CN111563445A - 一种基于卷积神经网络的显微镜下岩性识别方法 - Google Patents
一种基于卷积神经网络的显微镜下岩性识别方法 Download PDFInfo
- Publication number
- CN111563445A CN111563445A CN202010360671.4A CN202010360671A CN111563445A CN 111563445 A CN111563445 A CN 111563445A CN 202010360671 A CN202010360671 A CN 202010360671A CN 111563445 A CN111563445 A CN 111563445A
- Authority
- CN
- China
- Prior art keywords
- rock
- neural network
- polarized light
- convolutional neural
- microscopic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及对岩石岩性的分类识别,具体涉及一种基于卷积神经网络的显微镜下岩性识别方法,包括:获取数个待识别的岩石薄片显微图像作为样本集;将上述样本集输入训练完毕的卷积神经网络,输出上述样本集的分类信息;其中,采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集,该岩石薄片显微图像集组成上述样本集。本方法利用计算机通过学习自动获得图像的特征描述并自动分类,对于人力成本和学习成本有着显著的降低,对于岩性鉴别速度有着较大的提升,通过本方法高效性和便利性提升油气勘探开发效益,降低开发成本的优势。
Description
技术领域
本发明涉及对岩石岩性的分类识别,具体涉及一种基于卷积神经网络的显微镜下岩性识别方法。
背景技术
在地质工作中对岩性的识别首先是用肉眼和放大镜进行初步鉴定。但是肉眼鉴定结果往往不够精确,因此需要将岩石样本带回实验室磨成岩石薄片在偏光显微镜下进行观察描述。以确定其矿物的成分及其相对含量,结构的组成等各种镜下光学形态来综合判断岩性。对于任何一个地质工作者镜下鉴定的技术是一切工作的基础,但是人工鉴定镜下岩石薄片对于鉴定人员前期需要储存大量的矿物知识,而且镜下鉴定的工作量大,人力物力成本高,再加上每个人认知的差距,导致鉴定结果往往有一定的差距。
发明内容
本发明的目的在于提供一种更加高效的岩性识别方法。
为了实现上述目的,本申请采用的技术方案是一种基于卷积神经网络的显微镜下岩性识别方法,包括:
获取数个待识别的岩石薄片显微图像作为样本集;将上述样本集输入训练完毕的卷积神经网络,输出上述样本集的分类信息;
其中,采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集,该岩石薄片显微图像集组成上述样本集。
本方法利用计算机通过学习自动获得图像的特征描述并自动分类,对于人力成本和学习成本有着显著的降低,对于岩性鉴别速度有着较大的提升,通过本方法高效性和便利性提升油气勘探开发效益,降低开发成本的优势。
进一步地是,上述分类信息包括得到的与上述样本集对应的多个不同岩石类别下的岩石类别分数结果,取多个岩石类别分数结果中的其中一个为上述待识别的岩石薄片显微图像的分类结果。
进一步地是,对于同时采用正交偏振光、单偏振光的岩石薄片显微图像,获取分类结果包括以下操作:
将正交偏振光的图像和单偏振光的图像分别使用上述卷积神经网络处理,得到上述样本集对应的多个正交偏振光图像的岩石类别分数信息和上述样本集对应的多个单偏振光图像的岩石类别分数信息;
对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理,得到上述样本集对应的该岩石类别下的岩石类别分数结果。
进一步地是,上述训练完毕的卷积神经网络输出的分类信息为:与岩石类别相关的权重数值;
对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理为:
求得同一岩石类别中多个正交偏振光图像的岩石类别权重数值和多个单偏振光图像的岩石类别权重数值中的平均值,该平均值为上述该岩石类别下的岩石类别分数结果。
进一步地是,上述的卷积神经网络以图片库中带有标注的图片进行第一次训练得到预训练模型;
