ISSN 1003-8035 CN 11-2852/P
  • 中国科技核心期刊
  • CSCD收录期刊
  • Caj-cd规范获奖期刊
  • Scopus 收录期刊
  • DOAJ 收录期刊
  • GeoRef收录期刊
欢迎扫码关注“i环境微平台”

基于全卷积神经网络的花岗岩中不同组分分布特征分析

朱楚雄, 徐金明, 钟传江

朱楚雄, 徐金明, 钟传江. 基于全卷积神经网络的花岗岩中不同组分分布特征分析[J]. 中国地质灾害与防治学报, 2021, 32(1): 127-134. DOI: 10.16031/j.cnki.issn.1003-8035.2021.01.17
引用本文: 朱楚雄, 徐金明, 钟传江. 基于全卷积神经网络的花岗岩中不同组分分布特征分析[J]. 中国地质灾害与防治学报, 2021, 32(1): 127-134. DOI: 10.16031/j.cnki.issn.1003-8035.2021.01.17
Chuxiong ZHU, Jinming XU, Chuanjiang ZHONG. Distributions of various compositions in granite specimen using fully convolutional network[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(1): 127-134. DOI: 10.16031/j.cnki.issn.1003-8035.2021.01.17
Citation: Chuxiong ZHU, Jinming XU, Chuanjiang ZHONG. Distributions of various compositions in granite specimen using fully convolutional network[J]. The Chinese Journal of Geological Hazard and Control, 2021, 32(1): 127-134. DOI: 10.16031/j.cnki.issn.1003-8035.2021.01.17

基于全卷积神经网络的花岗岩中不同组分分布特征分析

基金项目: 国家自然科学基金项目(41472254);中国铁建股份有限公司科技研究开发计划项目(17-C13)
详细信息
    作者简介:

    朱楚雄(1994-),男,湖南汝城人,硕士,主要从事岩土工程的科研工作。E-mail: zcxiong2017@163.com

    通讯作者:

    徐金明(1963-),男,江苏南通人,博士,教授,博士生导师,主要从事工程地质与岩土工程的教学与科研工作。E-mail: xjming@163.com

  • 中图分类号: P642

Distributions of various compositions in granite specimen using fully convolutional network

  • 摘要: 岩石中不同组分的分布特征是研究岩石物理力学性质的重要基础。本文以花岗岩为例,使用全卷积神经网络(FCN)和单轴压缩试验视频来研究花岗岩不同组分(裂隙、黑云母、石英、长石)的分布特征。将视频中单帧图像进行灰度转换和像素裁剪后,使用肉眼判定方法将4种组分进行标记并制成基础数据集,建立并训练了相应的FCN,通过对不同卷积层的可视化操作探讨了花岗岩中不同组分的分布情况,研究了整个变形破坏过程岩石中不同组分分布的变化特征,分析了不同组分识别准确率的变化情况及主要因素(网络深度、初始学习率和网络迭代次数)的影响。结果表明,在花岗岩的整个变形破坏过程中,裂隙首先在中部区域萌生、最后纵向贯穿整个岩石表面,黑云母组分分布分散且不断向左上方或右上方移动,石英主要集中在两侧区域,长石主要集中在中间和左上角区域;不同组分识别准确率逐步小幅度下降,准确率大小顺序是裂隙>黑云母>长石>石英;网络深度越深、初始学习率越大、则识别效果越好,迭代次数5000时的识别效果较好。研究结果对使用人工智能技术研究岩石中不同组分分布特征具有一定的参考价值。
    Abstract: The distributions of various compositions are the fundamental issues in studying the physical and mechanical properties of rock material. In this study, fully convolutional network (FCN) and the video images photographed during the uniaxial compression test were used to study the distribution of various compositions (including crack, quartz, feldspar and biotite) in the granite specimen. After converting into the grayscale image and cropping the specimen in each frame extracted from the video image, the compositions are labeled to make a ground data set using the naked eye judgment method. A corresponding FCN is then established and trained. The distributions of these compositions are furthermore examined by visualizing various convolutional layers. The evolution features and influencing factors (including network depth, initial learning rate, and iterations) of the recognitions during the whole deformation/failure process were investigated. It shows that during the total deformation/failure process of the granite specimen the crack initiated in the central region and penetrated through the surface longitudinally, the biotite dispersedly distributed and moved continuously to the upper left or upper right parts, the quartz concentrated mainly in the sides, while the feldspar concentrated mainly in the middle and upper left parts; the recognition accuracy of various compositions decreased slightly with a descending order of crack > biotite > feldspar > quartz; the recognition was better with a deeper FCN and a greater initial learning rate, the recognition was good if the iteration is set at 5000. The above results may be referable in studying the distribution features of various compositions in rock by using of artificial intelligence.
  • 确定岩石中不同组分的实际分布,是分析岩石物理力学性质的重要基础,对分析岩石变形破坏过程具有重要意义。对于一幅岩石图像来说,确定不同组分分布的核心是确定不同位置组分的类别,本质上是对岩石图像进行图像分割处理。目前,图像分割的常规方法是阈值分割法和聚类法,利用图像中不同组分的颜色、轮廓、纹理等特征来确定类别。但使用常规图像分割方法确定组分类别,效果往往不能令人满意。

