Rapid Identification Method for Lithology of Tunnel Based on Lightweight Model
-
摘要: 为了解决隧道岩性现有识别方法中识别时间长、安全性低、主观性大等问题，结合不同岩性表面具有不同的成分特征，提出了一种基于轻量级模型与岩石图像的隧道岩性快速识别方法. 首先，通过相机采集隧道常见的片麻岩、花岗岩、石灰岩、大理岩、凝灰岩、砂岩等6类主要岩石，建立了岩石图像数据集并划分训练集、验证集与测试集；然后，基于轻量级模型MobileNet V2在ImageNet数据集上进行预训练，改进模型分类器结构以适应岩石数据集，并采用模型迁移学习训练方法对1170张训练集图像进行训练，获取了岩石岩性识别模型；最后，选取共计300张测试集图像在离线条件下进行了模型测试，并与VGG16模型与SVM （support vector machine）模型进行了对比. 实验结果表明：模型在测试数据集上的各项总体评估指标均在85%以上，其中凝灰岩各项评价指标达到94%以上，模型大小仅28.3 MB，平均识别时间为2880 ms，表明该识别模型体积小，识别准确率高，识别时间快，在精确率与识别速度上均优于传统方法.Abstract: In order to solve the problems of long identification time, low security, and high subjectivity in the existing identification methods of tunnel lithology, given the fact that composition characteristics differ among lithological surfaces, a rapid identification method of tunnel lithology based on the lightweight model and rock images was proposed. First, six types of major rocks in tunnels, including gneiss, granite, limestone, marble, tuff and sandstone, were collected by camera, and the rock image data set was established and divided into training set, verification set and test set. Then, based on the lightweight model MobileNet V2, pre-training was conducted on the ImageNet data set, the structure of the model classifier was improved to adapt to the rock data set, and 1170 images of the training set were trained using the transfer learning method for model training to obtain the rock lithology recognition model. Finally, a total of 300 test set images were selected and tested offline, and compared with those of the VGG16 model and the SVM (support vector machine) model. The experimental results show that the overall evaluation indexes of the model on the test data set were above 85%, of which the evaluation indexes of tuff reached more than 94%, the size of the model was only 28.3 MB, and the average recognition time was 2880 ms, indicating that the recognition model was small in size, high in recognition accuracy, and fast in recognition time, which is superior to traditional methods in accuracy and recognition speed.
-
Key words:
- lightweight model /
- transfer learning /
- rock image /
- lithology identification
-
近几十年来，借助于信息技术的快速迭代和制造工艺的飞速发展，无人机在军事、运输、农业等领域广泛应用[1-3]. 无人机具有价格低廉、部署方便、移动灵活、控制简单等优势，将其融入移动通信系统已成为提升通信服务质量的重要举措，得到了学界和工业部门的广泛关注[4-6]. 无人机既可作为移动用户，利用现有的地面基础通信网络对其提供指令、传输数据等业务，提高无人机通信的可靠性和有效性；同时，无人机也可充当空中基站或中继节点，为特定地区或时段提供不间断、宽覆盖的通信服务，并利用良好的空域传输条件满足高速率、低延迟的通信需求. 无人机通信作为现有通信系统的重要补充，克服了地面基础设施的诸多限制，在提高网络覆盖率、改善网络服务质量、增进系统可靠性等方面具有重要意义. 然而，无人机通信也面临诸多挑战. 一方面，受尺寸、载荷、功率等限制，无人机通信的频谱和发射功率有限，需要有效分配通信资源；另一方面，无人机的灵活性和移动性对节点部署提出了高要求，需要合理设计轨迹或位置，以提升网络性能[7-9].
无人机通信系统的资源分配和轨迹/位置优化问题备受关注. 文献[10]研究了多无人机作为移动基站的通信系统中用户分配和无人机轨迹联合优化方法；文献[11]针对不同的用户需求，以提升用户公平性为目标，研究无人机通信系统中的带宽、功率和轨迹联合优化问题；文献[12]利用博弈论研究任务驱动下的无人机通信系统频谱分配；文献[13-14]探讨了无人机作为中继节点的网络资源分配和轨迹优化等问题. 正交频分多址接入（orthogonal frequency division multiple access, OFDMA）作为高效的多载波通信技术，已成为多个商用系统的标准多用户接入方式[15-16]. 文献[17]以无人机作为空中基站工作在OFDMA模式下，研究无人机轨迹和网络资源联合优化方法，提升网络公平性； 文献[18]研究无人机辅助蜂窝通信系统中的资源分配和轨迹联合优化问题，提出迭代优化算法实现网络容量的最大化；文献[19]基于智能超表面（intelligent reflecting surface, IRS）辅助的OFDMA无人机通信系统，研究无人机轨迹、网络资源、IRS配置的联合优化问题. 上述文献均是基于理论容量进行优化分析，实际应用中，主流的无人机系统和无线通信系统均为数字通信方式，数据速率和可靠性是系统设计的重要依据. 文献[20]将一定数据速率和误码率作为OFDMA无人机网络的限制条件，以最小化传输功率为目标，研究子载波分配、调制模式选择和轨迹联合优化问题，但尚未考虑功率分配等因素，也未进一步考虑提升网络速率、公平性等指标.
