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.
-
Keywords:
- granite /
- compositions recognition /
- fully convolutional network
-
0. 引言
地质灾害的发生是内因和外因共同作用的结果。内因即为区内的地质环境，决定着地质灾害的类型、分布、规模和强度，主要包括地形地貌、岩性构造、工程地质岩组等[1]。外因是触发地质灾害的外部条件，主要包括降雨、地震、工程切坡、植被破坏、矿山开采等。
开展大比例尺高精度的地质灾害评价是当前地质灾害调查亟需的[2]。利用GIS平台结合高分遥感影像、DEM数据等，可以快速有效的进行大范围地质灾害危险性评价[3]。即根据研究区特点，通过对已发的地质灾害进行提取，分析其孕灾、成灾的因素，并选用恰当的数学评价模型，综合评价区内的地质灾害危险性程度，并预测区域内地质灾害易发生空间位置。进而建立针对研究区的地质灾害危险性评价模型。
1. 研究区概况
研究区位于皖南山区，行政区划隶属黄山市徽州区，面积约398.49 km2（图1）。以中低山地貌为主，总体呈北高南低，海拔标高一般在200～1400 m。地层岩性以浅变质砂岩、粉砂岩、凝灰质粉砂岩为主。区域变质、变形为板岩、千枚状板岩。岩石易风化，残坡积层较发育。区域构造上，属下扬子陆块、江南造山带、江南古陆隆起带之历口构造带，构造线走向主要为北东向，其次为北西向。区内水系属钱塘江流域、新安江水系，最低侵蚀基准面标高为196 m左右。区内多年平均降雨量1708.1 mm，春、夏汛期为地质灾害高发期[4]。
2. 信息量模型原理
信息量模型是一种定量分析方法，其物理意义明确，广泛应用于区域地质灾害危险性评价[5-6]，评价过程中可较好的反映致灾因子和地质灾害的关联性[7]。通过模型评价，能够直观的反映出研究区内各致灾因子对于形成地质灾害的敏感度和贡献率。
(1) 式中：x i—成灾因素x中的第i区间；
Y—成灾因素x中第i区间地质灾害发生的信息量值；
B —地质灾害事件；
Ni—研究区内包含评价因素 xi 的单元数且存在地质灾害的单元数；
Si—研究区内包含评价因素 xi 的单元数；
N —研究区存在地质灾害单元总数；
S—研究区中评价单元的总数。
3. 研究区地质灾害危险性评价
3.1 评价因子的选取
研究区所处的皖南山区，地质构造复杂，山体风化强度较高，残坡积发育，丰乐河及其支流广布于研究区内。区内道路、房屋的建设多采用切坡施工。另外，该地区广泛种植茶叶，茶园多开垦于陡峻的山坡坡面，人类活动强度大（图2）。结合研究区实际情况和前人工作经验，本次地质灾害危险性评价选取了高程、坡度、坡向、断裂构造、土地覆盖类型、水系、工程地质岩组、人类活动强度，共8项主要因素作为评价指标。
![]()
图 2 地质灾害点密度与致灾因子分级图Figure 2. Density maps of geological disaster points andclassification diagram of the impact factors of geological disasters通过收集以往地质灾害调查成果及野外查证，研究区内已发生地质灾害点215处。根据已知灾害点，分别结合选取的8项主要因素进行分析，求得评价因素中各因子对地质灾害的“贡献度”，将8项评价因素叠加，进而得到研究区地质灾害危险性评价结果。
3.1.1 高程
研究区地形地貌跨度较大，总体地势西北高南东低，北部为中低山区，山体走向以北西、北东为主，海拔500～1400 m，相对高差600～800 m，局部地区800～1000 m；南部为高丘地貌，广泛分布在中低山侧，高程200～500 m，相对高差50～250 m。
根据研究区地形特点，将高程划分为0～200 m、200～300 m、300～400 m、400～500 m、500～700 m、700～1300 m共6个级别，见图2（b）。
通过高程因素信息量分析，300～700 m高程区间地质灾害发生的可能性较大，而高程低于200 m或高于700 m，地质灾害发生概率较低（表1）。
表 1 高程分级及信息量统计表Table 1. Satistics of elevation classification and information评价指标 高程分级/m Si/S Ni/N 信息量I 数据 0～200 0.0732 0.0526 −0.3303 200～300 0.1717 0.1383 −0.2164 300～400 0.1967 0.3027 0.4310 400～500 0.2024 0.2355 0.1514 500～700 0.2475 0.2051 −0.1882 700～1300 0.1085 0.0659 −0.4984 3.1.2 坡度
坡度直接影响坡面上坡积物的厚度、物质的稳定性和水动力条件，从而影响地质灾害发生的强度和规模[8]。
