基于多重尺度双域特征融合Transformer(Multi-Scale Dual-Domain Feature Fusion Transformer, MDF2Former)的小鼠伤口细菌高光谱图像分类

《Journal of Imaging》:MDF2Former: Multi-Scale Dual-Domain Feature Fusion Transformer for Hyperspectral Image Classification of Bacteria in Murine Wounds Decheng Wu, Wendan Liu, Rui Li, Xudong Fu, Lin Tao, Yinli Tian, Anqiang Zhang, Zhen Wang and Hao Tang

【字体: 大 中 小 】 时间:2026年03月05日 来源:Journal of Imaging 3.8

编辑推荐:

  目前,围岩(Surrounding Rock)标准化分类方法相对不足,围岩分级主要依赖技术人员主观判断,导致评价结果差异较大。研究人员以滇中引水工程某隧道围岩图像及水利隧道数据为基础,通过图像处理分析与迁移学习(Transfer Learning)对围岩进行较

  
目前,围岩(Surrounding Rock)标准化分类方法相对不足,围岩分级主要依赖技术人员主观判断,导致评价结果差异较大。研究人员以滇中引水工程某隧道围岩图像及水利隧道数据为基础,通过图像处理分析与迁移学习(Transfer Learning)对围岩进行较准确分类。采集丰富的围岩图像及强度数据,依据规范与专家指导对围岩进行分类。引入分形理论(Fractal Theory)有效揭示围岩表面弱面(Weak Layer)与节理(Joint)空间分布复杂性与不规则性,基于盒维数(Box-Counting Dimension)分形维数变化提出基于分形理论的围岩分类方法。结合围岩图像量化参数与回弹仪(Rebound Hammer / Schmidt Hammer)实测强度数据,提出基于图像分析的围岩强度修正方法,可有效解决传统回弹值因岩体非均匀分布产生的误差。修正后可获得更准确的强度特征,有利于围岩标准化分级。研究人员利用迁移学习识别隧道围岩图像并建立模型实现围岩快速分类,为隧道围岩标准化分级提供支持。
论文解读:基于图像处理与迁移学习的隧道围岩分类及分形特征分析与回弹强度修正研究
一、研究背景与意义
隧道围岩(Surrounding Rock)稳定性是隧道施工安全与支护设计的关键依据,现行围岩分级主要依赖工程技术人员现场经验判断,存在主观性强、评价结果不一致等问题。传统回弹仪(Schmidt Hammer / Rebound Hammer)测得的单点强度值受硬岩与软弱夹层(弱层,Weak Layer)不均匀分布影响显著,难以真实反映整体岩体强度。同时,深度学习应用于围岩图像分类时常面临标注样本不足的瓶颈。为此,研究人员引入分形理论(Fractal Theory)对围岩表面弱层与节理(Joint)发育复杂度进行定量表征,提出加权分形维数评价指标;利用图像分割得到的弱层面积占比对回弹强度进行面积加权修正;并采用预训练ResNet-18模型的迁移学习(Transfer Learning)方法对小样本围岩图像进行自动分类,最终形成分形分析与深度学习相互校验的双分支围岩分级框架。该论文发表于《Journal of Imaging》。
二、主要关键技术方法
研究人员采集滇中引水工程某隧道Ⅲ、Ⅳ、Ⅴ级花岗岩与灰岩围岩开挖面图像约3800张及对应回弹强度数据,依据GB/T 50218-2014?《工程岩体分级标准》并由经验丰富的工程师共同确认分级。分形分析分支:将原图灰度化后高斯滤波去噪,用Otsu自动阈值法分割弱层区域,形态学开闭运算去噪,对二值化弱层与提取的节理线分别用盒计数法(Box-Counting Method)计算分形盒维数(Fractal Box Dimension, D),提出加权分形维数评价指标FDeval=Dweak layer+0.45×Djoint。强度修正分支:用图像量化弱层与硬岩面积占比,分别平均各自区域回弹值后按面积比例加权得到修正强度Rc,遇极软充填或无回弹读数区仅用硬岩区均值乘硬岩面积比。深度学习分支:采用旋转、加噪及混合数据增强将样本扩增至11280张,按7:3分层划分训练测试集;以ImageNet预训练ResNet-18为骨干网络,冻结或微调整卷积层权重、替换全连接层为三类输出,用Adam优化器(初始学习率0.001,批次32,50 epoch)交叉熵损失函数训练,加入Dropout(p=0.5)与早停策略防过拟合。两分支结果互校,分歧时取偏保守(较低)级别以确保施工安全。
三、研究结果
3. Acquisition of Surrounding Rock Images(围岩图像采集)
研究人员于隧道开挖面及边墙距岩面1.5–2.0 m垂直拍摄,利用洞内LED照明,经人工筛除模糊及强阴影样本,最终获取约3800张Ⅲ、Ⅳ、Ⅴ级围岩标准图像,代表性图像显示节理发育程度随围岩质量变差而递增——Ⅲ级节理欠发育、Ⅳ级节理较发育含少量弱面、Ⅴ级节理与弱层均极发育。
3.1. Fractal Features of Various Class Surrounding Rock Joints(各类围岩节理的分形特征)