    使用图像分割的方法确定岩石中不同组分的类别已经进行了很多研究。徐永进等[1]根据CT图像中相邻图像的直方图相似性来确定岩石中不同组分的分割阈值;张嘉凡等[2]基于相似性度量标准的改进聚类分析,对岩石CT图像进行了图像分割和损伤量化分析;钱庆波等[3]使用点选法和阈值分割技术,得到花岗岩中不同组分的分布情况;朱赛楠等[4]使用迭代最佳阈值算法提取了岩石CT图像中的损伤区域;刘春等[5]使用改进种子算法分割岩石图像中的颗粒和孔隙,研究了岩石中微观颗粒与孔隙形状复杂度的变化;简文星等[6]编写了利用Sobel算子进行边缘检测、进而对岩石图像中不同组分进行阈值分割的岩石裂隙检测系统。

    近年来,随着人工智能技术的发展,使用深度学习确定物体中不同组分分布的研究取得了很多进展。与传统图像识别方法相比,使用深度学习算法进行图像分割的精确度更高,可以将比较复杂的目标识别出来。KRIZHEVSKY等[7]使用ReLU算法作为激活函数的激活层和防止模型过拟合的Dropout层,设计了经典卷积神经网络AlexNet,促进了深度学习算法的应用;SIMONYAN和ZISSERMAN[8]建立了VGGNet网络,分析了卷积神经网络(CNN)中网络深度和网络性能之间的关系;GIRSHICK等[9-13]通过在感兴趣区域上单独进行卷积网络评估和边框目标检测的方法,构建了区域卷积网络R-CNN(Region-based CNN),并在几次改进之后得到了Mask R-CNN网络;BADRINARAYANAN等[14]使用编码层、解码层和像素分类层建立了SegNet图像分割网络;LONG等[15]提出了端到端、像素到像素的全卷积神经网络(Fully convolutional networks,FCN),可以有效解决图像中不同组分类型的确定问题。

    在农业、生物和医学等领域,使用全卷积神经网络进行图像分割也取得了一些成果。王振等[16]通过改进全卷积神经网络中的激活函数和分类器,改善了黄瓜叶部病斑的图像分割效果;黄英来等[17]采用基于跳跃连接的全卷积神经网络分割技术,进行林木图像的图像分割;RONNEBERGER等[18]使用具有数据增强功能的全卷积神经网络,对细胞图像中的神经元结构进行图像分割;黄龙等[19]利用层间融合方法,构建了用于室内场景分割的全卷积神经网络;郑婷月等[20]利用多尺度特征融合技术来改进全卷积神经网络,进行了视网膜血管的图像分割研究。

