龙图腾网&IPTOP
- 微信扫码登录
- 账号密码登录
- 短信登录/注册
申请/专利权人：贵州省公路工程集团有限公司
申请日：2024-04-23
公开（公告）日：2024-06-21
公开（公告）号：CN118230065A
主分类号：G06V10/764
分类号：G06V10/764;G06V10/774;G06V10/82;G06N3/096;G06N3/0464;G06V10/36
优先权：
专利状态码：在审-公开
法律状态：2024.06.21#公开
摘要：本发明涉及隧道工程技术领域，公开了一种基于深度学习的围岩等级分析方法及系统，该方法包括建立满足训练分析要求的掌子面图像数据集；采集掌子面图像样本、建立掌子面图像数据集、对掌子面图像数据集进行扩充以及预处理，获得满足训练分析要求的掌子面图像数据集；以EfficientNet为基础模型优化获得适合掌子面围岩识别的分析模型；包括：通过限定学习率和样本数对卷积神经网络结构参数进行优化、应用Dropout策略对神经网络模型训练过程优化；利用NoisyStudent网络的权重参数进行迁移学习，并在模型中添加Softmax激活函数，获得适合掌子面围岩识别的分析模型；采用得到的分析模型对待分析的掌子面图像数据集进行分析，进而预测围岩等级。
主权项：1.一种基于深度学习的围岩等级分析方法，其特征在于，包括：S1：建立满足训练分析要求的掌子面图像数据集；包括：采集掌子面图像、建立掌子面图像数据集、对掌子面图像数据集进行扩充以及预处理，获得满足训练分析要求的掌子面图像数据集；其中，掌子面图像采集时间为在隧道掌子面排险完成至衬砌台车进入到掌子面前；掌子面图像数据集的扩充方式包括采用旋转、翻转、平移中的任一或组合方式进行扩充，若扩充生成的图片中出现纯黑色的空缺部分，则采用把边缘像素对称复制的方法对其进行边界填充；S2：以EfficientNet为基础模型优化获得适合掌子面围岩识别的分析模型；包括：通过限定学习率和样本数对卷积神经网络结构参数进行优化、应用Dropout策略对神经网络模型训练过程优化；利用NoisyStudent网络的权重参数进行迁移学习，并在模型中添加Softmax激活函数，获得适合掌子面围岩识别的分析模型；S3：采用S1中建立的满足训练要求的掌子面图像数据集对S2中得到的分析模型进行训练，采用训练后的分析模型对待分析的掌子面图像数据集进行分析，获得每张图像的围岩等级，进而计算不同等级围岩在该掌子面的占比，得到该掌子面的主导围岩等级预测结果。
全文数据：
权利要求：
百度查询： 贵州省公路工程集团有限公司 一种基于深度学习的围岩等级分析方法及系统
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。
主营中国专利交易买卖与专利转让许可,高校科技成果推广与科技成果转化,知识产权运营管理与平台开发,科技人才专家库与科技猎头等科技服务
开放平台
担保交易
惠及多方
会员特惠
专属平台
适合多方
数据共享
功能齐全
皖公网安备 34010402703815号