研究人员对弱层与节理线分别做盒维数计算,发现围岩越差(级别越低),弱层分形维数Dweak layer、节理分形维数Djoint及二者之和(整体分形维数)越大。典型值:Ⅴ级Dweak layer=1.915、Djoint=1.827,总和3.742;Ⅳ级分别为1.616、1.704,总和3.320;Ⅲ级两样本总和分别为2.790、2.364。表明分形维数量化可反映围岩结构复杂程度。
3.2. Discrimination and Evaluation of Fractal Feature in Surrounding Rock(围岩分形特征的判别与评价)
研究人员对120张图像统计分析显示:Ⅲ级围岩整体分形维数分布于2.321–2.786,Ⅳ级为2.974–3.344,Ⅴ级为3.322–3.884。Ⅲ级与Ⅳ级间界限分明(最大值2.786<最小值2.974),Ⅳ级与Ⅴ级存在少量重叠。单纯总和在部分富泥化弱层但节理不发育的Ⅴ级样本中偏低造成边界模糊。
3.3. Research and Correction Analysis on Fractal Feature Points(分形特征点的研究与修正分析)
针对弱层分形维数高但节理分形维数低的异常Ⅴ级样本,研究人员赋予弱层分形维数权重1.0、节理分形维数权重0.45(经多元线性回归得出弱层贡献约为节理2.2倍),构建加权分形维数评价指标FDeval=Dweak layer+0.45×Djoint。经此加权后各分级FDeval分布范围为:Ⅲ级1.684–1.955,Ⅳ级2.192–2.443,Ⅴ级2.507–2.745,各级间界限清晰无重叠,解决了单纯总和引起的分类混淆问题。
4. Strength Correction and Classification Method Based on Image Quantitative Analysis(基于图像量化分析的强度修正与分类方法)
传统多点回弹均值在硬岩–弱层不均分布时产生级间重叠(Ⅲ级26.4–36.1 MPa、Ⅳ级18.5–31.7 MPa、Ⅴ级10.3–21.8 MPa,Ⅲ/Ⅳ重叠5.3 MPa、Ⅳ/Ⅴ重叠3.3 MPa)。研究人员依图像分割所得弱层面积占比At与硬岩占比Ay(Ay+At=1),分别计算硬岩区与弱层区平均回弹值再面积加权得修正强度Rc=Ay·(1/nyΣRyi)+At·(1/ntΣRti);若弱层无法测得可靠回弹值则Rc=Ay·(1/nyΣRyi)。修正后强度范围变为:Ⅲ级25.2–35.7 MPa、Ⅳ级14.9–24.6 MPa、Ⅴ级5.1–14.7 MPa,Ⅲ级与Ⅳ级完全分开(25.2>24.6),Ⅳ/Ⅴ重叠降至0.2 MPa,总重叠减少97.7%,显著提高了围岩级别区分度。
5. Surrounding Rock Classification and Recognition Based on Transfer Learning(基于迁移学习的围岩分类与识别)
5.1. Dataset Construction(数据集构建):原始3800+张经旋转、加噪及混合增强扩至11280张(Ⅲ级3756、Ⅳ级4128、Ⅴ级3396),分层采样7:3划分。
5.2. Model Construction and Training Process(模型构建与训练过程):以ImageNet预训练ResNet-18为骨干,卷积层用差分学习率微微调、全连接层替换为三类输出,Adam优化器训练50 epoch,批次32,交叉熵损失,Dropout 0.5及早停防过拟合。
5.3. Result and Analysis(结果与分析):模型测试集准确率达92.3%,训练损失收敛至0.006;优于VGG-16(89.1%)、MobileNet-V2(87.5%)及HOG-SVM(76.8%)。混淆矩阵显示Ⅲ级召回率98.5%、Ⅳ级88.6%、Ⅴ级89.5%;各类F1-score分别为0.977、0.888、0.901,加权平均0.921。数据增强对比表明混合增强(92.3%)优于单独旋转(89.2%)或加噪(89.9%)及无增强(82.6%)。
四、讨论与结论总结
研究人员指出本研究局限包括数据源于单一工程(花岗岩/灰岩)、未涵盖Ⅰ/Ⅱ级围岩、弱层分割精度受Otsu阈值影响,但框架具推广潜力——分形盒维数法具普适性、面积加权修正原理不依赖特定岩性、预训练ResNet-18迁移学习可适应新地质条件微调。未来拟在多地质条件隧道验证、扩展至Ⅰ/Ⅱ级围岩、开发现场实时评估系统及探索分形特征与深度学习多模态融合。
主要结论如下:
(1) 基于图像处理与分形理论可有效提取并定量表征围岩弱层与节理特征,提出的加权分形维数评价指标FDeval=Dweak layer+0.45×Djoint对Ⅲ、Ⅳ、Ⅴ级围岩分布区间分别为1.684–1.955、2.192–2.443、2.507–2.745,界限清晰,可实现标准化分级。
(2) 利用图像量化参数修正回弹强度后,各级围岩修正强度范围分别为Ⅲ级25.2–35.7 MPa、Ⅳ级14.9–24.6 MPa、Ⅴ级5.1–14.7 MPa,消除了原级间大幅重叠,更准确反映不同级别围岩强度特性。
(3) 采用ImageNet预训练ResNet-18的迁移学习方法对围岩图像进行分类,混合数据增强下测试准确率92.3%,有效降低小样本过拟合风险,满足现场快速识别需求。两分支互校、分歧取保守级别确保施工安全,为隧道围岩标准化分级提供技术支持。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号