    虽然深度学习方法取得了很多进展,在不同领域应用也获得了丰硕成果,但是将深度学习方法用于确定岩石中不同组分的位置与类别,目前研究成果还不多。本文拟以花岗岩为例,根据抽取岩石单轴压缩试验视频中的单帧图像,在建立不同组分数据集的基础上,使用全卷积神经网络(FCN)确定图像中任意位置的组分类别,进而使用试验视频分析不同组分分布及其识别准确率随时间的变化情况;探讨网络深度、初始学习率和网络迭代次数等参数对识别正确性的影响。

    试验所用岩石为花岗岩,相应岩块取自甘肃省玉门市北山地区。将岩块切割并磨光制成100 mm × 50 mm × 50 mm的标准试块,采用单轴压缩试验机对试块进行加载,试验时同时拍摄视频。

    为了减小后续计算量,在试块变形破坏过程的280 s内每隔1 s选取一帧图像,总共得到280张图像。将所有单帧图像转换成灰度图像并裁剪成238 px × 238 px,每个像素实际宽度为0.17 mm/px,如图1所示。

    根据岩石中不同组分的形态和颜色特征,使用肉眼判定方法来识别岩石中4种不同组分的类型,将不同组分的实际分布标记出来,制成标签数据集。数据集中的标签分为4类,对应花岗岩中裂隙、黑云母、石英、长石4种细观组分,如图2所示。图2中,白色像素为不同组分的实际位置,黑色像素为背景。

    图  1  用于制作数据集的单帧图像
    Figure  1.  Frames in making dataset
    图  2  花岗岩中不同组分的标签图像
    Figure  2.  Labeled images of various compositions in granite

    普通卷积神经网络(CNN)结构由卷积层、池化层、激活层和全连接层(Fully connected layer)等组成。花岗岩图像经过一系列卷积、池化和激活操作,进入有分类器作用的全连接层后会丢失空间坐标,只能得到图像中不同组分类别的概率[21]。比如,取花岗岩图像右上角一部分区域输入CNN网络中进行识别,只得到图像中黑色色块为黑云母组分的概率,但无法识别周围灰色和白色部分的组分类别、也无法得到不同组分的具体位置信息,如图3(a)所示。

    全卷积神经网络(FCN)将普通卷积神经网络(CNN)中的全连接层修改成卷积核为1×1的全卷积层(Fully convolutional layer),使用像素类型分类层将每个像素点映射到不同组分的分类,进而对每一个像素点进行分类,并保留像素的空间坐标信息[15]。利用所建全卷积神经网络对花岗岩图像中4种组分进行识别,得到不同组分的实际分布情况,如图3(b)所示。

    图  3  不同网络中花岗岩组分的识别过程
    Figure  3.  Identification process of compositions in granite using various networks

    本文建立的全卷积神经网络包含5个网络模块,分别是:输入层、下采样模块(Downsampling)、上采样模块(Upsampling)、像素类型分类模块和输出层,如图4所示。

    图  4  全卷积神经网络
    Figure  4.  Fully convolutional network (FCN)

    图4中,图像输入层定义了网络训练时输入的图像大小及图像颜色通道数,输入的图像是前述得到的数据集。研究时,将数据集分为训练集和测试集,4种组分的训练集图像均为200组,测试集图像均为80组。