本次将坡度划分为0°～10°、10°～20°、20°～30°、30°～40°、40°～50°、50°～90°共6个级别，见图2（c）。 通过坡度对地质灾害提供的信息量图，可见坡度在20°～40°区间，地质灾害发生可能性较大，而坡度小于20°时，灾害发生概率较小，对于坡度大于50°，由于研究区内此坡度区域极少，故地灾信息量较低（表2）。
表 2 坡度分级及信息量统计表Table 2. Satistics of slope classification and information评价指标 坡度分级/(°) Si/S Ni/N 信息量I 数据 0～10 0.0951 0.0173 −1.7023 10～20 0.1798 0.1207 −0.3985 20～30 0.3081 0.3682 0.1780 30～40 0.3071 0.3955 0.2530 40～50 0.1075 0.0966 −0.1066 50～90 0.0025 0.0017 −0.3454 3.1.3 坡向
坡向即坡面的朝向。不同朝向的坡面，坡体受太阳辐射强度，各种物理化学的风化作用程度不同。
将坡向每隔90°划分为四个方位区间，将分别为东坡45°～135°、南坡135°～225°、西坡225°～315°、北坡315°～45°，见图2（d）。
通过坡向对地质灾害提供的信息量图，可见北坡地质灾害发生可能性较小，其他方向地质发生概率较大，特别是南坡（表3）。
表 3 坡向分级及信息量统计表Table 3. Satistics of slope classification and information评价指标 坡向分级/(°) Si/S Ni/N 信息量I 数据 315～45 0.1761 0.1494 −0.1644 45～135 0.2890 0.3008 0.0399 135～225 0.2646 0.2808 0.0592 225～315 0.2703 0.2691 −0.0045 3.1.4 断裂
研究区内断裂构造发育，且以北东及北西向断裂为主北东东向最为发育（规模大、密集），北西向次之。区内大型断裂切割本区古老地层，同时伴生次级断裂和构造裂隙，使岩体结构松散，岩石破碎及风化，是引发地质灾害的主要因素[9]。
根据遥感解译断裂构造的位置，以与断裂构造的距离为依据划分缓冲区，共划分5个级别，分别为0～300 m、300～600 m、600～1000 m、1000～1500 m、>1500 m，见图2（e）。
通过距离断裂级别对地质灾害提供的信息量图，可见在距离断裂带300 m内发生地质灾害的可能性最大，1000 m以上则地质灾害的发生概率较低（表4）。
表 4 断裂分级及信息量统计表Table 4. Satistics of fracture classification and information评价指标 断裂分级/m Si/S Ni/N 信息量I 数据 0～300 0.3637 0.5310 0.3785 300～600 0.2541 0.2833 0.1087 600～1000 0.2042 0.1406 −0.3731 1000～1500 0.1146 0.0287 −1.3833 >1500 0.0636 0.0164 −1.3550 3.1.5 水系
河流的侵蚀是导致地质灾害发生的重要因素，主要表现为侵蚀作用对斜坡前缘抗力的削弱和临空面的增加造成斜坡失稳[10]。
研究区内主要河流为丰乐河及其支流，对河流根据其线密度进行统计，密度越大，说明河流沟谷越多，地面越破碎，地面物质稳定性越低，造成的灾害越多。
在ArcGIS中，将河流进行遥感解译，并形成线矢量文件，将线文件进行密度分析，计算公式为：
(2) 式中：
A——研究区面积/km2。
通过密度分析，研究区水系密度值范围为0～6.2644，通过与遥感影像图进行比对，将密度范围划分为3个区间，分别为0～1.4052、1.4052～2.8695、2.8695～6.2644，见图2（f）。通过水系密度对地质灾害提供的信息量可见，在水系密度高的区域，地质灾害相对概率也较高（表5）。
表 5 水系密度分级及信息量统计表Table 5. Satistics of the river system density classification and information评价指标 水系密度分级/(km−1) Si/S Ni/N 信息量I 数据 0～1.4052 0.7717 0.7523 −0.0255 1.4052～2.8695 0.1552 0.1689 0.0850 2.8695～6.2644 0.0731 0.0788 0.0745 3.1.6 土地利用类型
研究区为黄山毛峰的主产区，陡坡茶园在区内分布广泛，因此在土地类型的划分上，将茶园进行单独分类，共划分为道路、耕地、城镇用地、水域、林地、茶园6种类型，分析不同用地类型对引起地质灾害所提供的信息量，见图2（g）。
依据各土地类型对地质灾害提供的信息量，可见道路、茶园、城镇用地3种土地类型发生地质灾害的可能性较大（表6）。
