模圖像標注的有監督學習網絡是不適合的。

2.實時性需求。分類網絡的結果會作為視覺控制的輸入對TBM進行控制，這對分類網絡的實時性提出了需求。現有的方法為了獲得局部區域的特征，往往采用分支深度神經網絡提取局部區域的特征，這大大增加了分類網絡的復雜性。

因此，如何實現隧道掘進裝備對巖石類型的自動識別，是目前急需解決的技術問題之一。

發明內容

本發明的目的在于解決現有技術中對巖石類型難以自動識別的問題，并提供一種基于自卷積注意力池化機制的掘進裝備巖石分類方法。

本發明所采用的具體技術方案如下：

一種自卷積注意力池化機制的掘進裝備巖石分類方法，其步驟如下：

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；