    下采样模块的功能是不断缩小图像并提取图像中各组分的特征,该模块包括5个卷积层(Convolutional layer)、5个ReLU层(Rectified Linear Unit,线性整流函数)和2个最大池化层(Max pooling layer)。其中,卷积层的目的是压缩图像大小,提取不同组分的颜色、几何、位置等信息;ReLU层的目的是增加稀疏性、激活一部分神经元;最大池化的目的是压缩图像大小,减少计算的复杂度,提取图像中不同组分的主要特征。上采样模块的功能是提取各组分特征后将图像还原回原来的大小,该模块包括2个转置卷积层(Transposed convolution layer)和2个ReLU层,转置卷积层是卷积过程的转置操作,能够按照像素的颜色和位置信息将图像还原回原来的尺寸。像素类型分类模块包括1个全卷积层、1个Softmax层和1个像素分类层。Softmax层是对全卷积后的图像进行归一化处理,像素分类层则进行像素类别的确定。

    为了防止网络调整速度过慢、出现过拟合的情况,将初始学习率设置为0.008;为了提高网络训练效率,将训练集中标签图像分成4个批次、网络训练周期设为100。所建全卷积神经网络中各层参数如表1所示。

    表  1  全卷积神经网络的各层参数
    Table  1.  Parameters used in FCN
    层序名称-2603519748500卷积核步长边缘填充像素
    数量大小
    1图像输入层238×238×1
    2卷积层1643×3[1 1][1 1 1 1]
    3ReLU层1
    4最大池化层112×2[2 2][0 0 0 0]
    5卷积层2643×3[1 1][1 1 1 1]
    6ReLU层2
    7卷积层3643×3[1 1][1 1 1 1]
    8ReLU层3
    9卷积层4643×3[1 1][1 1 1 1]
    10ReLU层4
    11卷积层5643×3[1 1][1 1 1 1]
    12ReLU层5
    13最大池化层512×2[2 2][0 0 0 0]
    14转置卷积层1644×4[2 2][-1-1-1-1]
    15ReLU层1_1
    16转置卷积层2644×4[2 2][0 0 0 0]
    17ReLU层2_1
    18全卷积层41×1[1 1][0 0 0 0]
    19Softmax层
    20像素分类层
    21图像输出层238×238×1
    下载: 导出CSV 
    | 显示表格

    将标记好的标签图像数据集输入到全卷积神经网络中进行训练,让网络自行学习数据集中不同组分标签的特征属性。经过反复迭代调整后,得到用于花岗岩不同组分识别的FCN网络。

    全卷积神经网络训练完成之后根据网络各层结构,将各卷积层、转置卷积层和全卷积层按照网络的搭建顺序进行可视化处理,研究不同卷积核“学习”到的特征,如图5所示。

    图  5  全卷积网络中不同卷积层的可视化结果
    Figure  5.  Visualization of convolutional layers in fully convolutional network

    图5可以看出,第1个卷积层(cov1)将不同组分的颜色信息提取了出来;第2个卷积层(cov2)能够初步识别不同组分的轮廓、颗粒大小等形状特征;随着卷积层深度的加大,不同组分形态特征和颜色特征不断被抽象化;第5个卷积层(conv5)已经基本再现了不同组分的形状特征和颜色特征;再经过两层转置卷积层(Trans1和Trans2),图像的局部信息被逐渐恢复;通过全卷积层、Softmax层和像素分类层,最终识别了花岗岩图像中的不同组分类别。

    全卷积神经网络的组分识别结果可能存在少量误差。将输出图像和原图像对比可知,就裂隙和黑云母而言,裂隙右侧有极少量黑云母组分被识别成裂隙,中间区域顶部和底部有一部分裂隙被识别成黑云母组分;就石英和长石来说,两种组分交界处界限不是很明显、交界处识别出现了一些误差,例如左上角区域石英被识别成长石,中部区域裂隙周围长石被识别成石英。但总体而言,全卷积神经网络有很强的图像分割能力,岩石中大部分位置的组分被很好地识别出来。

    观察花岗岩从开始变形到完全破坏的整个过程,可以将外荷作用下花岗岩的变形破坏过程分为A、B、C三个阶段:0~58 s的阶段A为变形阶段,岩石表面微观裂隙逐渐发展为宏观裂隙;59~197 s的阶段B为渐进破坏阶段,宏观裂隙宽度和长度持续增大;198~280 s的阶段C为完全破坏阶段,宏观裂隙长度达到最大、宽度持续增加。

