基于卷积神经网络的土体含水率识别方法及装置

本技术涉及岩土检测，具体而言，涉及一种基于卷积神经网络的土体含水率识别方法及装置。

背景技术：

1、含水率是土的基本物理指标之一，影响非饱和土的强度、变形、导热性及稳定性。精确快速测量土的含水率对边坡工程、农业生产、隧道开挖等具有重要意义。比如隧道开挖坍塌和挖方体边坡冲蚀破坏等现场失稳灾变问题，造成这些事故的一个重要原因就是土体含水率在降雨入渗、农田灌溉等后发生重大变化，从而诱发土地地质湿陷。因此对重大岩土工程影响下的土体进行原位检测并准确识别出土体原位含水率的大小，对于研究土体失稳机理以及实际灾变预防工程都极为重要。

2、对于含水率的识别方法有多种，包括取样测量法、定位测量法、遥感测量法、模型模拟方法等。

3、其中，取样测量法，是将所取土壤样品拿至实验室下经过加热干燥后间接获得土壤含水率的方法，属于破坏性的检测，无法实现长时间实时检测；定位测量法，是将检测仪器置于土壤表面或浅层土壤中，待检测仪器工作时通过读数直接或间接获取含水率的一种方法，该方法仪器布置过程繁琐，仪器大多暴露于不良环境，维护成本高；遥感测量法，是将遥感仪搭载于卫星对地表土壤含水率进行大尺度检测的一种方法，该方法只能大范围的对地表含水率进行估计，无法实现小范围土体含水率精准测量。

4、相比于取样测量法、定位测量法、遥感测量法，模型模拟方式更简便，精度也更好。现有的模型模拟方法中主要有土壤水动力学模型法、人工神经网络法。其中土壤水动力学模型法，是根据土壤的物理性质，通过理论模型预测和反演土壤含水率，该种方法相比土体实际的复杂情况较为简单，但是精度不高；现有的人工神经网络法，主要是根据通过神经网络建立模型，然后根据模型进行土壤含水率的预测，相比于土壤水动力学模型法更符合土体的实际情况，但是现有的人工神经网络法，难以实现含水率连续变化的预测，精度也不高。

技术实现思路

1、本技术的主要目的在于提供一种基于卷积神经网络的土体含水率识别方法及装置，解决现有的人工神经网络法进行土体含水率识别存在的难以实现含水率连续变化的预测，精度也不高的问题。

2、为了实现上述目的，根据本技术的第一方面，提供了一种基于卷积神经网络的土体含水率识别方法。

3、根据本技术的基于卷积神经网络的土体含水率识别方法包括：根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。

4、可选的，所述根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集包括：获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；将所有带有标签的图像构成所述数据集。

5、可选的，所述对所述训练集中的图像数据进行预处理包括：通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；将裁剪后的训练集中的图像数据进行数据缩减。

6、可选的，所述基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新包括：从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。

7、可选的，所述根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型包括：对所述验证集中的图像数据进行所述预处理；计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。

8、可选的，所述根据所述含水率识别模型对待识别地区任意土体的含水率进行识别包括：获取所述待识别地区中任意土体的表面图像；将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。

9、可选的，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。

10、为了实现上述目的，根据本技术的第二方面，提供了一种基于卷积神经网络的土体含水率识别装置。

11、根据本技术的基于卷积神经网络的土体含水率识别装置包括：建立单元，用于根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；预处理单元，用于对所述训练集中的图像数据进行预处理，所述预处理至少包括数据扩增、数据裁剪、数据缩减；模型更新单元，用于基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；验证单元，用于根据所述验证集对每次更新后的卷积神经网络模型进行验证，并将在所述验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，所述含水率识别模型为根据土体的表面图像识别土体的含水率的模型；识别单元，用于根据所述含水率识别模型对待识别地区任意土体的含水率进行识别。