基于上述问题，本文以最大化用户最小传输速率为目标，在一定的误码率要求下，考虑网络资源分配和无人机位置联合优化问题. 所建问题为混合整数优化问题，直接求解难度较大. 为解决变量间的耦合性，将联合优化问题分解为2个子优化问题，并通过适当变换转化为0-1线性优化和凸优化问题，利用迭代优化方法进行求解. 最后，通过实验仿真和算法对比验证所提算法的有效性和公平性.
1. 系统模型
考虑将无人机作为空中基站的场景，系统模型如图1所示. 在通信服务区域内，存在一个空中悬停无人机作为空中基站，同时为$ M $个地面用户提供通信服务. 为描述方便，设定用户索引集合为$ \mathcal{M} = \left\{ {1,2,\cdots,m,\cdots,M} \right\} $. 特别地，为提升频谱效率，设定无人机基站工作在OFDMA工作模式，系统总带宽为$ B $，均分为$ N $个子载波，单个子载波带宽$ \Delta f = {B / N} $，子信道索引集合为$ \mathcal{N} = \{ 1, 2, \cdots ,n \cdots ,N \} $. 基站会根据用户的需求及信道质量分配一定数量的子信道，且同一子信道仅能分配到至多1个用户. 因此，不同用户之间不存在信道间干扰. 定义子信道分配变量$ {\alpha _{mn}} $，若子信道$ n $分配给用户$ m $，$ {\alpha _{mn}} = 1 $，反之，$ {\alpha _{mn}} = 0 $. 另外，为提升系统性能，基站可根据一定的算法自适应调整各子信道的功率分配和调制方式. 不失一般性，本文考虑正交幅度调制（quadrature amplitude modulation，QAM），选定的调制维度集为$ {c_n} \in \left\{ {1,2,4,6} \right\} $，即系统可自适应选择BPSK、QPSK、16QAM和64QAM 4种调制方式. 在实际应用中，可根据具体情况选定合适的维度集或其他调制方式.
设定无人机悬停高度为$ H $，其平面坐标$ {q} = \left( {{x_{\mathrm{U}}},{y_{\mathrm{U}}}} \right) $. 类似地，假定地面用户的垂直高度为0，相应地，用户$ m $的平面坐标$ {w_m} =( {x_m}, {y_m}) $.
相比于地面通信系统，无人机通信具有良好的视距到达特性，无人机—地面信道极少会受到障碍物及非视距分量的影响，信道传播质量主要取决于直达链路. 类似于文献[21-22]，本文选择直达链路为信道传播模型. 基于自由空间信道传播模型，UAV与用户$ m $之间的信号功率衰减系数为[21-24]
hm=β0H2+‖q−wm‖2, (1) 式中：$ \;{\beta _0} $为单位距离（1 m）处的信号功率衰减量.
假定各子信道独立选择QAM调制方式，用户$ m $的接收信号误码率为$ P _m^{\mathrm{\;e}} $，若$ {\alpha _{mn}} = 1 $，根据文献[25]，用户$ m $利用子信道$ n $实现可靠接收信息符号所需的信噪比为
fm(cn)={12[Q−1(Pem)]2,cn=1,13[Q−1(Pem4)]2(2cn−1),cn=2,4,6, (2) 式中：$ {Q^{ - 1}}\left( x \right) $为式（3）所示Q函数的逆函数.
Q(x)=1√2π∫∞xe−t22dt. (3) 进一步地，UAV利用信道$ n $服务于用户$ m $所需的功率下界可表示为
plimmn=αmnfm(cn)δ20Δfhm, (4) 式中：$ \delta _0^2 $为用户$ m $处的噪声功率谱密度.