    利用训练好的全卷积神经网络对变形破坏过程时图像中不同组分进行识别,得到不同组分分布随时间的变化情况,如图6所示。

    图  6  花岗岩不同组分分布随时间的变化
    Figure  6.  Time-variation of distribution of various compositions in granite

    图6可以看出,在变形阶段,裂隙首先出现在岩样中间偏上部的位置然后向上下两端延伸,在50 s时岩样中间偏下位置出现第2条裂隙并不断向中间和底部延伸。黑云母的面积较小,呈现为分散的点状分布,位移不明显。石英呈现为均匀的块状分布,相互之间连结紧密,中间石英向左右两侧移动。长石主要以片状集中分布在左上角区域,部分以点状和块状分散在其他区域,中间部分向左右两侧轻微移动。

    在渐进破坏阶段,开始时第1条裂隙向上延伸于接近岩样顶端,向下与第2条裂隙几乎相连,然后上下两条裂隙连通,纵向贯穿于岩石表面并将岩石分为左右两个区域,且裂隙宽度不断增大;黑云母在岩样左侧时往左上移动,在右侧时往右上移动;石英在岩样中间时被大量压裂,没有被压裂的则向两侧移动;长石在岩样中间也被大量压裂,周围长石向两侧大幅移动。

    在完全破坏阶段,裂隙宽度持续增大并没有迅速出现新生裂隙;黑云母基本分散出现在岩样中间区域,位移持续增大;石英基本分布在岩样两侧区域,位移也逐步增大;长石在岩样左上角区域增多,持续向左右两侧移动。

    由上可知,在花岗岩整个变形破坏过程中,裂隙在中部区域萌生,最后纵向贯穿了整个岩石表面。黑云母组分分布比较分散且不断向左上方或右上方移动。石英集中分布在两侧区域,长石集中分布于岩样中间区域和左上角区域。石英和长石在岩样中间区域均遭受破坏且多向左右两侧移动。

    研究时,本文使用两个定量指标来评价所建全卷积神经网络对岩石单帧图像中不同组分的识别效果。这两个指标是:

    (1)准确率(Accuracy),即某一组分类别正确分类的像素数量与标签上该类别像素数量之比;

    (2)全局准确率(Global Accuracy, GA),即所有组分类别正确分类的像素数量与图像总像素数量的比值,计算公式如下:

    GA=CN+QN+FN+BNTN (1)

    式中,CNQNFNBN分别为对裂隙、黑云母、石英、长石进行正确分类的像素数,TN为图像总像素数。GA的变化范围是[0, 1]。GA越大,识别效果越好。

    使用准确率作为评估参数,利用已经训练好的全卷积神经网络对变形破坏过程中岩石中的不同组分进行识别,得到识别准确率随时间的变化情况,如图7所示。

    图  7  花岗岩中不同组分识别准确率随时间的变化
    Figure  7.  Accuracy of recognition of various compositions on granite with time

    图7可知,裂隙识别的准确率为98%左右,但在60 s左右时有小幅降低;黑云母识别的准确率为95%左右,在60,150,200 s左右时有小幅下降;长石识别的准确率为83%左右但波动较大,在60 s左右时明显下降,70 s左右时为85%左右,200 s后下降较大;石英识别的准确率为75%~80%波动,60 s左右明显下降,70 s左右时为80%左右,200 s后下降幅度较大。

    由此可知,花岗岩中不同组分识别准确率大小顺序是:裂隙>黑云母>长石>石英。加压至60 s左右时岩石从变形阶段转到破坏阶段,各组分识别的准确率均会下降;200 s后岩石完全破坏,岩石中黑云母、长石和石英这三种基本组分识别的准确率不断降低。