进一步地是,上述预训练模型根据需要分类的岩石类型,采集对应的多个类别的岩石薄片显微图像,并将该多个岩石薄片显微图像根据岩石类型、正交偏振光、单偏振光的不同进行分类,根据分类的不同,进行类别标注以进行第二次训练,得到所述训练完毕的卷积神经网络。在进行第二次训练时,将上述样本集根据岩石类别与显微镜下光源类别进行标注。
这的有标注的图片即各类别的带有岩石名称的图像,在输入上述卷积神经网络时对应的标签为设置的数字,如有N个类别,标签可以为0-(N-1)的数字与岩石名称对应。
使用过程中,当岩石名称、类别、分类方式出现变化时,按需要给与获取的图像进行数字标签化,即使用时,可先根据不同的图像分类方式、名称命名方式自定义标签,这样以对应因岩石类别名称,分类方式的不同进行调整,即调整后对卷积神经网络训练一次,完成调整。
进一步地是,上述图片库包含ImageNet图片库。ImageNet是一个计算机视觉***识别项目名称,是目前世界上图像识别最大的数据库。Imagenet数据集有1400多万幅图片,涵盖2万多个类别;其中有超过百万的图片有明确的类别标注和图像中物***置的标注。
进一步地是,上述卷积神经网络采用残差神经网络架构。
进一步地是,上述残差神经网络架构后连接softmax层。
进一步地是,上述残差神经网络架构为残差神经网络-18架构。上述残差神经网络-18架构包括17个为卷积层和1个为全连接层,每个卷积层后都连接归一化层和以ReLU为激活函数的激活层。
进一步地是,上述卷积神经网络的训练采用梯度下降算法。
下面结合附图和具体实施方式对本发明做进一步的说明。本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显。或通过本发明的实践了解到。
附图说明
构成本发明的一部分的附图用来辅助对本发明的理解,附图中所提供的内容及其在本发明中有关的说明可用于解释本发明,但不构成对本发明的不当限定。在附图中:
图1为实施方式中采用的ResNet-18的架构示意图;
图2为一个基本模块的结构和ReLU函数及其示意图;
图3为实施方式中八个分类的训练集图片;
图4为实施方式中训练集、测试集识别正确率和训练交叉熵变化示意图;
图5为实施方式中变质岩测试集错误图像;
图6为实施方式中火山岩测试集错误图像;
图7为实施方式中碎屑岩测试集错误图像;
图8为实施方式中碳酸盐测试集错误图像;
图9为实施方式中从样本集获得分类结果的流程示意图;
图10为实施方式中当同时采用正交偏振光、单偏振光的得到的样本集获得分类结果的流程示意图。
具体实施方式
下面结合附图对本发明进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。在结合附图对本发明进行说明前,需要特别指出的是:
本发明中在包括下述说明在内的各部分中所提供的技术方案和技术特征,在不冲突的情况下,这些技术方案和技术特征可以相互组合。
此外,下述说明中涉及到的本发明的实施例通常仅是本发明一分部的实施例,而不是全部的实施例。因此,基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
关于本发明中术语和单位。本发明的说明书和权利要求书及有关的部分中的术语“包括”以及它的任何变形,意图在于覆盖不排他的包含。
一种基于卷积神经网络的油气勘探岩性识别方法,包括:
获取数个待识别的岩石薄片显微图像作为样本集;将上述样本集输入训练完毕的卷积神经网络,输出上述样本集的分类信息;
其中,采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集,该岩石薄片显微图像集组成上述样本集。
本方法利用计算机通过学习自动获得图像的特征描述并自动分类,对于人力成本和学习成本有着显著的降低,对于岩性鉴别速度有着较大的提升,通过本方法高效性和便利性提升油气勘探开发效益,降低开发成本的优势。
上述分类信息包括得到的与上述样本集对应的多个不同岩石类别下的岩石类别分数结果,取多个岩石类别分数结果中的其中一个为上述待识别的岩石薄片显微图像的分类结果。参照图9,例如得到8分数结果,每个分数结果对应某类别岩石,从中选择分数最高者为待识别的岩石薄片显微图像的分类结果。
