一种基于深度学习技术的危岩失稳模式判别方法及装置专利检索-裂隙网络地热能专利检索查询-专利查询网

一种基于 深度学习技术的危岩失稳模式判别方法及装置

阅读：237发布：2020-05-12

专利汇可以提供一种基于深度学习技术的危岩失稳模式判别方法及装置专利检索，专利查询，专利分析的服务。并且本发明公布了一种基于深度学习技术的危岩失稳模式判别方法及装置，本装置主要包括：输入板块、工作板块、判别板块。本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置的流程示意图，本发明能够体现危岩失稳模式类型识别的准确性和灵活性问题，能够为危岩失稳模式的分类判别以及为危岩崩塌预测和防治提供依据。，下面是一种基于深度学习技术的危岩失稳模式判别方法及装置专利的具体信息内容。

权利要求

1.一种基于深度学习技术的危岩失稳模式判别方法及装置，其特征在于，包括：步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取危岩失稳图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体裂隙图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类描述出岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，通过选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，判别出危岩失稳模式结果；其装置主要包括：输入板块、工作板块、判别板块；本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置。
2.根据权利要求1所述的判别方法及装置，其特征在于，所述判别方法为：根据输入的危岩失稳图像进行特征提取，建立深度学习网络AlexNet模型，再利用matlab工具进行危岩失稳模式种类处理，并结合危岩失稳模式影响因素的相关数据进行拟合层次的分析提取，然后输出危岩失稳模式判别结果，达到准确判别的效果。
3.根据权利要求1所述的判别方法，其特征在于，所述判别方法为：在进行危岩特征图像的分析时可根据危岩节理、裂隙、破碎程度、粗糙程度和剖面形态等结果进行分析识别判断，危岩失稳模式影响因素阶段可根据危岩的节理倾角、危岩边长、危岩高宽比等因素进行数值参考分析，最后输出判别出结果。
4.根据权利要求1所述的判别方法及装置，其特征在于，所述判别装置包括：输入板块，用于根据用户指令选取危岩特征图像及数据集和危岩失稳影响因素数据集；工作板块，用于根据用户指令，进行深度学习技术等工作；判别板块，用于根据用户指令，将工作板块中输出的结果反映出来。
5.根据权利要求4所述的装置，其特征在于，所述判别装置还包括：处理模式，对危岩特征图像进行预处理，之后进行危岩特征的识别；训练模式，用于根据用户指令选取的危岩特征图像，建立深度学习AlexNet模型，以此模型进行特征提取，采用matlab工具进行危岩失稳模式种类处理；功能模式，根据识别的危岩特征进行提取和数值统计分析；输出模式，根据危岩的图像特征和结合危岩失稳的影响因素判别出危岩失稳模式，将其结果进行输出。
6.根据权利要求5所述的装置，其特征在于，所述判别装置还包括：学习单元，根据危岩失稳的影响因素的数据进行学习和分析；选取单元，通过图像特征提取的结果与危岩失稳的影响因素进行整合和判断；优化单元，对判别出的结果进行优化处理，进行输出。

说明书全文

一种基于深度学习技术的危岩失稳模式判别方法及装置

技术领域

[0001] 本发明是一种基于深度学习技术的危岩失稳模式判别方法及装置，涉及危岩稳定性和深度学习技术等相关领域。

背景技术

[0002] 危岩是指陡坡或陡崖上被各类结构面分割可失稳的岩体，是西南山区常见的一种地质灾害类型，因其失稳过程的突然性强，往往造成严重的灾害。危岩分类是危岩研究的基础性问题之一，也是正确认识危岩的关键和切入点。为了概括的反映对危岩发育规律和变形机理的认识，通常会对危岩进行分类，而危岩失稳模式的判别是在对危岩分类的基础上进行识别判断，是为了更加有效地指导危岩勘察、监测预警以及防治等工作。

[0003] 关于危岩分类识别问题的研究由来已久，自20世纪80年代以来，国内学者基于各自的研究领域和认识角度分别提出了不同的危岩分类方案，这对危岩失稳模式判别方法的研究及其重要，但由于岩石的复杂性，影响危岩失稳模式的大部分因素具有一定的模糊性和随机性，各影响因素之间又存在着耦合性，使得危岩失稳模式的判别成为危岩稳定性研究中的薄弱环节。

