(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210575232.4 (22)申请日 2022.05.25 (71)申请人 中国电建集团成 都勘测设计 研究院 有限公司 地址 610000 四川省成 都市青羊区浣花北 路1号 (72)发明人 黄音昊　李青春　张运达　纪海锋　 杨洪　王皓　 (74)专利代理 机构 成都行之专利代理事务所 (普通合伙) 51220 专利代理师 马碧娜 (51)Int.Cl. G06V 20/10(2022.01) G06V 10/22(2022.01) G06V 10/26(2022.01)G06V 10/40(2022.01) G06V 10/74(2022.01) G06V 10/762(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种围岩裂隙信息的模型训练方法及提取 方法 (57)摘要 本发明实施例提供一种 围岩裂隙信息的模 型训练方法及提取方法， 包括： S1.将原始图像数 据集K分为训练集K1和测试集K2， 将训练集K1中 的每张图像的裂隙位置进行标注， 得到标注后的 图像数据集； S2.将标注后的图像数据集载入 CenterNet模型进行训练， 根据损失函数计算 CenterNet模型的损失函数值； S3.根据损失函数 值更新CenterNet模型的参数， 返回S2,直至损失 函数值的更新次数达到预设值； S4.比较所有的 损失函数值， 得到损失函数值最小 的CenterNet 模型即围岩裂隙信息定位模型。 本发 明实施例通 过提取方法应用围岩裂隙信息定位模型对裂隙 线段进行提取， 解决了 现有的掌子面围岩裂隙的 测量方式准确性 不足的问题。 权利要求书3页 说明书11页 附图4页 CN 114913423 A 2022.08.16 CN 114913423 A 1.一种围岩裂隙信息的模型训练方法， 其特 征在于， 包括： S1.将原始图像数据集K分为训练集K1和测试集K2， 将训练集K1中的每 张图像的裂隙位 置进行标注， 得到标注后的图像数据集； S2.将标注后的图像数据集载入CenterNet模型进行训练， 根据损失函数计算 CenterNet模型的损失函数值； S3.根据所述损失函数值更新所述CenterNet模型的参数， 返回S2,直至损失函数值的 更新次数达 到预设值； S4.比较所有的损失函数值， 得到损失函数值最小的CenterNet模型即围岩裂隙信息定 位模型； 所述训练集K1中的每张图像为原 始图像。 2.根据权利要求1所述围岩裂隙信息的模型训练方法， 其特 征在于， 所述S4包括： 根据所述损失函数值通过反向传播的方式更新所述CenterNet模型的参数， 返回S2,直 至损失函数值的更新次数达 到预设值。 3.根据权利要求1所述围岩裂隙信息的模型训练方法， 其特征在于， 所述S1包括： 将训 练集K1中的每张图像的裂隙位置进 行标注， 剔除光照阴影、 黏土矿物影响造成的虚 假裂隙， 得到标注后的图像数据集。 4.根据权利要求1 ‑3任意一项所述围岩裂隙信息的模型训练方法， 其特征在于， 所述S1 包括： 将训练集K1中的每张图像的裂隙位置采用矩形框进行标注， 得到标注后的图像数据 集。 5.根据权利要求 4所述围岩裂隙信息的模型训练方法， 其特 征在于， 所述S2包括： 对载入CenterNet模型的标注后的图像数据集的图像进行图像处 理； 将经过所述 图像处理的图像进行卷积处理， 得到热力图输出矩阵、 Offset中心偏移输 出矩阵和宽高输出矩阵； 根据热力图输出矩阵中每个点的由sigmoid函数归一化得到的预测值 确定每个点 是否存在裂隙， 若 则表示在坐标x， y处检测到裂隙； 如果 的范围为0 ‑1， 则 表示在坐标x， y处不存在裂隙； 将训练集K1中的每张图像的裂隙位置的矩形框的中心坐标B1转换成经过图像处理后 的图像的中心坐标B2， 通过高斯核将B2的分布映射到Offset 中心偏移输出矩阵， 计算每个 点的Yxyc， Yxyc的范围为0 ‑1， Yxyc＝1表示热力图输出矩阵中裂隙的实际位置； 其中， 中心坐标 B1公式为： 其中， P为B1中心点， x1,y1； x2,y2为矩形框对角线两点的坐标； 中心坐标B2公式为： 其中， 为B2中心点， R为 4；权　利　要　求　书 1/3 页 2 CN 114913423 A 2高斯核公式为： 其中： σp是物体大小自适应的标准差； 根据每个点的 与Yxyc， 采用损失函数计算CenterNet模型的损失函数值。 6.根据权利要求5所述围岩裂隙信 息的模型训练方法， 其特征在于， 所述损失函数包括 热力图的损失函数、 Of fset中心偏移损失函数和宽高的损失函数； 其中， 热力图的损失函数LK公式为： 其中： α和β 为Focal  Loss的超参数， N为关键点的个数， α 取值为2， β 取值为4， 表示预 测值， Yxyc表示真实值； Offset中心偏移损失函数Loff公式为： 其中： N为关键点的个数， 为网络预测的偏移量数值， p表示 图像中心点坐标， R表示 Heatmap的缩放因子， 表示缩放后中心点的近似整数坐标； 宽高的损失函数Lsize公式为： 其中： N为关键点的个数， sk为目标的真实尺寸， 为预测的尺寸。 所述S2还 包括： 根据如下损失函数Ldet公式计算CenterNet模型的损失函数值： Ldet＝Lk+λoffLoff+λsizeLsize                                         (7) 其中， LK为热力图的损失函数， Loff为中心偏移损失函数， Lsize为宽高的损失函数, λoff＝ 1, λsize＝0.1。 7.根据权利要求4所述围岩裂 隙信息的模型训练方法， 其特征在于， 对载入CenterNet 模型的标注后的图像数据集的图像进行图像处 理， 包括： 将标注后的图像数据集的图像尺寸进行缩放； 对缩放后的图像的边界零像素点 填充； 将零像素点填充后的图像经过卷积层、 批归一化层、 激活函数层以及最大池化层处理， 滑动步长为2， 得到特 征输出图像； 对特征输出图像进行改变网络维度和 增加网络深度的卷积处 理， 得到卷积处 理图像； 采用三层转置卷积层对卷积处 理图像进行反卷积处 理， 得到反卷积处 理图像。 8.一种围岩裂隙信息的提取 方法， 其特 征在于， 包括： 将原始图像载入所述权利要求1 ‑7任意一项所述围岩裂隙信 息的模型训练方法得到的权　利　要　求　书 2/3 页 3 CN 114913423 A 3