2. 问题建模
网络公平性是衡量通信系统性能的重要指标，能够确保稳定可靠的通信服务. 本文将提升网络的公平性作为系统设计的主要指标. 为得到优化的系统设计方案，首先需要对问题进行建模：将最大化用户最小信息速率作为优化目标，以有限的发射功率、子信道、调制方式作为限制条件，实现对子信道分配、功率分配、调制方式选择及无人机位置的联合优化. 为表示方便，优化变量可表示为：$ {{A}} = \{ {\alpha _{mn}}, \forall m \in \mathcal{M},\forall n \in \mathcal{N} \} $，$ {{C}} = \left\{ {{c_n},\forall n \in \mathcal{N}} \right\} $， $ {{P}} = \left\{ {{p_n},\forall n \in \mathcal{N}} \right\} $和$ {q} = \left( {{x_{\mathrm{U}}},{y_{\mathrm{U}}}} \right) $，pn为第n个子信道功率. 相应地，联合优化问题可建模为
P0：max{A,C,P,q}minRm， s.t. N∑n=1αmncn=Rm,∀m∈M,M∑m=1αmn⩽1,∀n∈N,Pem⩽Pemax,∀m∈M,N∑n=1pn⩽PT,αmn∈{0,1},∀m∈M,∀n∈N,cn∈{1,2,4,6},∀n∈N, 式中：$ {R_m} $为用户$ m $获取的信息速率，$ P _{\max }^{\mathrm{\;e}} $为误码率上限，$ {P_{\mathrm{T}}} $为UAV总发射功率限制.
明显地，所建立的优化问题P0为一个混合整数非线性优化问题，并且$ {\alpha _{mn}} $和$ {c_n} $、$ {c_n} $和$ {q} $之间互相耦合. 因此，很难直接求解该问题.
3. 问题求解
为解决优化问题P0中的变量耦合问题，采用迭代优化的方法进行求解. 利用梯度下降法将优化问题分解为2个子问题：子信道分配及调制模式识别优化问题、功率分配和无人机位置优化问题. 然后，利用迭代优化求解，得到优化的系统设计方案.
3.1 子优化问题1：子信道分配及调制模式选择优化
子信道分配系数$ {\alpha _{mn}} $和调制模式选择系数$ {c_n} $之间互耦，直接联合优化两类参数难度很大. 由于$ {c_n} $取值为有限的4个离散值，因此，可将表达式$ {\alpha _{mn}}{f_m}\left( {{c_n}} \right) $变换为式（5）.
qm(bmn)=ρm1bmn+3ρm2b2mn+15ρm2b3mn+63ρm2b4mn, (5) ρm1=12[Q−1(Pem)]2, (6) ρm2=13[Q−1(Pem4)]2, (7) 0⩽4∑s=1bsmn⩽1, (8) 式中：$\rho _{m1}$和$\rho _{m2}$为系数；$ b_{mn} \in \left\{ {0,1} \right\} $，为二进制变量，且应满足式（8）所示约束条件.
通过上述变换，可将优化变量$ {\alpha _{mn}} $和$ {c_n} $由$ b_{mn}^s $替代表示，因此，子信道分配及调制模式选择优化问题可表示为
P1：max {A,C}min Rm,s.t.N∑n=1rmn=Rm,∀m∈M,rmn=bmn+2b2mn+4b3mn+6b4mn,∀m∈M,∀n∈N,0⩽4∑s=1bsmn⩽1,∀m∈M,∀n∈N,0⩽M∑m=14∑s=1bsmn⩽1,∀n∈N,pmn⩾qm(bsmn)δ20Δfhm,∀m∈M,∀n∈N. 优化问题P1为一个0-1整数线性规划问题，可通过成熟的算法（CPLEX或者MOSEK等）予以求解.
3.2 子优化问题2：功率分配及无人机位置联合优化
从信息速率的形式上看，在满足功率、误码率等约束条件下，用户的信息速率由子信道选择系数和调制模式选择系数决定. 因此，子问题1决定了用户的信息速率，在分配方案不变、满足相应约束条件情况下，用户信息速率不会随着功率及位置发生变化. 另一方面，由信道传输模型可知，无人机和用户节点之间的距离直接影响了用户的信噪比，进而通过调整调制模式改变接收的信息速率. 因此，功率分配及无人机位置联合优化问题可将最小化最大传输距离作为优化目标，通过调整功率和无人机位置，尽量提升最低信道衰减值，同时又满足子问题1分配方案所需的功率及误码率约束. 基于上述考虑，功率分配及无人机位置联合优化子问题可建模为
P2：min {P,q}max Dm, s.t.H2+‖q−wm‖2=Dm,∀m∈M,pn⩾qm(bmn)δ20Δf(H2+‖q−wm‖2)β0,∀m∈M,∀n∈N,N∑n=1pn⩽PT,αmn∈{0,1},∀m∈M,∀n∈N,cn∈{1,2,4,6},∀n∈N. 进一步，引入松弛变量$ \eta = {\text{max }} {D_m} $，将问题变换为
P3：min {P,q}η, s.t.H2+‖q−wm‖2⩽η,∀m∈M,pn⩾qm(bmn)δ20Δf(H2+‖q−wm‖2)β0,∀m∈M,∀n∈N,N∑n=1pn⩽PT,αmn∈{0,1},∀m∈M,∀n∈N,cn∈{1,2,4,6},∀n∈N. 明显可见，问题P3为凸优化问题，因此，可通过标准算法（CVX软件包等）进行求解.