12、可选的，所述建立单元包括：第一获取模块，用于获取每种压实度对应的至少三个土样的表面图像集，每个土样对应一个表面图像集，所述表面图像集包括按照预设范围从饱和到干燥的变化过程中不同的含水率下采集到的不同拍摄距离下的土样的正面图像、反面图像；计算模块，用于根据每次拍摄后记录的土样的质量以及土样的干燥质量计算表面图像集中每个图像对应的含水率；标签确定模块，用于将计算得到的含水率对应的作为所述表面图像集中的每个图像的标签；建立模块，用于将所有带有标签的图像构成所述数据集。

13、可选的，所述预处理单元包括：扩增模块，用于通过随机旋转、水平翻转、垂直翻转的方式对所述训练集中的图像数据进行数据扩增；第一裁剪模块，用于对扩增后的训练集中的图像数据以图像中心为剪裁区域中心进行预设尺寸的数据裁剪；缩减模块，用于将裁剪后的训练集中的图像数据进行数据缩减。

14、可选的，所述模型更新单元，包括：输入模块，用于从所述预处理后的训练集中分批量随机抽取预设数量的图像数据输入到所述卷积神经网络模型中；将所述预处理后的训练集中包含的每个图像作为模型的输入，所述预处理后的训练集中包含的每个图像对应的含水率作为模型的输出；更新模块，用于根据所述损失函数对所述卷积神经网络模型进行不断的训练更新，得到更新后的卷积神经网络模型。

15、可选的，所述验证单元，包括：预处理模块，用于对所述验证集中的图像数据进行所述预处理；损失确定模块，用于计算每次更新后的卷积神经网络模型在所述预处理后的验证集上的损失；迭代模块，用于若当前次更新后的卷积神经网络模型在所述验证集上的损失最小，则将当前次更新后的卷积神经网络模型保存，并将计数器置零后重复模型的更新，所述计数器的初始值为零；若当前次更新后的卷积神经网络模型在所述验证集上的损失不是最小，则所述计数器的值加1后重复模型的更新；模型确定模块，用于当所述计数器的值达到预设迭代次数时，将最后保存的更新后的卷积神经网络模型确定为所述含水率识别模型。

16、可选的，所述识别单元包括：第二获取模块，用于获取所述待识别地区中任意土体的表面图像；第二裁剪模块，用于将所述表面图像以图像中心为剪裁区域中心进行所述预设尺寸的数据裁剪；识别模块，用于将裁剪后的表面图像输入到所述含水率识别模型中得到所述待识别地区中任意土体的含水率的识别结果。

17、可选的，所述表面图像集中每个图像对应的土样是采集在圆形的容器中的土样。

18、为了实现上述目的，根据本技术的第三方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使所述计算机执行上述第一方面中任意一项所述的基于卷积神经网络的土体含水率识别方法。

19、为了实现上述目的，根据本技术的第四方面，提供了一种电子设备，包括：至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器执行上述第一方面中任意一项所述的基于卷积神经网络的土体含水率识别方法。

20、在本技术实施例的基于卷积神经网络的土体含水率识别方法及装置中，根据待识别地区土样在不同压实度下、连续变化的含水率对应的表面图像建立数据集，并将数据集划分为训练集、验证集、测试集；对训练集中的图像数据进行预处理，预处理至少包括数据扩增、数据裁剪、数据缩减；基于预处理后的训练集根据损失函数对卷积神经网络模型进行模型的更新；根据验证集对每次更新后的卷积神经网络模型进行验证，并将在验证集上损失最小的更新后的卷积神经网络模型确定为含水率识别模型，含水率识别模型为根据土体的表面图像识别土体的含水率的模型；根据含水率识别模型对待识别地区任意土体的含水率进行识别。可以看出，本技术在的数据集是基于待识别地区土样不同压实度下、连续变化的含水率对应的表面图像，因此基于该数据集得到的含水率识别模型更符合实际情况，也能够对连续变化的含水率进行预测。另外，在将训练集中的图像数据输入到卷积神经网络模型前，还会进行数据扩增、数据裁剪、数据缩减的预处理，也可以提高含水率识别模型的精度。