    将网络深度、初始学习率和网络迭代次数作为影响因素,使用全局准确率来评估因素所建FCN识别效果的影响。FCN的网络深度取3个,分别是17层(拥有3个卷积层和5个ReLU层)、19层(拥有4个卷积层和6个ReLU层)、21层(拥有5个卷积层和7个ReLU层);初始学习率r分别取0.001、0.002、0.004、0.006、0.008;网络迭代次数分别取2600、5000、6600。不同因素下所建FCN识别效果的计算结果如表2所示。

    表  2  所建FCN的全局准确率计算结果
    Table  2.  Global Accuracies of established FCN
    网络深度网络迭代次数初始学习率r
    0.0010.0020.0040.0060.008
    17层26000.8470.8480.8550.8630.871
    50000.8490.8540.8730.8640.887
    66000.8510.8550.8570.8640.874
    19层26000.8490.8570.8640.8660.874
    50000.8510.8630.8840.8780.894
    66000.8540.8610.8740.8690.877
    21层26000.8480.8600.8740.8810.875
    50000.8470.8660.8910.8960.900
    66000.8550.8750.8820.8800.883
    下载: 导出CSV 
    | 显示表格

    表2可以看出,网络深度越深,FCN的识别效果越好;初始学习率越大,FCN的识别效果越好;5000次迭代的识别效果最好。

    本文使用全卷积神经网络和单轴压缩试验视频,研究了单轴压缩条件下花岗岩变形破坏过程中不同组分分布与网络识别准确率随时间的变化特征,分析了网络深度、初始学习率和迭代次数对岩石中不同组分识别正确性的影响,结果表明:

    (1)在单轴压缩条件下,花岗岩首先在试样中部区域萌生裂隙、最后该裂隙纵向贯穿岩石表面,黑云母组分分布分散且不断向试样左上或右上移动,石英和长石大多向试样左右两侧移动;

    (2)全卷积神经网络对花岗岩中不同组分识别准确率的大小顺序是:裂隙>黑云母>长石>石英,岩石从变形阶段转到破坏阶段时各组分识别准确率出现小幅下降,岩石完全破坏时各分识别准确率迅速降低;

    (3)对于所建全卷积神经网络来说,网络深度越深、初始学习率越大、则识别效果越好,迭代次数5000时的识别效果较好。

  • 图  1   用于制作数据集的单帧图像

    Figure  1.   Frames in making dataset

    图  2   花岗岩中不同组分的标签图像

    Figure  2.   Labeled images of various compositions in granite

    图  3   不同网络中花岗岩组分的识别过程

    Figure  3.   Identification process of compositions in granite using various networks

    图  4   全卷积神经网络

    Figure  4.   Fully convolutional network (FCN)

    图  5   全卷积网络中不同卷积层的可视化结果

    Figure  5.   Visualization of convolutional layers in fully convolutional network

    图  6   花岗岩不同组分分布随时间的变化

    Figure  6.   Time-variation of distribution of various compositions in granite

    图  7   花岗岩中不同组分识别准确率随时间的变化

    Figure  7.   Accuracy of recognition of various compositions on granite with time

    表  1   全卷积神经网络的各层参数

    Table  1   Parameters used in FCN

    层序名称-2603519748500卷积核步长边缘填充像素
    数量大小
    1图像输入层238×238×1
    2卷积层1643×3[1 1][1 1 1 1]
    3ReLU层1
    4最大池化层112×2[2 2][0 0 0 0]
    5卷积层2643×3[1 1][1 1 1 1]
    6ReLU层2
    7卷积层3643×3[1 1][1 1 1 1]
    8ReLU层3
    9卷积层4643×3[1 1][1 1 1 1]
    10ReLU层4
    11卷积层5643×3[1 1][1 1 1 1]
    12ReLU层5
    13最大池化层512×2[2 2][0 0 0 0]
    14转置卷积层1644×4[2 2][-1-1-1-1]
    15ReLU层1_1
    16转置卷积层2644×4[2 2][0 0 0 0]
    17ReLU层2_1
    18全卷积层41×1[1 1][0 0 0 0]
    19Softmax层
    20像素分类层
    21图像输出层238×238×1
    下载: 导出CSV

