| 深立井井壁图像的卷积神经网络去噪方法 |
| |
| 引用本文： | 贾晓芬,郭永存,柴华荣,赵佰亭,黄友锐. 深立井井壁图像的卷积神经网络去噪方法[J]. 西安交通大学学报, 2019, 0(6) |
| |
| 作者姓名： | 贾晓芬 郭永存 柴华荣 赵佰亭 黄友锐 |
| |
| 作者单位： | 安徽理工大学省部共建深部煤矿采动响应与灾害防控国家重点实验室 |
| |
| 摘 要： | 为了实现井壁缺陷的自动检测,提出去除井壁图像噪声的卷积神经网络(CNN)模型(ELU-CNN)。该模型为深28层的全卷积网络模型,由5个特征提取模块(FEM)和跳跃连接组成;跳跃连接将第一卷积层的输出特征与每一个FEM的输出特征串联融合,保证图像特征的充分提取;使用残差学习来缓解梯度消失并提高收敛速度,保证训练后的去噪模型学习到的非线性映射是图像噪声;选用ELU作为激活函数,它具有软饱和性且输出均值接近于零,能增强模型对输入噪声的鲁棒性并加速模型收敛。在标准测试集BSD68、set12及实际井壁图像上,验证ELU-CNN模型的去噪性能并和先进方法作比较,实验结果表明:与FFDNet模型相比,ELU-CNN模型的平均峰值信噪比,在含噪声浓度σ为(15,25,35,50,75)的BSD68、set12测试集上分别提高了(0.17,0.11,0.08,0.05,0.03) dB、(0.18,0.16,0.08,0.06,0.07) dB。在去除井壁图像盲噪声时,ELU-CNN模型能更好地保留缺陷的纹理信息。
|
| 关 键 词： | 图像去噪 卷积神经网络 井壁图像 深立井 |
Denoising Method for Deep Shaft Lining Images Based on Convolution Neural Network |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
|
