[发明专利]野外地质露头图像构造识别方法及系统

权利要求书

1.一种野外地质露头图像构造识别方法，其特征在于，包括：

获取待识别野外地质露头图像；

将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域；

其中，所述深度学习构造识别模型基于多任务神经网络模型构建，所述深度学习构造识别模型基于携带有地质构造类别标签以及地质构造区域标签的野外地质露头图像样本训练得到。

2.根据权利要求1所述的野外地质露头图像构造识别方法，其特征在于，所述将所述待识别野外地质露头图像输入至深度学习构造识别模型，得到由所述深度学习构造识别模型输出的所述待识别野外地质露头图像中的地质构造类别、地质构造边界框以及地质构造区域，具体包括：

将所述待识别野外地质露头图像输入至所述深度学习构造识别模型的主干网络单元，得到由所述主干网络单元输出的所述待识别野外地质露头图像的多尺度特征图；

将所述多尺度特征图输入至所述深度学习构造识别模型的区域生成网络单元，得到由所述区域生成网络单元输出的所述多尺度特征图中的候选区域；

将所述候选区域输入至所述深度学习构造识别模型的区域池化单元，得到由所述区域池化单元输出的池化结果；

将所述池化结果输入至所述深度学习构造识别模型的全卷积神经网络单元，得到由所述全卷积神经网络单元输出的所述地质构造类别、所述地质构造边界框以及所述地质构造区域。

3.根据权利要求1所述的野外地质露头图像构造识别方法，其特征在于，所述深度学习构造识别模型具体通过如下方式训练得到：

将所述野外地质露头图像样本输入至待训练深度学习构造识别模型，确定所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造类别样本时的分类损失函数值、所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造边界框样本的边界框定位损失函数值以及所述待训练深度学习构造识别模型输出所述野外地质露头图像样本中的地质构造区域样本的掩膜损失函数值；

基于所述分类损失函数值、所述边界框定位损失函数值以及所述掩膜损失函数值，确定所述待训练深度学习构造识别模型的总损失函数值；

基于所述总损失函数值，对所述待训练深度学习构造识别模型的模型参数进行优化，得到所述深度学习构造识别模型。

4.根据权利要求3所述的野外地质露头图像构造识别方法，其特征在于，所述深度学习构造识别模型在训练过程中采用的分类损失函数基于所述地质构造类别样本对应的概率的对数确定，采用的边界框定位损失函数基于所述地质构造类别样本对应的预测参数与真实平移缩放参数之差确定，采用的掩膜损失函数基于对所述野外地质露头图像样本中每个像素进行激活后，感兴趣区域内的像素的交叉熵均值确定。

5.根据权利要求1-4中任一项所述的野外地质露头图像构造识别方法，其特征在于，所述野外地质露头图像样本基于如下方法确定：

获取具有地质构造特征的野外地质露头图像；

将所述野外地质露头图像进行图像归一化处理，并基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本；

对所述初始野外地质露头图像样本进行边缘检测，并根据所述边缘检测的结果对所述初始野外地质露头图像样本进行标签标注，得到所述野外地质露头图像样本。

6.根据权利要求5所述的野外地质露头图像构造识别方法，其特征在于，所述野外地质露头图像为彩色图像；

相应的，将所述野外地质露头图像进行图像归一化处理，具体包括：

将所述野外地质露头图像对应的色彩模型、图像格式以及图像大小进行统一，得到所述图像归一化处理的结果。

7.根据权利要求5所述的野外地质露头图像构造识别方法，其特征在于，所述基于图像增广方法，对所述图像归一化处理的结果进行扩展，得到初始野外地质露头图像样本，具体包括：

将所述图像归一化处理的结果进行旋转处理、灰度化处理以及高斯模糊处理中的至少一种处理，得到所述初始野外地质露头图像样本。