    表  2   所建FCN的全局准确率计算结果

    Table  2   Global Accuracies of established FCN

    网络深度网络迭代次数初始学习率r
    0.0010.0020.0040.0060.008
    17层26000.8470.8480.8550.8630.871
    50000.8490.8540.8730.8640.887
    66000.8510.8550.8570.8640.874
    19层26000.8490.8570.8640.8660.874
    50000.8510.8630.8840.8780.894
    66000.8540.8610.8740.8690.877
    21层26000.8480.8600.8740.8810.875
    50000.8470.8660.8910.8960.900
    66000.8550.8750.8820.8800.883
    下载: 导出CSV
  • [1] 徐永进, 滕奇志, 吴晓红, 等. 利用层间相关性的岩心CT图像半自动分割方法[J]. 中国图象图形学报,2015,20(10):1340 − 1345. [XU Yongjin, TENG Qizhi, WU Xiaohong, et al. Semi-segmentation of rock CT images using the correlation of adjacent frames[J]. Journal of Image and Graphics,2015,20(10):1340 − 1345. (in Chinese with English abstract) DOI: 10.11834/jig.20151007
    [2] 张嘉凡, 张雪娇, 杨更社, 等. 基于聚类算法的岩石CT图像分割及量化方法[J]. 西安科技大学学报,2016,36(2):171 − 175. [ZHANG Jiafan, ZHANG Xuejiao, YANG Gengshe, et al. A method of rock CT image segmentation and quantification based on clustering algorithm[J]. Journal of Xi'an University of Science and Technology,2016,36(2):171 − 175. (in Chinese with English abstract)
    [3] 钱庆波, 徐金明, 黄继忠. 基于PFC2D的花岗岩新生裂隙萌生扩展过程分析[J]. 中国地质灾害与防治学报,2019,30(5):122 − 130. [QIAN Qingbo, XU Jinming, HUANG Jizhong. Analysis on the initiation and propagation of newly-generated cracks in granite using PFC2D[J]. The Chinese Journal of Geological Hazard and Control,2019,30(5):122 − 130. (in Chinese with English abstract)
    [4] 朱赛楠, 李滨, 冯振. 三峡库区侏罗系泥岩CT损伤特性试验研究[J]. 水文地质工程地质,2016,43(1):72 − 78. [ZHU Sainan, LI Bin, FENG Zhen. Research on CT damage characteristics of the Jurassic mudstones in the Three Gorges Reservoir area[J]. Hydrogeology & Engineering Geology,2016,43(1):72 − 78. (in Chinese with English abstract)
    [5] 刘春, 许强, 施斌, 等. 岩石颗粒与孔隙系统数字图像识别方法及应用[J]. 岩土工程学报,2018,40(5):925 − 931. [LIU Chun, XU Qiang, SHI Bin, et al. Digital image recognition method of rock particle and pore system and its application[J]. Chinese Journal of Geotechnical Engineering,2018,40(5):925 − 931. (in Chinese with English abstract) DOI: 10.11779/CJGE201805018
    [6] 简文星, 余锦风, 任佳, 等. 基于matlab的岩石表面裂纹统计方法[J]. 安全与环境工程,2015,22(5):128 − 133. [JIAN Wenxing, YU Jinfeng, REN Jia, et al. The statistical method of rock surface crack based on Matlab[J]. Safety and Environmental Engineering,2015,22(5):128 − 133. (in Chinese with English abstract)
    [7]

    KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM,2017,60(6):84 − 90. DOI: 10.1145/3065386

    [8]

    SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. 2014: arXiv: 1409.1556[cs. CV]. https://arxiv.org/abs/1409.1556

    [9]

    GIRSHICK R, DONAHUE J, DARRELL T, MALIK J. Rich feature hierarchies for accurate object detection and semantic segmentation [C]. Computer Vision and Pattern Recognition, 2014, 580-587.