相比于野外直接对岩石照相或者用地质锤敲下一块岩石标本拍照,以及这种宏观岩石照片,这样的图像如果利用图像训练后的卷积神经网络进行识别,只能大概了解岩性和初步了解岩石矿物成分,而本发明采用在将岩石磨制成薄片,利用岩石中矿物的光学性质在显微镜下经行观察并用专业的显微镜照相机成像,对矿物的成分岩石晶粒组成的结构和构造经行详细了解。这样,镜下岩石薄片主要是利用矿物的光学特征,受到环境影响差异小,每一台显微镜下的光学特征一致且只用岩石矿物的光学特征(宏观照片,烈日阴雨天气,照相受到自然光条件影响较大,且宏观照片容易有许多噪点像素和无用信息比如背景环境等不是岩石部分),性能稳定,对照片进行比例尺统一化。
对于同时采用正交偏振光、单偏振光的岩石薄片显微图像,获取分类结果包括以下操作:
将正交偏振光的图像和单偏振光的图像分别使用上述卷积神经网络处理,得到上述样本集对应的多个正交偏振光图像的岩石类别分数结果和上述样本集对应的多个单偏振光图像的岩石类别分数结果;对同一岩石类别中多个正交偏振光图像的岩石类别分数结果和多个单偏振光图像的岩石类别分数结果进行处理,得到上述样本集对应的该岩石类别下的岩石类别分数结果。参照图10,例如,正交偏振光的图像和单偏振光的图像分别得到8的个分数结果,将同一类别岩石的4个分数结果(2个正交偏振光的分数结果和2个单偏振光的分数结果)求平均值得到待识别岩石薄片显微图像对应该类别下的岩石的分数结果,最后如上述方法取大值为待识别岩石薄片显微图像的分类结果。
具体的是,上述图片库训练完毕的卷积神经网络输出的分数结果为:与岩石类别相关的权重数值;
对同一岩石类别中多个正交偏振光图像的岩石类别分数结果和多个单偏振光图像的岩石类别分数结果进行处理为:
求得同一岩石类别中多个正交偏振光图像的岩石类别权重数值和多个单偏振光图像的岩石类别权重数值中的平均值,该平均值为上述该岩石类别下的岩石类别分数结果。
相比于普通自然环境照片(RGB三通道),本岩石薄片显微图像样本有单偏振光照片和正交偏振光照片(或两种都有),相当于是六通道照片。本方法这里通过对单偏振光照片和正交偏振光照片作为不同类型分别训练,实际分类时,将同一样本的单偏和正交照片分别通过模型识别并得到每个类别的分数(如果不存在某一光条件下的照片,则得分为0)并取平均,最终以得分最高的类型为识别类型结果。结合了单偏和正交照片的不同光学信息,实现了对镜下六通道照片的高性能分类。
上述卷积神经网络为采用ImageNet图片库训练后的残差神经网络。这样以确保基础模型(使用的本卷积神经网络)已经具有良好的图片特征提取能力。即镜下获取的照片、图像获取难度更高,应对较小的数据样本量,使用ImageNet图库预训练好的Resnet模型(残差神经网络)进行训练,来得到效果较好的神经网络模型。Resnet模型使用残差学习技术,能够训练更加深层次的网络,使得模型泛化性能更好,对于本不同类型的镜下岩石照片表现出的不同光学和晶粒、晶界特性有很好的识别效果。相比于宏观岩石照片,能进行更精确具体的矿物类型和岩石类型识别。
上述残差神经网络为Resnet-18架构,上述Resnet-18架构包括17个为卷积层和1个为全连接层,每个卷积层后都连接归一化层和以ReLU为激活函数的激活层。上述全连接层之后连接softmax层。
如图1-8,下面进行实施举例,采用上述的已经通过ImageNet图库预训练好的Resnet-18架构对获取的采用正交偏振光、单偏振光得到对应的两类岩石薄片显微图像集进行识别分类。
ResNet-18架构,即有18个含参层的ResNet网络,其结构如图1所示,图1中,层中数字代表每层参数。以第一个卷积层为例,“7×7”表示卷积核的大小,“64”表示卷积核的个数,“/2”表示输出的尺寸减半。对全连接层,“8”表示输出类别数量。在这18个含参层中,17个为卷积层,1个为全连接层,其参数见图1。每个卷积层后都连接着批归一化层和以ReLU为激活函数的激活层。对于输入元素x∈R,ReLU函数输出f(x)=max{0,x}来为深度神经网络提供更强的非线性(参照图2,利用快捷连接将前继卷积层输入直接添加到后继卷积层输出上以实现残差学***均池化层。与传统卷积神经网络不同的是,如图2所示,ResNet用一个快捷连接(shortcut connnect)将前继卷积层的输入直接增加到后继卷积层的输出,以组成一个基本模块(building block)来实现残差学习。此外,为了得到直观明确的输出,在全连接层之后添加了softmax层将全连接层的输入归一化为一个权重分布。具体而言,假设全连接层每个类别对应的输出为zi,i∈[K]为每个类别的分数,softmax层通过计算
