[1]刘　鑫,赵慧杰,武苏雯.基于Ｕ－Ｎｅｔ的岩层图像裂缝检测算法应用[J].计算机技术与发展,2021,31(05):73-78.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 013]
　,,et al.ＡｐｐｌｉｃａｔｉｏｎｏｆＵ－ＮｅｔＢａｓｅｄＲｏｃｋＦｏｒｍａｔｉｏｎＩｍａｇｅＣｒａｃｋＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍ[J].,2021,31(05):73-78.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 013]
点击复制

基于Ｕ－Ｎｅｔ的岩层图像裂缝检测算法应用()
分享到：

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
31
期数:
2021年05期
页码:
73-78
栏目:
图形与图像
出版日期:
2021-05-10

文章信息/Info

Title:
ＡｐｐｌｉｃａｔｉｏｎｏｆＵ－ＮｅｔＢａｓｅｄＲｏｃｋＦｏｒｍａｔｉｏｎＩｍａｇｅＣｒａｃｋＤｅｔｅｃｔｉｏｎＡｌｇｏｒｉｔｈｍ
文章编号:
1673-629X(2021)05-0073-06
作者:
刘　鑫1; 2; 赵慧杰1; 武苏雯1
１．中原工学院计算机学院，河南郑州４５０００７
２．武汉天宸伟业物探科技有限公司，湖北武汉４３００７１
Author(s):
ＬＩＵＸｉｎ１; ２; ＺＨＡＯＨｕｉ－ｊｉｅ１; ＷＵＳｕ－ｗｅｎ１
１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅ，ＺｈｏｎｇｙｕａｎＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，Ｚｈｅｎｇｚｈｏｕ４５０００７，Ｃｈｉｎａ
２．ＷｕｈａｎＴｅｎｓｅｎｓｅＧｅｏｔｅｃｈＣｏ．，Ｌｔｄ．，Ｗｕｈａｎ４３００７１，Ｃｈｉｎａ
关键词:
岩层图像; 裂缝检测; Ｕ－Ｎｅｔ; 批量归一化; 修正线性单元; 深度可分离卷积; 均方误差
Keywords:
ｒｏｃｋｆｏｒｍａｔｉｏｎｉｍａｇｅ; ｃｒａｃｋｄｅｔｅｃｔｉｏｎ; Ｕ－Ｎｅｔ; ｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎ; ｒｅｃｔｉｆｉｅｄｌｉｎｅａｒｕｎｉｔ; ｄｅｐｔｈｗｉｓｅｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎ; ｍｅａｎｓｑｕａｒｅｅｒｒｏｒ
分类号:
ＴＰ７５１
DOI:
10. 3969 / j. issn. 1673-629X. 2021. 05. 013
摘要:
为快速检测工程和煤矿矿山的岩层状况，实现对岩层图像的裂缝检测，提出一种基于U-Net 的岩层图像裂缝检测算法。采用随机平移与旋转的方式扩充原始数据集，使数据量为原始数据的11倍，并以扩充后的数据集为训练集，较好地解决了数据量不足的问题；图像预处理结合加权平均法和自适应中值滤波算法，保留了裂缝特征信息，提高了检测效果；新增批量归一化（batch? normalization, BN）层和修正线性单元（rectified linear unit, ReLU）激活层到网络中，用深度可分离卷积（depth wise separable convolution ,DSC）替换普通卷积，增强了网络性能，加快了模型学习速度，得到一个更快、更小的网络模型；使用Ａｄａｍ优化算法，结合均方误差（mean sqared error, MSE）损失函数处理训练模型，降低了损失值，提高了精确度。实验结果表明，相较于其他以原始U-Net网络结构为基础的算法，该算法对岩层图像的裂缝检测效果更明显，收敛速度更快，精确度更高，能较好辅助工程勘测，完成检测任务。
Abstract:
Ｔｏｑｕｉｃｋｌｙｄｅｔｅｃｔｔｈｅｒｏｃｋｆｏｒｍａｔｉｏｎｓｔａｔｕｓｏｆｅｎｇｉｎｅｅｒｉｎｇａｎｄｃｏａｌｍｉｎｅｓａｎｄｒｅａｌｉｚｅｔｈｅｃｒａｃｋｄｅｔｅｃｔｉｏｎｏｆｒｏｃｋｆｏｒｍａｔｉｏｎｉｍａｇｅｓ，ａＵ－Ｎｅｔｂａｓｅｄｒｏｃｋｆｏｒｍａｔｉｏｎｉｍａｇｅｃｒａｃｋｄｅｔｅｃｔｉｏｎａｌｇｏｒｉｔｈｍｉｓｐｒｏｐｏｓｅｄ．Ｗｉｔｈｒａｎｄｏｍｔｒａｎｓｌａｔｉｏｎａｎｄｒｏｔａｔｉｏｎｔｏｅｘｐａｎｄｔｈｅｏｒｉｇｉｎａｌｄａｔａｓｅｔ，ｔｈｅｄａｔａｖｏｌｕｍｅｉｓ１１ｔｉｍｅｓｔｈａｎｔｈｅｏｒｉｇｉｎａｌｄａｔａ，ａｎｄｔｈｅｅｘｐａｎｄｅｄｄａｔａｓｅｔｉｓｕｓｅｄａｓｔｈｅｔｒａｉｎｉｎｇｓｅｔ，ｗｈｉｃｈｂｅｔｔｅｒｓｏｌｖｅｓｔｈｅｐｒｏｂｌｅｍ ｏｆｉｎｓｕｆｆｉｃｉｅｎｔｄａｔａ．Ｉｍａｇｅｐｒｅｐｒｏｃｅｓｓｉｎｇｃｏｍｂｉｎｅｓｔｈｅｗｅｉｇｈｔｅｄａｖｅｒａｇｅｍｅｔｈｏｄａｎｄｔｈｅａｄａｐｔｉｖｅｍｅｄｉａｎｆｉｌｔｅｒａｌｇｏｒｉｔｈｍ，ｗｈｉｃｈｒｅｔａｉｎｓｔｈｅｃｈａｒａｃｔｅｒｉｓｔｉｃｉｎｆｏｒｍａｔｉｏｎｏｆｔｈｅｃｒａｃｋｓａｎｄｉｍｐｒｏｖｅｓｔｈｅｄｅｔｅｃｔｉｏｎｅｆｆｅｃｔ．ｂａｔｃｈｎｏｒｍａｌｉｚａｔｉｏｎｌａｙｅｒａｎｄｒｅｃｔｉｆｉｅｄｌｉｎｅａｒｕｎｉｔａｃｔｉｖａｔｉｏｎｌａｙｅｒａｒｅａｄｄｅｄｔｏｔｈｅｎｅｔｗｏｒｋ，ａｎｄｄｅｐｔｈｗｉｓｅｓｅｐａｒａｂｌｅｃｏｎｖｏｌｕｔｉｏｎｉｓｔｏｒｅｐｌａｃｅｏｒｄｉｎａｒｙｃｏｎｖｏｌｕｔｉｏｎ，ｓｏａｓｔｏｅｎｈａｎｃｅｔｈｅｎｅｔｗｏｒｋｐｅｒｆｏｒｍａｎｃｅ，ａｃｃｅｌｅｒａｔｅｔｈｅｍｏｄｅｌｌｅａｒｎｉｎｇｓｐｅｅｄａｎｄｏｂｔａｉｎａｆａｓｔｅｒａｎｄｓｍａｌｌｅｒｎｅｔｗｏｒｋｍｏｄｅｌ．ＴｈｅＡｄａｍｏｐｔｉｍｉｚａｔｉｏｎａｌｇｏｒｉｔｈｍｃｏｍｂｉｎｅｓｔｈｅｍｅａｎｓｑｕａｒｅｄｅｒｒｏｒｌｏｓｓｆｕｎｃｔｉｏｎｔｏｐｒｏｃｅｓｓｔｒａｉｎｉｎｇｍｏｄｅｌ，ｗｈｉｃｈｒｅｄｕｃｅｓｔｈｅｌｏｓｓｖａｌｕｅａｎｄｉｍｐｒｏｖｅｓｔｈｅａｃｃｕｒａｃｙ．ＥｘｐｅｒｉｍｅｎｔｓｈｏｗｓｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｏｔｈｅｒａｌｇｏｒｉｔｈｍｓｂａｓｅｄｏｎｔｈｅｏｒｉｇｉｎａｌＵ－Ｎｅｔｎｅｔｗｏｒｋｓｔｒｕｃｔｕｒｅ，ｔｈｅｐｒｏｐｏｓｅｄａｌｇｏｒｉｔｈｍｈａｓａｍｏｒｅｏｂｖｉｏｕｓｅｆｆｅｃｔｏｎｔｈｅｄｅｔｅｃｔｉｏｎｏｆｃｒａｃｋｓｉｎｔｈｅｒｏｃｋｆｏｒｍａｔｉｏｎｉｍａｇｅ，ｗｉｔｈｆａｓｔｅｒｃｏｎｖｅｒｇｅｎｃｅｓｐｅｅｄａｎｄｈｉｇｈｅｒａｃｃｕｒａｃｙ，ｗｈｉｃｈｃａｎｂｅｔｔｅｒａｓｓｉｓｔｔｈｅｅｎｇｉｎｅｅｒｉｎｇｓｕｒｖｅｙａｎｄｃｏｍｐｌｅｔｅｄｅｔｅｃｔｉｏｎｔａｓｋ．