3.3 迭代优化算法
总体而言，直接求解通信资源分配及位置联合优化问题难度较大，可通过梯度下降法将其转变为2个子优化问题，即3.1节和3.2节所述的问题，进而可通过迭代优化的方式进行求解[26]，直至算法收敛. 相关算法流程为：
1） 输入：无人机通信网络设定的误码率要求$P_m^{\mathrm{e}}$，无人机最大传输功率限制$ {P_{\mathrm{T}}} $，调制模式选择类型$ {c_n} $；最大迭代次数$ N_{{\mathrm{umi}}} $和收敛门限$ \varepsilon $；无人机初始位置$ {{{q}}_0} = \left( {{x_{\mathrm{U}}},{y_{\mathrm{U}}}} \right) $和初始功率分配方案$ {{{P}}_0} = \left\{ {{p_n},\forall n \in \mathcal{N}} \right\} $，子信道分配方案$ {{{A}}_0} = \left\{ {{\alpha _{mn}},\forall m \in \mathcal{M},\forall n \in \mathcal{N}} \right\} $，调制模式选择方案${{{C}}_0} = \{ {c_n}, \forall n \in \mathcal{N} \} .$
2） 基于参数$ {{{A}}_0} $、$ {{{C}}_0} $、$ {{{P}}_0} $和$ {{{q}}_0} $计算得到用户速率初值$ R_{m,0} $及可获取的最小用户速率${\phi _0} = {\text{min}}\; R_{m,0}$.
3） for $i = 1:N_{\mathrm{umi}}$
4） 基于第i−1次迭代功率分配方案$ {{{P}}_{i - 1}} $、无人机位置$ {{{q}}_{i - 1}} $，建立子信道分配及调制模式选择优化模型，利用二进制线性规划优化算法求解得到第i次迭代的子信道分配方案$ {{{A}}_i} $和调制模式选择方案$ {{{C}}_b} $.
5） 基于$ {{{A}}_i} $和$ {{{C}}_i} $，建立功率分配及无人机位置联合优化模型，利用凸优化算法求解得到优化变量$ {{{P}}_i} $和$ {{{q}}_i} $.
6） 基于参数$ {{{A}}_i} $、$ {{{C}}_i} $、$ {{{P}}_i} $和$ {{{q}}_i} $计算得到第i次迭代的用户速率$ R_{m,i} $及可获取的最小用户速率$ {\phi_i} = {\text{min}}\; R_{m,i} $.
7） 计算判断：若$ i = N_{{\mathrm{umi}}} $或者$ {{\left( {{\phi _i} - {\phi _{i - 1}}} \right)} / {{\phi _{i - 1}}}} \leqslant \varepsilon $迭代停止退出；否则，$ i = i + 1 $，迭代继续.
8） End For
9） 输出：优化的资源分配及无人机位置方案（$ {{{A}}_i} $、$ {{{C}}_i} $、$ {{{P}}_i} $和$ {{{q}}_i} $）.
4. 实验仿真
为验证所提算法的有效性，本节通过设计不同条件下的仿真，利用结果比对验证所提算法的性能. 不失一般性，设定实验仿真条件为：服务区域为半径500 m的圆形区域，无人机以一定的高度悬停在空中，作为空中基站为服务区域内的$ K $个用户提供通信服务，且用户均匀分布在服务区域内；另外，无人机的可用子载波个数、总带宽及最大发射功率均受限. 关键参数设置如表1所示. 仿真时，选定具有代表性的均匀分配算法作为对比对象：无人机的水平位置设置在所有服务用户的中心点，即$ {x_{\mathrm{U}}} = $${{\displaystyle\sum {{x_m}} } / M} , {y_{\mathrm{U}}} = {{\displaystyle\sum{{y_m}} } / M}$；子信道平均分配至$ M $个用户，即每个用户占用的子信道数目为$ {N \mathord{\left/ {\vphantom {N M}} \right. } M} $；各子信道功率一致，均为$ {p_n} = {{{P_{\mathrm{T}}}} \mathord{/ {\vphantom {{{P_{\mathrm{T}}}} N}} } N}$；各子信道均选定能够满足误码率要求的最高阶调制方式. 所提算法的迭代参数可设定为$ N_{{\mathrm{umi}}}= 20 $次，$ \varepsilon = 0.01 $.
