留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于改进YOLOv7的露头区岩石裂缝检测识别研究

王婷婷 王洪涛 黄志贤 杨明昊 赵万春 郑雄杰

王婷婷, 王洪涛, 黄志贤, 杨明昊, 赵万春, 郑雄杰. 基于改进YOLOv7的露头区岩石裂缝检测识别研究[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230425
引用本文: 王婷婷, 王洪涛, 黄志贤, 杨明昊, 赵万春, 郑雄杰. 基于改进YOLOv7的露头区岩石裂缝检测识别研究[J]. 地质科技通报. doi: 10.19509/j.cnki.dzkq.tb20230425
Rock fracture detection and identification in outcrop area based on improved YOLOv7[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230425
Citation: Rock fracture detection and identification in outcrop area based on improved YOLOv7[J]. Bulletin of Geological Science and Technology. doi: 10.19509/j.cnki.dzkq.tb20230425

基于改进YOLOv7的露头区岩石裂缝检测识别研究

doi: 10.19509/j.cnki.dzkq.tb20230425
基金项目: 国家级-国家自然科学基金(52074088)

Rock fracture detection and identification in outcrop area based on improved YOLOv7

  • 摘要: 【目的】野外露头区岩石裂缝的检测对于裂缝性油气藏的地质勘测具有重要意义,但传统的图像处理算法对岩石裂缝检测效果欠佳,经典的深度学习模型网络复杂度较大、收敛与检测速度较慢且对复杂地质背景的岩石裂缝检测精度较低,因此本文提出一种改进的露头区岩石裂缝检测算法YOLOv7-PCN。【方法】首先,融入PConv(Partial Convolution)卷积模块替换主干网络的部分标准卷积,降低网络计算量提高网络检测速度;其次引入CA(Coordinate Attention)注意力机制模块,增强对裂缝关键位置特征的提取能力;最后边界框回归损失函数使用NWD(Normalized Wasserstein Distance)度量方式,优化了网络的训练收敛速度,提高了复杂环境下的分辨率较低小目标裂缝的定位检测精度。同时在数据处理方面结合数据增强方法构建露头区岩石裂缝数据集,提高网络模型的泛化能力。【结果】实验结果表明,该算法在4种岩石类别的裂缝检测上的平均精度均值达到82.5%,相比于原YOLOv7算法,提升了7.7%,同时模型参数量减少了29.6%,模型计算量节省了31.2%,模型检测速度提升了39.2%,证明了所改进算法模型的有效性。【结论】本文所提出的改进YOLOv7的岩石裂缝检测算法,综合了传统卷积神经网络模型和目前深度学习目标检测模型的优点,在拥有较少的参数量及计算量的轻量化的同时使得复杂环境下的裂缝检测结果更加准确,满足岩石裂缝检测任务的准确性和实时性要求。

     

  • 加载中
计量
  • 文章访问数:  251
  • PDF下载量:  35
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-07-21
  • 网络出版日期:  2023-12-17

目录

    /

    返回文章
    返回