表 6 各土地利用类型信息量统计表Table 6. Statistical table of information quantity of land use types评价指标 用地分级 Si/S Ni/N 信息量I 数据 道路 0.0105 0.0168 0.4742 耕地 0.1030 0.0956 −0.0753 城镇用地 0.0186 0.0231 0.2168 水域 0.0114 0.0119 0.0493 林地 0.7650 0.7154 −0.0671 茶园 0.0915 0.1372 0.4049 3.1.7 工程地质岩组
岩土体作为斜坡的基本组成，其控制着地质灾害的形成、分布和规模[11]。研究区按岩石强度划分为①坚硬中厚层砂岩岩组（NH1x）、②较坚硬层状、板状砂岩夹板岩岩组（PT2n）、③坚硬中厚层状变质砂岩岩组（PT2d）、④坚硬块状花岗闪长岩岩组（γδ）、⑤第四系松散岩组（Q4）、⑥残坡积层碎石土（Qdl+el）、⑦强风化层、⑧冲洪积层（Qapl），见图2（h）。
通过分析，8类工程地质岩组中，残坡积层碎石土（Qdl+el）和强风化层两类对地质灾害贡献的信息量最大（表7）。
表 7 各工程地质岩组信息量统计表Table 7. Statistical table of information of each engineering geological rock formation评价指标 工程地质岩组分级 Si/S Ni/N 信息量I 数据 NH1x 0.1644 0.1429 −0.1404 PT2n 0.2790 0.2198 −0.2385 PT2d 0.4122 0.4889 0.1706 γδ 0.1105 0.0852 −0.2601 Q4 0.0065 0.0056 −0.1358 Qdl+el 0.0225 0.0523 0.8421 强风化层 0.0006 0.0011 0.6807 Qapl 0.0043 0.0036 −0.1669 3.1.8 人类活动强度
在ArcGIS中，将道路路网和房屋范围进行遥感解译，并形成线矢量文件，将线文件进行密度分析，线网密度越大，说明人类活动越强烈，引发的地质灾害越多。
通过线密度分析，徽州区人类活动密度值范围为0～12.2955，通过与遥感影像图进行比对，将密度范围划分为4个区间，分别为0～1.4185（人类活动强度极低）、1.4185～4.5309（人类活动强度一般）、4.5309～5.8821（人类活动强度较高）、5.8821～12.2955（人类活动强度极高），见图2（i）。
通过人类活动强度对地质灾害提供的信息量图，可见在人类活动强度较高、极高区间，地质灾害发生较频繁，在人类活动强度极低区间地质灾害发生可能性较低（表8）。
表 8 人类活动强度分级及信息量统计表Table 8. Satistics of human activity intensity classification and information评价指标 人类活动分级 Si/S Ni/N 信息量I 数据 0～1.4185 0.4642 0.2406 −0.6569 1.4185～4.5309 0.3624 0.3496 −0.0362 4.5309～5.8821 0.0850 0.1530 0.5878 5.8821～12.2955 0.0884 0.2335 0.9712 3.2 地质灾害危险性评价
3.2.1 评价网格划分
对于基于GIS栅格运算的地质灾害易发性区段评价中，研究区中各致灾因子图层的评价单元，选用正方形标准栅格作为评价单元，确定栅格单元大小的经验公式为：
(3) 式中：Gs——适宜栅格大小；
S——地质灾害评价比例尺的倒数。
评价单元的划分会直接影响评价结果的合理性[12]，利用公式（3）并结合本次地质灾害评估的精度要求，使用13.5 m×13.5 m的栅格大小作为评价单元，研究区共划分约2186478个评价单元。
3.2.2 地质灾害危险性评价结果
将所有致灾因子信息量求和，得到2186478个均一条件单元的总信息量值，其范围为−4.732721～3.449854，数值越大，对地质灾害发生的“贡献率”越大，地质灾害越容易发生（图2）[13-16]。
根据各评价单元的信息量值，采用自然间断点法，取−1.18、−0.03、1.26为分界点，将研究区按危险度划分为地质灾害不易发区、低易发区、中易发区和高易发区（表9、图3）[17-19]。
表 9 地质灾害危险度分区面积统计表Table 9. Statistical table of geological hazard area危险度分区 信息量 分区面积/km2 不易发区 −4.732721～−1.18 104.49 低易发区 −1.18～−0.03 157.78 中易发区 −0.03～1.26 116.35 高易发区 1.26～3.449854 19.86 ![]()