表 1 部分关键系统仿真参数Table 1. Some key system simulation parameters参数 数值 $ M $/个 20 $ H $/m 100 $ N $/个 100 $ B $/MHz 10 $ {\beta _0} $/dB −50 $ \delta _0^2 $/(dBm·Hz−1) −169 $ P_{\max }^{\mathrm{e}} $ $ {10^{ - 4}} $ $ {P_{\mathrm{T}}} $/dBm 22 网络各节点的平面部署情况示意如图2所示，从图中可见，20个地面用户均匀分布在服务区域内，假设无人机初始位置均选择部署在网络中心区域内. 在UAV部署位置优化中，本文设定的优化目标是：尽量减小最大传输距离，降低信号的最大衰减量. 图2中用户9更靠近服务区域的边界，UAV会朝着更靠近用户9的方向部署，同时受到其他用户的限制，UAV的部署不会偏离中心位置太远. 因此，所提算法能够考虑到网络公平性，能够平衡各用户的通信服务需求.
相应地，图3为所提算法得到的子载波分配方案. 图中，蓝色矩形表示“未分配”，黄色矩形代表“分配”，余图同. 明显可见，相比均匀分配算法，本文所提算法对子信道的分配方案实际调整较少，仅用户2和用户12增加了1个子信道，各分配6个子信道；用户14减少了2个子信道，仅分配3个子信道，其余用户仍为5个子信道. 这是由于在本系统设定中子信道数量相对于用户数量较少，可调整的自由度不足，为满足用户的公平性，需要子信道数目保持一定的稳定性. 用户14与UAV空中基站的距离最近，具有最优的信道质量，因此，利用较少数量的子信道既可达到较高的信息传输速率.
图4表示均匀分配算法及本文所提优化算法所采用的调制方式选择方案. 从图中可以发现：2种算法均没有选择BPSK调制，仅有用户14选择64QAM调制. 因此，所选仿真系统设定中，大量的用户适用于QPSK、16QAM调制方式. 基站可通过调整各子信道功率，使得较多的子信道适用于高阶调制方式. 2种算法的功率分配方案如图5所示. 由于本文设定功率为连续可调变量，功率域的自由度较大，系统可通过合理分配各信道功率使得较多的子信道适用于更高阶的数字调制方式，进而提升用户速率. 为提升所提算法的适用性，也可通过适当的调整，将功率设定为固定可调档位选择，得到离散的功率调整方案. 另外，从图5可以发现，对于同一用户的不同子信道，系统分配的功率不同. 这是因为本文所提算法中功率分配仅是一类变量，当算法获得优化结果后即停止迭代. 事实上，若将同一用户的子信道功率一致增加为约束条件，即可获得均匀的功率分配方案.
利用得到的通信资源分配及无人机位置优化方案，通过计算得到各用户信息速率. 2种算法下用户获取速率的对比如图6所示. 由于本文所提的优化算法综合考虑了频域、功率域和空间域，变量的自由度较大，能够综合利用各空间的参数改进系统的总体性能. 因此，本文所提算法能够有效提高用户的最小获取速率，改善网络的公平性.
图7为不同误码率要求及不同发射功率限制下的系统最小获取用户速率性能对比，横坐标表示误码率上限及最大功率限制，即$ ( {P_{\max }^{\mathrm{e}},{P_{\mathrm{T}}}}) $，其中，PT的单位为dBW. 由图可见，系统最小获取信息速率会随着设定误码率的增大呈增长趋势，也会随着最大发射功率的增大呈增长趋势；所提优化算法能极大提升系统可获取的最小信息速率. 另一方面，最小获取用户速率呈阶梯状增加，这是由于在数字调制方式中，信息速率仅与调制方式及信噪比有关，而信噪比在一定范围内，所选的调制方式可保持一定的稳定性，因此，速率变化为离散变化，而非连续变化.
图 7 不同误码率及发射功率下最小获取用户速率Figure 7. Minimum achievable user rates with different BERs and transmitted powers无人机的高度也是系统设计中需要考虑的重要因素，实际情况中无人机高度会直接影响系统的覆盖范围和可获取的信息速率. 本文中仅考虑通信直达链路，信号仅与传播距离有关，因此，未考虑非直达链路造成的性能损失. 图8显示了系统获取的最小信息速率与无人机高度的关系曲线. 由图8可见，均匀分配算法下，利用设定的系统参数获取的最小速率未发生变化，这是因为均匀分配会使得最小速率用户获得足够的带宽和功率，确保信道在一定变换范围内保持稳定的信息获取速率. 相应地，本文优化算法中，系统最小获取速率会随着无人机高度的提升呈下降趋势，这与预期结果一致：随着无人机高度的增加，信号传输衰减会随之增大，从而造成信息速率的降低. 同时，最小获取信息速率阶梯状下降，这与图7中的变化趋势相似：信息速率在一定信噪比变换范围内保持稳定.
图 8 不同无人机高度下的用户最小获取信息速率Figure 8. Minimum achievable user rates under different UAV heights事实上，以上仿真实验仅是针对某种用户分布情况下做出的针对性分析对比. 下一步，可针对不同的用户节点分布展开分析比对，或者利用传输信道的瞬时或统计特性进行研究，使本文所提算法更具针对性和普适性.