[0004] 随着计算机技术的快速发展，人工智能的深度学习算法的研究应用也得到了快速发展。近些年，深度学习技术被广泛应用于图像识别领域、语言识别领域、视频分析领域、文本分析领域和大数据分析领域，并取得了极大成功。深度学习本质上就是一个进行特征描述的过程，因此利用深度学习的原理进行图像处理和数据分析的突出优点，采用深度学习技术进行危岩失稳模式判别是可行的，并且可将这种技术发展成一种新型的判别方法。

[0005] 基于深度学习技术的危岩失稳模式判别方法，是将危岩各发育特征图像和与之相关的数据输入判别模型，以此自动且快速地进行判别。因此，基于深度学习技术的危岩失稳模式判别方法及装置是能够准确、快速获取判别结果，其给工程实际带来的效益是巨大的。

发明内容

[0006] 本发明采用一种基于深度学习技术的危岩失稳模式判别方法及装置，利用该方法及装置能够快速准确进行危岩失稳模式的判别，建立满足工程需求的自适应深度学习的分析处理模型，本发明提供的一种基于深度学习技术的危岩失稳模式判别方法及装置，包括：

[0007] 1.判别方法原理包括：步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取危岩失稳图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体裂隙图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类描述出岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，通过选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，判别出危岩失稳模式结果。其装置主要包括：输入板块、工作板块、判别板块。本发明的实施例提供一种基于深度学习技术的危岩失稳模式判别装置。

[0008] 2.判别方法为：根据输入的危岩失稳特征图像进行特征抽取，建立深度学习网络AlexNet模型，再利用matlab工具处理识别危岩失稳模式的种类并结合危岩失稳模式参考因素的相关数据进行多层次计算，然后输出危岩失稳模式判别结果，达到准确判别的效果。

[0009] 3.判别方法为：在进行危岩特征图像的分析时可根据危岩节理、裂隙、破碎程度、粗糙程度和剖面形态等结果进行分析识别判断，危岩失稳模式影响因素阶段可根据危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n因素进行数值分析，最后输出判别出结果。

[0010] 4.判别装置包括：输入板块,用于根据用户指令选取危岩特征图像数据集和危岩失稳影响因素参考数据集；工作板块，用于根据用户指令，进行深度学习技术等工作；判别板块，用于根据用户指令，将工作板块中输出之后的结果反映出来。

[0011] 5.判别装置还包括：处理模式，对危岩特征图像进行预处理，之后进行危岩特征的识别；训练模式，用于根据用户指令选取的危岩特征图像数据集，建立深度学习AlexNet模型进行提取，matlab工具进行危岩失稳模式种类识别处理；功能模式，根据识别的危岩特征进行提取和数值统计分析；输出模式，根据危岩的图像特征和影响危岩失稳模式因素判别出危岩失稳模式，将其结果进行输出。

[0012] 6.判别装置还包括：学习单元，对影响危岩失稳模式的数据进行学习；选取单元，通过提取图像特征的结果与危岩失稳的影响因素进行整合和判断；优化单元，对判别出的结果进行优化处理，进行输出。附图说明

[0013] 图1为本发明实施流程图；

[0014] 图2为本发明各模块工作原理图；

[0015] 图3为本发明各模块与各处理功能协调工作原理图；

[0016] 图4为本发明判别装置总体实施流程图。

具体实施方式

[0017] 本发明提供了一种基于深度学习技术的危岩失稳模式判别方法及装置的实施过程，该实施例基于大量危岩图像特征和影响危岩稳定性因素的数据进行深度学习，证明了该方法在判别危岩失稳模式的灵活性和准确性。为了使本发明所解决的技术问题、技术方案及有益效果更加清楚明白，结合以下实施例，对本发明进行进一步详细说明陈述。

[0018] 首先请参阅附图1，本发明实施例中的基于深度学习技术的危岩失稳模式判别方法步骤为：根据本发明采用的方法，步骤一，收集危岩失稳图像及数据集；步骤二，利用Caffe可视化工具提取失稳危岩的图像特征及危岩失稳相关信息；步骤三，训练以危岩失稳图像和特征标签为数据集的AlexNet模型，识别危岩的节理、裂隙、破碎程度、粗糙程度和剖面形态等分布式特征；步骤四，结合深度学习技术和岩体图像智能解译方法统计危岩节理组数和间距来描述结构面完整程度，再利用色彩模型确定岩石种类，以此描述岩石的坚硬程度；步骤五，利用matlab工具对危岩失稳模式种类进行处理识别；步骤六，选取危岩失稳模式影响因素，一般选取危岩的节理倾角β、危岩的边长b、危岩的高宽比δ和危岩堆积层数n作为危岩失稳主要参考因素；步骤七，输出危岩失稳模式。