图 3 研究区地质灾害危险性评价图Figure 3. Geological hazard risk assessment map of the research area4. 成果验证
通过本次地质灾害危险性评价结果与野外调查成果的215处地质灾害点进行叠合分析，灾点分布情况为：高易发区132处、中易发区80处、低易发区3处、不易发区0处（表10）。地质灾害点的分布结果与地质灾害危险性评价区划相符，评价结果较合理。
表 10 不同危险度分区内地质灾害点数量统计表Table 10. Statistical table of the number of geological disaster points in different risk zones易发区分类 分区面积/km2 地质灾害点数量/个 不易发区 104.49 0 低易发区 157.78 3 中易发区 116.35 80 高易发区 19.86 132 5. 结束语
通过研究区数据分析，得出以下结论：
（1）结合野外实际调查的地质灾害点成果，选取高程、坡度、坡向、断裂、水系、土地利用类型、工程地质岩组、人类活动强度等8个致灾因子，使用信息量模型法对研究区进行地质灾害危险性评价，其中中易发区和高易发区面积分别为116.35，19.86 km2，占研究区总面积的29.2%和4.98%。
（2）根据评价结果，研究区内地质灾害的分布主要受到断裂带的控制，同时在河流、道路、茶园附近，坡度20°～40°的坡面，第四系松散层和强风化层覆盖区域均为地质灾害高发区，需要在重点区域加强地质灾害的防治工作。
-
![]()
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 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1 64 3×3 [1 1] [1 1 1 1] 3 ReLU层1 — 4 最大池化层1 1 2×2 [2 2] [0 0 0 0] 5 卷积层2 64 3×3 [1 1] [1 1 1 1] 6 ReLU层2 — 7 卷积层3 64 3×3 [1 1] [1 1 1 1] 8 ReLU层3 — 9 卷积层4 64 3×3 [1 1] [1 1 1 1] 10 ReLU层4 — 11 卷积层5 64 3×3 [1 1] [1 1 1 1] 12 ReLU层5 — 13 最大池化层5 1 2×2 [2 2] [0 0 0 0] 14 转置卷积层1 64 4×4 [2 2] [-1-1-1-1] 15 ReLU层1_1 — 16 转置卷积层2 64 4×4 [2 2] [0 0 0 0] 17 ReLU层2_1 — 18 全卷积层 4 1×1 [1 1] [0 0 0 0] 19 Softmax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 0.001 0.002 0.004 0.006 0.008 17层 2600 0.847 0.848 0.855 0.863 0.871 5000 0.849 0.854 0.873 0.864 0.887 6600 0.851 0.855 0.857 0.864 0.874 19层 2600 0.849 0.857 0.864 0.866 0.874 5000 0.851 0.863 0.884 0.878 0.894 6600 0.854 0.861 0.874 0.869 0.877 21层 2600 0.848 0.860 0.874 0.881 0.875 5000 0.847 0.866 0.891 0.896 0.900 6600 0.855 0.875 0.882 0.880 0.883
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
-
期刊类型引用(5)
1. 刘新荣，罗新飏，郭雪岩，周小涵，王浩，许彬，郑颖人. 巫山段岸坡水岩劣化特征及危岩失稳破坏模式. 工程地质学报. 2025(01): 240-257 . 
百度学术
2. 陈亚洲，杨鹏，曹廷. 两河口库区常见岸坡类型及变形破坏机制研究. 四川水力发电. 2024(06): 130-133 . 百度学术
3. 黄浩，余姝，郭健，赵鹏，张枝华. 顺层陡倾斜坡溃屈破坏机理研究. 煤炭科技. 2023(05): 9-16 . 百度学术
4. 檀梦皎，殷坤龙，付智勇，朱春芳，陶小虎，朱延辉. 降雨及库水位影响下麻地湾滑坡地下水响应特征分析. 中国地质灾害与防治学报. 2022(01): 45-57 . 本站查看
5. 宋俊宏. 基于PFC的乔连河岸坡岩石力学特性及动力响应特征研究. 甘肃水利水电技术. 2022(06): 27-31+37 . 百度学术
其他类型引用(3)
计量
- 文章访问数: 398
- HTML全文浏览量: 221
- PDF下载量: 481
- 被引次数: 8
邮件订阅
RSS