5. 结 论
本文解决了基于OFDMA模式的无人机通信系统中的通信资源及无人机位置联合优化问题. 首先，以提升系统用户的公平性为目标，将联合优化问题建模为子信道、功率、误码率限制下的最大-最小问题；之后，利用迭代优化的方法将联合优化分解为2个子优化问题，通过适当的变换将子优化问题转变为标准的0-1整数线性规划和凸优化问题分别求解. 仿真结果证实所提算法能有效提升用户最小获取速率，改善系统的服务质量.
-
图 6 MobileNet V2深度可分离式卷积结构
Figure 6. MobileNet V2 depthwise separable convolution structure
图 7 训练中训练精度、验证精度及损失变化
Figure 7. Training accuracy，verification accuracy and loss changes during training
表 1 MobileNet V2基础结构
Table 1. MobileNet V2 basic structure
输入 操作 t c n s 2242 × 3 conv2d 32 1 2 1122 × 32 bottleneck 1 16 1 1 1122 × 16 bottleneck 6 24 2 2 562 × 24 bottleneck 6 32 3 2 282 × 32 bottleneck 6 64 4 2 142 × 64 bottleneck 6 96 3 1 142 × 96 bottleneck 6 160 3 2 72 × 160 bottleneck 6 320 1 1 72 × 320 conv2d 1 × 1 1280 1 1 72 × 1280 avgpool 7 × 7 1 1 × 1 × 1280 conv2d 1000 注：c 为输出通道数；s 为模块第 1 次重复时的操作步长（之后重复操作步长均为 1）. 
下载: 导出CSV
表 2 改进的模型结构
Table 2. Improved model structure
输入 操作 输出 224 × 224 × 3 conv2d 112 × 112 × 32 112 × 112 × 32 bottleneck1 112 × 112 × 16 $ \vdots $ $\vdots $ $\vdots $ 7 × 7 × 160 bottleneck16 7 × 7 × 160 7 × 7 × 160 bottleneck17 7 × 7 × 320 7 × 7 × 320 conv2d 1 × 1 7 × 7 × 1280 7 × 7 × 1280 avgpool 7 × 7 1 × 1 × 1280 1 × 1 × 1280 Dense1 （激活函数 Relu） 1 × 1 × 1024 1 × 1 × 1024 Dropout 1 × 1 × 1024 1 × 1 × 1024 Dense2 （激活函数 Relu） 1 × 1 × 256 1 × 1 × 256 Dropout 1 × 1 × 256 1 × 1 × 256 Dense3 （激活函数 Relu） 1 × 1 × 6 1 × 1 × 6 Softmax 分类函数 分类结果
下载: 导出CSV
表 3 基于fine-tune的迁移训练
Table 3. Transfer training based on fine-tune
输入 操作 输出 224 × 224 × 3 conv2d 112 × 112 × 32 112 × 112 × 32 bottleneck1 112 × 112 × 16 $ \vdots $ $\vdots $ $\vdots $ 7 × 7 × 160 bottleneck16 7 × 7 × 160 7 × 7 × 160 bottleneck17 7 × 7 × 320 7 × 7 × 320 conv2d 1 × 1 7 × 7 × 1280 7 × 7 × 1280 avgpool 7 × 7 1 × 1 × 1280 1 × 1 × 1280 Dense （激活函数 Relu） 1 × 1 × 1024 1 × 1 × 1024 Dropout 1 × 1 × 1024 1 × 1 × 1024 Dense （激活函数 Relu） 1 × 1 × 256 1 × 1 × 256 Dropout 1 × 1 × 256 1 × 1 × 256 Dense （激活函数 Relu） 1 × 1 × 6 1 × 1 × 6 Softmax 分类函数 分类结果
下载: 导出CSV
表 4 训练集各项评价指标
Table 4. Index values for training set evaluation
岩石 精确率 召回率 综合评价指标 片麻岩 1.000 0.933 0.965 花岗岩 1.000 0.967 0.983 大理岩 0.938 1.000 0.968 石灰岩 0.935 0.967 0.951 凝灰岩 0.968 1.000 0.984 砂岩 1.000 0.967 0.983
下载: 导出CSV
表 5 测试集图片识别结果
Table 5. Recognition results for testing set images
张 测试图片 片麻岩 花岗岩 大理岩 石灰岩 凝灰岩 砂岩 片麻岩 36 2 5 6 1 花岗岩 45 1 4 大理岩 1 46 3 石灰岩 4 45 1 凝灰岩 2 48 砂岩 4 3 1 4 2 36 合计 40 51 57 64 51 37
下载: 导出CSV
表 6 测试集各项评价指标
Table 6. Index values for testing set evaluation
岩石 P R F1 片麻岩 0.900 0.720 0.800 花岗岩 0.882 0.900 0.891 大理岩 0.807 0.920 0.860 石灰岩 0.703 0.900 0.789 凝灰岩 0.941 0.960 0.950 砂岩 0.973 0.720 0.828
下载: 导出CSV
表 7 实验结果对比
Table 7. Comparison of experimental results
分类指标 平均识别精确率 单张识别时间/ms SVM 0.665 4650 VGG16 0.814 3680 MobileNet V2 0.868 2880
下载: 导出CSV
-