[0019] 下面对本发明中的基于深度学习技术的危岩失稳模式装置进行详细描述，请参阅附图2，其中：输入板块，用于根据用户指令，输入危岩特征图像以及影响危岩失稳因素的数据集；工作板块，用于根据用户指令，对危岩失稳图像特征进行提取，建立AlexNet模型并采用深度学习技术进行学习；判别板块，用于根据用户指令，将工作板块中输出的结果反映出来。

[0020] 在图2所对应的各模块工作原理图基础上，请参阅附图3，在本发明各模块与各处理功能协调工作原理图中：处理模式，对危岩特征图像进行预处理，再进行危岩特征的识别及选取；训练模式，用于根据用户指令选取的危岩特征图像，建立深度学习AlexNet模型并进行训练；功能模式，根据识别的危岩特征进行提取和数值统计分析，使用matlab工具进行危岩失稳模式种类处理识别；输出模式，从失稳危岩图片中提取图像特征、分析其影响因素的数据集，从而判别出危岩失稳模式结果，进行输出。

[0021] 在上述图3对应的各模块与各处理功能协调工作原理图基础上，参阅附图4，本发明判别装置总体实施流程图中，功能模式包括：学习单元，根据危岩失稳提取的图像特征和主要影响因素的相关数据进行深度学习；输出模式包括：选取单元，通过图像特征提取的结果与危岩失稳的影响因素进行整合和判断，选取危岩失稳模式类别进行输出，优化单元，对判别出的结果进行统一优化处理，使结果更加准确，最后将结果进行输出。

[0022] 本发明为基于深度学习技术的危岩失稳模式判别方法及装置，其装置由如下部分组成：将危岩特征图像及数据集和危岩失稳影响因素数据集输入模型，在装置的输入板块进行相关操作；工作板块，提取危岩图像特征、建立学习模型，进行图像特征和影响因素的分析计算，在这一板块下可触发处理模式、训练模式、功能模式和输出模式。其中，功能模式中包含学习单元，而输出模式的操作细分为两个单元，即选取单元和优化单元，以上各模式和单元的相关功能已详细说明，此处不再赘述；判别板块执行危岩失稳模式判别结果的输出。

[0023] 在本发明所提供的装置，仅仅是示意性的，所述的单元划分，仅作为一种逻辑功能的划分，实际实现时可能存在其他的划分方式，如：多个单元或组件可以结合或者可以集成到另一个系统，或一些模块可以忽略，甚至不执行。

[0024] 以上所述的实施例仅作解释说明本发明的方法及装置。此外，本发明提供的基于深度学习技术的危岩失稳模式判别方法及装置具有以下优点：本发明提供的基于深度学习技术的危岩失稳模式判别方法及装置得到的结果趋于保守，具有拟合性能优越、准确性高和效率快等优点，这一判别方法基本上做到了系统、全面和实用的目的，可以有效指导危岩勘察评价、监测预警以及防治等工作。

标题	发布/更新时间	阅读量
一种隧道围岩支护方法	2020-05-14	191
一种裂隙岩石强度分析预测方法	2020-05-17	637
一种裂隙网络两相流实验装置及方法	2020-05-18	187
一种流向可调式不规则岩样高压渗透装置及测试方法	2020-05-19	254
基于移动通信和高密度电法的堤坝实时监测系统及方法	2020-05-24	849
一种深部煤层气热共采方法	2020-05-19	585
岩体裂隙网络渗流各向异性测试及可视化系统	2020-05-11	155
一种考虑等效效率优化的复杂裂隙网络等效方法	2020-05-12	470
TBM破岩矿渣数字近景摄影测量识别及反演方法	2020-05-13	515
一种模拟煤层注水渗流过程的方法	2020-05-21	334

一种基于深度学习技术的危岩失稳模式判别方法及装置

一种基于深度学习技术的危岩失稳模式判别方法及装置

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：