12、智能地层边界检测与多无人机复杂环境路径规划

智能地层边界检测与多无人机复杂环境路径规划

智能地层边界检测

在工程地质绘图中，准确检测地层边界是一项具有挑战性的任务，尤其是面对高分辨率和复杂图形的情况。为了解决这个问题，研究人员提出了一系列的方法和改进措施。

图像预处理

首先，对样本图像进行旋转操作，旋转角度为 0°、90°、180°、360°。由于原始图像并非正方形，只有当旋转角度为 180°的倍数时，图像大小才能保证一致，其他角度会导致图像出现未定义的黑色区域。为了解决这个问题，采用常数插值的方法，用常数值填充未知区域，确保每张图像大小相同。然后，向图像中添加零均值高斯噪声，得到噪声图像，以此增强网络的学习能力。

地层边界检测框架

采用 CNN 学习局部特征，以 ResNet 为骨干网络，包含两个带有 ReLU 的卷积层，随后是两个残差块。接着，将改进的 Ht - IHT 块插入每个残差块中，用于学习全局线参数化的先验知识。之后，通过一个一维卷积层减少计算量，最终输出检测结果。

该框架通过结合地质图像的边缘特征和切片参数，改进了原始网络中二进制矩阵的大小。二进制矩阵存储了网络学习到的图像像素 (x(i), y(i)) 与霍夫空间箱 (ρ, θ) 之间的对应关系。在极坐标下，图像线上的任意像素点 (x(i), y(i)) 由以下公式给出：
[
(x(i), y(i)) = (\rho \cos \theta - i \sin \theta, \rho \sin \theta + i \cos \theta)
]
对于一个箱 (ρ, θ)，存在：
[
HT(\rho, \theta) = \sum_