管会生,吴和北,陶伟,等. 深埋斜井隧道双模式盾构刀盘驱动扭矩分析[J]. 现代隧道技术,2015,52(6): 163-169.GUAN Huisheng, WU Hebei, TAO Wei, et al. Analysis of the cutterhead driving torque of a dual-mode shield used for a deeply buried inclined shaft[J]. Modern Tunnelling Technology, 2015, 52(6): 163-169. 刘书斌, 方勇, 周超月, 等. 承压溶腔对隧道开挖稳定性影响的模型试验[J]. 岩石力学与工程学报, 2017, 36(增刊2): 3781-3791.LIU Shubin, FANG Yong, ZHOU Chaoyue, et al. Model test of tunnel excavation stability influenced by concealed cave with internal water pressure[J]. Chinese Journal of Rock Mechanics and Engineering, 2017, 36(S2): 3781-3791. 严鹏,张晨,高启栋,等. 不同损伤程度下岩石力学参数变化的声波测试[J]. 岩土力学,2015,36(12): 3425-3432.YAN Peng, ZHANG Chen, GAO Qidong, et al. Acoustic wave test on mechanical properties variation of rocks under different damage degrees[J]. Rock and Soil Mechanics, 2015, 36(12): 3425-3432. 苏凯,张妍珺,伍鹤皋,等. 隧洞开挖过程中围岩安全系数演化特征与支护时机选择方法研究[J]. 岩石力学与工程学报,2019,38(增刊1): 2964-2975.SU Kai, ZHANG Yanjun, WU Hegao, et al. Evolution of surrounding rock safety factor and support installation time during tunnel excavation[J]. Chinese Journal of Rock Mechanics and Engineering, 2019, 38(S1): 2964-2975. WEI X S, QIN X H, RONG C L, et al. Image classification recognition for rock micro-thin section based on probabilistic neural networks[J]. Applied Mechanics and Materials, 2014, 602-605: 2147-2152. doi: 10.4028/www.scientific.net/AMM.602-605.2147 罗佳,刘大刚. 基于自适应阈值和连通域的隧道裂缝提取[J]. 西南交通大学学报,2018,53(6): 1137-1141. doi: 10.3969/j.issn.0258-2724.2018.06.007LUO Jia, LIU Dagang. Tunnel crack extraction based on adaptive threshold and connected domain[J]. Journal of Southwest Jiaotong University, 2018, 53(6): 1137-1141. doi: 10.3969/j.issn.0258-2724.2018.06.007 刘烨,程国建,马微,等. 基于铸体薄片图像颜色空间与形态学梯度的岩石分类[J]. 中南大学学报(自然科学版),2016,47(7): 2375-2382.LIU Ye, CHENG Guojian, MA Wei, et al. Rock classification based on features form color space and morphological gradient of rock thin section image[J]. Journal of Central South University (Science and Technology), 2016, 47(7): 2375-2382. 程国建,郭文惠,范鹏召. 基于卷积神经网络的岩石图像分类[J]. 西安石油大学学报(自然科学版),2017,32(4): 116-122. doi: 10.3969/j.issn.1673-064X.2017.04.020CHENG Guojian, GUO Wenhui, FAN Pengshao. Study on rock image classification based on convolution neural network[J]. Journal of Xi’an Shiyou University (Natural Science Edition), 2017, 32(4): 116-122. doi: 10.3969/j.issn.1673-064X.2017.04.020 LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521: 436-444. doi: 10.1038/nature14539 BIANCO S, BUZZELLI M, MAZZINI D, et al. Deep learning for logo recognition[J]. Neurocomputing, 2017, 245: 23-30. doi: 10.1016/j.neucom.2017.03.051 侯进,吕志良,徐茂,等. 基于深度学习的复合神经网络机场信号检测框架[J]. 西南交通大学学报,2019,54(4): 863-869.HOU Jin, LYU Zhiliang, XU Mao, et al. Combined neural networks based on deep learning for signal detection in aeronautical communications[J]. Journal of Southwest Jiaotong University, 2019, 54(4): 863-869. 白林,姚钰,李双涛,等. 基于深度学习特征提取的岩石图像矿物成分分析[J]. 中国矿业,2018,27(7): 178-182.BAI Lin, YAO Yu, LI Shuangtao, et al. Mineral composition analysis of rock image based on deep learning feature extraction[J]. China Mining Magazine, 2018, 27(7): 178-182. 徐述腾,周永章. 基于深度学习的镜下矿石矿物的智能识别实验研究[J]. 