相似文献/References:

[1]陶晓力,武 建,杨 坤.基于无人机视觉的桥梁裂缝检测[J].计算机技术与发展,2018,28(03):174.[doi:10.3969/ j. issn.1673-629X.2018.03.037]
　TAO Xiao-li,WU Jian,YANG Kun.Bridge Crack Detection Based on Unmanned Aerial Vehicle Vision[J].,2018,28(05):174.[doi:10.3969/ j. issn.1673-629X.2018.03.037]
[2]卞长庚,郝万君,马文琪.基于 Xception 和 SA 的 YOLOv5 建筑裂缝检测方法[J].计算机技术与发展,2023,33(08):159.[doi:10. 3969 / j. issn. 1673-629X. 2023. 08. 023]
　BIAN Chang-geng,HAO Wan-jun,MA Wen-qi.YOLOv5 Building Crack Detection Method Using Xception and SA[J].,2023,33(05):159.[doi:10. 3969 / j. issn. 1673-629X. 2023. 08. 023]
[3]武 斌,马玉静,刘宇航,等.基于 Deepcrack 网络的混凝土裂缝检测方法[J].计算机技术与发展,2024,34(04):198.[doi:10. 3969 / j. issn. 1673-629X. 2024. 04. 030]
　WU Bin,MA Yu-jing,LIU Yu-hang,et al.Concrete Crack Detection Method Based on Deepcrack Network[J].,2024,34(05):198.[doi:10. 3969 / j. issn. 1673-629X. 2024. 04. 030]

更新日期/Last Update: 2020-05-10