    [10]

    GIRSHICK R. Fast R-CNN [C]. International Conference on Computer Vision, 2015, 1440-1448.

    [11]

    REN S Q, HE K M, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(6):1137 − 1149. DOI: 10.1109/TPAMI.2016.2577031

    [12]

    HE K, GKIOXARI G, DOLLAR P, GIRSHICK R. Mask R-CNN [C]. Computer Vision and Pattern Recognition, 2017, 2961-2969.

    [13]

    LIN T, DOLLAR P, GIRSHICK R, HE K, HARIHARAN B, BELONGIE S. Feature pyramid networks for object detection [C]. Computer Vision and Pattern Recognition, 2017, 2117-2125.

    [14]

    BADRINARAYANAN V, KENDALL A, CIPOLLA R. SegNet: a deep convolutional encoder-decoder architecture for image segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence,2017,39(12):2481 − 2495. DOI: 10.1109/TPAMI.2016.2644615

    [15]

    LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation [C]. Computer Vision and Pattern Recognition, 2015, 3431-3440.

    [16] 王振, 张善文, 王献锋. 基于改进全卷积神经网络的黄瓜叶部病斑分割方法[J]. 江苏农业学报,2019,35(5):1054 − 1060. [WANG Zhen, ZHANG Shanwen, WANG Xianfeng. Method for segmentation of cucumber leaf lesions based on improved full convolution neural network[J]. Jiangsu Journal of Agricultural Sciences,2019,35(5):1054 − 1060. (in Chinese with English abstract) DOI: 10.3969/j.issn.1000-4440.2019.05.008
    [17] 黄英来, 刘亚檀, 任洪娥. 基于全卷积神经网络的林木图像分割[J]. 计算机工程与应用,2019,55(4):219 − 224. [HUANG Yinglai, LIU Yatan, REN Honge. Segmentation of forest image based on fully convolutional neural network[J]. Computer Engineering and Applications,2019,55(4):219 − 224. (in Chinese) DOI: 10.3778/j.issn.1002-8331.1808-0008
    [18]

    RONNEBERGER O, FISCHER P, BROX T. U-net: Convolutional networks for biomedical image segmentation [C]. Medical image computing and computer assisted intervention, 2015, 234-241.

    [19] 黄龙, 杨媛, 王庆军, 等. 结合全卷积神经网络的室内场景分割[J]. 中国图象图形学报,2019,24(1):64 − 72. [HUANG Long, YANG Yuan, WANG Qingjun, et al. Indoor scene segmentation based on fully convolutional neural networks[J]. Journal of Image and Graphics,2019,24(1):64 − 72. (in Chinese with English abstract) DOI: 10.11834/jig.180364
    [20] 郑婷月, 唐晨, 雷振坤. 基于全卷积神经网络的多尺度视网膜血管分割[J]. 光学学报,2019,39(2):0211002. [ZHENG Tingyue, TANG Chen, LEI Zhenkun. Multi-scale retinal vessel segmentation based on fully convolutional neural network[J]. Acta Optica Sinica,2019,39(2):0211002. (in Chinese with English abstract) DOI: 10.3788/AOS201939.0211002
    [21]

    LECUN Y, BOTTOU L, BENGIO Y, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE,1998,86(11):2278 − 2324. DOI: 10.1109/5.726791

图(7)  /  表(2)
计量
  • 文章访问数:  398
  • HTML全文浏览量:  221
  • PDF下载量:  481
  • 被引次数: 0
出版历程
  • 收稿日期:  2019-12-25
  • 修回日期:  2020-02-25
  • 网络出版日期:  2021-02-25
  • 刊出日期:  2021-02-25

目录

/

返回文章
返回