岩石学报,2018,34(11): 3244-3252.XU Shuteng, ZHOU Yongzhang. Artificial intelligence identification of ore minerals under microscope based on deep learning algorithm[J]. Acta Petrologica Sinica, 2018, 34(11): 3244-3252. IMAMVERDIYEV Y, SUKHOSTAT L. Lithological facies classification using deep convolutional neural network[J]. Journal of Petroleum Science and Engineering, 2019, 174: 216-228. doi: 10.1016/j.petrol.2018.11.023 ZHANG Y, WANG G, LI M, et al. Automated classification analysis of geological structures based on images data and deep learning model[J]. Applied Sciences, 2018, 8(12): 2493. doi: 10.3390/app8122493 PAN S J, YANG Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10): 1345-1359. doi: 10.1109/TKDE.2009.191 QURESHI A S, KHAN A, ZAMEER A, et al. Wind power prediction using deep neural network based meta regression and transfer learning[J]. Applied Soft Computing, 2017, 58: 742-755. doi: 10.1016/j.asoc.2017.05.031 张野,李明超,韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报,2018,34(2): 333-342.ZHANG Ye, LI Mingchao, HAN Shuai. Automatic identification and classification in lithology based on deep learning in rock images[J]. Acta Petrologica Sinica, 2018, 34(2): 333-342. LI N, HAO H, GU Q, et al. A transfer learning method for automatic identification of sandstone microscopic images[J]. Computers & Geosciences, 2017, 103: 111-121. WANG C, LI Y, FAN G, et al. Quick recognition of rock images for mobile applications[J]. Journal of Engineering Science and Technology Review, 2018, 11(4): 111-117. doi: 10.25103/jestr.114.14 SANDLER M, HOWARD A, ZHU M, et al. MobileNet V2: inverted residuals and linear bottlenecks[C]//IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 4510-4520. CHOLLET F. Xception: deep learning with depthwise separable convolutions[C]//IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 1800-1807. PAN S J, TSANG I W, KWOL J T, et al. Domain adaptation via transfer component analysis[J]. IEEE Transactions on Neural Networks, 2011, 22(2): 199-210. doi: 10.1109/TNN.2010.2091281 HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 770-778. 杜恩宇,张宁,李艳荻. 基于自适应分块编码SVM的车道导向箭头多分类方法[J]. 光学学报,2018,38(10): 251-258.DU Enyu, ZHANG Ning, LI Yandi. Multi classification method of lane arrow markings based on support vector machines with adaptive partitioning coding[J]. Acta Optica Sinica, 2018, 38(10): 251-258. 期刊类型引用(9)
1. 张洪，蒋小刚，朱志伟，夏润川，周建庭. 斜拉索表观病害图像智能识别综述. 西南交通大学学报. 2025(01): 10-26 . 
本站查看2. 宋战平，杨子凡，张玉伟，霍润科. 深度学习在隧道与地下工程中的应用现状及展望. 隧道建设(中英文). 2025(02): 221-255 . 
百度学术3. 刘岳开，高宏力，郭亮，由智超，李世超. 基于轻量级卷积网络的铣削粗糙度在机监测研究. 西南交通大学学报. 2024(01): 193-200 . 本站查看4. 夏覃永，王明年，孙鸿强，林鹏，赵思光. 基于钻进参数和岩性的钻爆法隧道围岩智能分级模型. 隧道建设(中英文). 2024(07): 1410-1421 . 百度学术5. 张胜，黄宁，陈梓浓，凌同华，张亮. 基于小波变换与迁移学习的岩石岩性及含水状态超声波检测. 地球物理学进展. 2024(06): 2407-2419 . 百度学术6. 曹升亮，赵礽晔. 高速公路浅埋大跨度双跨连拱隧道结构安全评估研究. 建筑机械. 2023(05): 91-96 . 百度学术7. 覃本学，沈疆海，马丙鹏，宋文广. 融合图像外特征的岩屑岩性深度学习识别方法. 科学技术与工程. 2022(26): 11500-11506 . 百度学术8. 覃本学，沈疆海，马丙鹏，宋文广. 基于Debseg-Net的岩屑图像语义分割. 科学技术与工程. 2022(29): 12927-12935 . 百度学术9. 齐梦学. 我国TBM法隧道工程技术的发展、现状及展望. 隧道建设(中英文). 2021(11): 1964-1979 . 百度学术其他类型引用(5)
-
下载:
下载:
百度学术
点击查看大图
计量
- 文章访问数: 629
- HTML全文浏览量: 313
- PDF下载量: 23
- 被引次数: 14