基于BIM+Conv6与CBAM的地质土层识别与厚度预测深度学习模型
PDF下载 (488)胡秀宇,赵阿丽.基于BIM+Conv6与CBAM的地质土层识别与厚度预测深度学习模型[J].宁波大学学报(理工版),2026,39(2):1-10.DOI:10.20098/j.cnki.1001-5132.2025.0914
HU Xiuyu,ZHAO Ali.Deep learning model for geological soil layer identification and thickness prediction based on BIM, Conv6, and CBAM[J].Journal of Ningbo University(Natural Science & Engineering Edition),2026,39(2):1-10.DOI:10.20098/j.cnki.1001-5132.2025.0914
| Title: | Deep learning model for geological soil layer identification and thickness prediction based on BIM, Conv6, and CBAM |
| 作者: | 胡秀宇, 赵阿丽 |
| Author(s): | HU Xiuyu, ZHAO Ali |
| 关键词: | 土层识别; 厚度预测; 深度学习 |
| Keywords: | BIM; CBAM; soil layer identification; thickness prediction; deep learning |
| 分类号: | TP18；U442 |
| DOI: | 10.20098/j.cnki.1001-5132.2025.0914 |
| 文献标识码: | A |
| 摘要: | 针对传统方法在土层识别中依赖人工、效率较低的问题，提出一种基于深度学习的多任务模型，用于同时实现土层图像的分类与厚度回归。该模型在深度卷积神经网络基础上引入六层卷积（Conv6）特征提取结构，以增强复杂纹理与边界的多尺度感知能力；同时嵌入卷积块注意力模块（CBAM），在通道与空间维度上实现关键区域的自适应特征增强，并通过建筑信息模型标准化输入方式，确保土层图像与厚度数据在空间维度上的一一对应关系。实验结果表明，模型在土层识别任务中取得较高精度，在30孔测试集上，准确率达到92.31%，F1分数达到0.889，证明了模型在分类任务上的优越性；在厚度回归预测中也表现出良好的效果。 |
| Abstract: | To address the problem that traditional soil layer identification methods rely heavily on manual work and suffer from low efficiency, this paper proposes a deep learning–based multi-task model that simultaneously performs soil layer image classification and thickness regression. Based on a deep convolutional neural network, the proposed model introduces a six-layer convolutional (Conv6) feature extraction structure to enhance the multi-scale perception of complex textures and boundaries. Meanwhile, a Convolutional Block Attention Module (CBAM) is embedded to achieve adaptive feature enhancement in both the channel and spatial dimensions. Through a BIM-standardized input approach, the spatial correspondence between soil layer images and thickness data is ensured. Experimental results show that the proposed model achieves high accuracy in soil layer recognition, reaching an accuracy of 92.31% and an F1-score of 0.889 on a 30-borehole test set, demonstrating its superiority in classification tasks. In thickness regression prediction, the model also exhibits favorable performance. |
| 参考文献 /References: | [1] 刘莉, 牛作鹏. 基于Civil 3D的三维地质覆盖层建模技术及应用[J]. 水运工程, 2021(4):153-157, 179. [2] 孙凯强, 刘惊灏, 苏谦, 等. 基于地质BIM模型与有限元分析的铁路高边坡多源融合健康监测[J]. 铁道标准设计, 2023, 67(11):31-37, 60. [3] 向卫国, 王富章, 赵鲁东, 等. 桩基工程BIM智能化建模及数据提取方法[J]. 铁道建筑, 2020, 60(3):77-81. [4] 吴明明. 水利工程中岩土工程勘察技术应用研究[J]. 工程机械与维修, 2024(5):88-90. [5] 李灿锋, 刘达, 周德坤, 等. 人工智能在地质领域的应用与展望[J]. 矿物岩石地球化学通报, 2023, 41(3):668- 677. [6] 高源, 姚卫华, 蔡少锋, 等. 基于人工智能算法的地质分层技术及应用效果[J]. 测井技术, 2024, 48(2):204- 214. [7] 王晓兵, 刘琳, 王俊卿, 等. 基于卷积神经ResNet50残差网络的岩石图像岩性识别研究[J]. 岩土工程技术, 2024, 38(3):294-302. [8] 冯雅兴, 龚希, 徐永洋, 等. 基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究[J]. 地理与地理信息科学, 2019, 35(5):89-94. [9] 赵兴东, 王宏宇, 白夜. 基于卷积神经网络迁移学习模型的矿岩智能识别方法[J]. 矿床地质, 2023, 42(5): 1003-1010. [10] 马泽栋, 马雷, 李科, 等. 基于岩石图像深度学习的多尺度岩性识别[J]. 地质科技通报, 2022, 41(6):316-322. [11] 董文豪, 张怀. 基于迁移学习的岩屑岩性识别[J]. 中国科学院大学学报, 2023, 40(6):743-750. [12] 熊峰, 廖一凡, 曹伟腾, 等. 基于卷积神经网络-深度迁移学习的岩性自动识别研究[J]. 安全与环境工程, 2023, 30(4):26-34. [13] 宋明宇, 杨顺华, 孙正, 等. 基于随机森林和数字图像处理技术的黑土层识别[J]. 土壤通报, 2024, 55(6): 1501-1511. [14] BANOTH R K, RAMANA MURTHY B V. Soil image classification using transfer learning approach: MobileNetV2 with CNN[J]. SN computer science, 2024, 5(1):199. [15] 刘康, 曾绍华, 胡静, 等. 融合大核注意力机制的土壤种类识别网络[J]. 重庆师范大学学报(自然科学版), 2023, 40(3):129-138. |
| 备注/Memo: | 收稿日期：2025-09-28 宁波大学学报（理工版）网址：http://journallg.nbu.edu.cn/ 基金项目：国家重点研发计划（2024YFC3809601） 第一作者：胡秀宇，硕士研究生/高级工程师，主要研究方向为数字化及BIM技术应用。E-mail: huwei2003@126.com 宁波大学学报（理工版）网址：http://journallg.nbu.edu.cn/ |
