地质裂缝图像往往蕴含着复杂纹理、不规则形态等独特的特征信息,这给传统图像处理算法带来了巨大的挑战。本文通过构建针对地质裂缝图像的卷积神经网络模型,在保障准确率的前提下契合野外复杂工况下的快速识别诉求,紧密结合真实地质裂缝图像数据,研究基于轻量化卷积神经网络的地质裂缝识别方法,主要工作如下: (1)研究实现基于ResUNet-Lite的地质裂缝识别算法。综合权衡多个经典卷积神经网络模型的性能后,选择UNet网络开展适应性改良。聚集轻量化与性能提升,结合残差连接的思想,利用深度可分离卷积替换残差连接支路的普通卷积达到轻量化,利用ASPP模块提升编码器和解码器间的信息流动效率,实现ResUNet-Lite网络模型,并在此基础上研究实现基于ResUNet-Lite的地质裂缝识别算法。经实验验证,算法在验证集上的平均交并比提升至78.7%,且参数量大幅下降。 (2)研究实现基于Atten-ResUNet-Lite的地质裂缝识别算法。为更进一步利用多通道特征、提升模型识别效率。在模型的层级间引入通道注意力机制,加强网络模型的特征提取与图像还原能力,实现Atten-ResUNet-Lite网络模型,在此基础上,研究实现基于Atten-ResUNet-Lite的地质裂缝识别算法。经实验验证,改进后的算法在验证集上的平均交并比提升至78.90%。特别是,在复杂地质裂缝样本中表现更佳。 (3)设计实现地质裂缝识别系统。基于Py Qt5框架和Python语言,设计并开发系统交互界面,将ResUNet-Lite和Atten-ResUNet-Lite网络模型集成至系统中,实现模型训练结果与评价结果的可视化。同时,将其他常用模型也进行系统集成,为多模型识别效果对比提供参考。 针对当前裂缝识别工作中存在的诸多问题。本文提出的创新方法利用人工智能算法与图像识别技术,不仅提高了裂缝识别的精准度,还减少了对人工作业的依赖,有效降低人力成本与主观判断误差。同时,为地质勘探提供更全面、更准确的数据支持。