来得到预测为各个类别的权重pi。
即图片样本首先通过卷积层输入并经过最大池化层,之后连接着8个实现残差学***均池化层输入到连接着softmax层的全连接层。softmax层的输出即为每个类别预测的分数,对于每个样本我们可取最大分数对应的类别作为最终预测结果。
使用通过ImageNet数据库预训练完成的ResNet-18模型,以确保基础模型已经具有良好的图片特征提取能力,同时,将每次训练的学习率设为较小数值。这样的预处理避免了对中有限的样本图片资源的过度消耗,提高了图片在训练过程中的利用率和模型的泛化能力。
采取的分类和统计方法:总共收集四类岩石的单偏光和正交偏光镜下照片共八种照片类型。将这八种镜下照片类型进行训练,设置计算机输出八种单类照片的类别预测分数,并统计八种单类照片的识别正确率和总正确率,然后将每类岩石的单偏光和正交偏光照片统计为一类岩石类别,输出四类岩石类别的识别正确率和岩类识别总正确率。采取这种方法的目的是为了更好地处理正交和单偏下照片的光学特征不同,并提高最终岩类识别正确率。
参照图3,a为变质岩正交偏光镜下照片、b为变质岩单偏光镜下照片c为火山岩正交偏光镜下照片、d为火山岩单偏光镜下照片、e为碎屑岩正交偏光镜下照片、f为碎屑岩单偏光镜下照片、g为碳酸盐岩正交偏光镜下照片、h为碳酸盐岩单偏光镜下照片。实验中用到的图片均由实验室设备Nikon Eclipse Lv100 Pol偏光显微镜采集,放大倍数为四十倍,使用其配套软件自动白平衡并且拍照。主要选取变质岩、火山岩、沉积岩三大岩石类型。其中沉积岩因为其沉积环境区别对于石油天然气影响较大,故在此基础上细分为碳酸盐岩和碎屑岩两类。本实验总共收集照片1767张(图3),其中,变质岩正交偏光镜下照片占189张,单偏光镜下照片占179张;火山岩正交偏光镜下照片占220张,单偏光镜下照片占216张;碎屑岩正交偏光镜下照片占191张,单偏光镜下照片占183张;碳酸盐岩正交偏光镜下照片占239张,单偏光镜下照片占350张。由计算机随机抽取训练集照片数目10%的照片(共160张)作为测试集,剩余照片(共1607张)作为训练集(表1)。(实际验证中,进行多次测试,以下为其中一次测试的实施举例。)
表1训练集和测试集类型和数目
本次卷积神经网络模型训练设置:每次训练迭代的批大小为一张照片(Batchsize=1),一个轮次(Epoch)总共为1607次迭代(Iteration=1607),学习率设为0.001。每五十次迭代输出一次交叉熵值,每四个轮次输出一次训练集单类识别正确率和岩类识别正确率,测试集单类识别正确率和岩类识别正确率(参照图4,表2,3)。可以看出测试集岩类识别总正确率相较于测试集单类识别总正确率有较大提升。
根据每个模型的训练集测试集的岩类识别总正确率的上升下降趋势,确定训练模型的拟合情况。如果欠拟合就继续训练卷积神经网络模型,如果过拟合就停止训练神经网络模型,最终得到40个轮次训练后的训练结果。
表2训练过程中训练集识别正确率
表3训练过程中测试集识别正确率
从图4中可知第一个模型迭代4个轮次过后,交叉熵迅速下降,得到了一个较好的训练模型;经过测试得到训练集单类识别总正确率达到81.46%,测试集单类识别总正确率达到77.5%,此时交叉熵值较大,整个神经网络模型训练还处于欠拟合状态。随后继续进行模型训练,在计算机迭代20个轮次之后,可见交叉熵缓慢下降,训练集单类识别总正确率达到100%,测试集单类识别总正确率达到87.5%。目前测试集单类识别总正确率还在缓慢上升尚未达到过拟合的状态。进一步训练,在继续迭代至32个轮次之后,交叉熵趋近与零,训练集图像识别正确率保持100%,而测试集单类识别总正确率在32个轮次的时候出现90.63%的峰值,随后开始下降,说明此后进一步训练导致了过拟合,实际测试结果正确率开始下降。因此该模型训练效果最理想的为32个轮次的训练模型。在模型训练效果最佳处对全部的测试集进行图像识别测试,得到如下结果:单类识别总正确率90.63%,而岩类识别总正确率高达98.75%。采用单偏光和正交偏光综合分析的方法,使得识别总正确率提高了8.12%,有较大的正确率提升,尤其在碳酸盐岩类识别率提升巨大。
在样本数量较少的情况下,为得到更加可信的识别正确率范围,根据贝叶斯定理[29],依据测试结果的统计值,可以计算得到四种岩类识别正确率的后验概率分布,其95%置信水平的贝叶斯置信区间计算结果为:
(1)岩类识别总正确率的统计值为98.8%,贝叶斯置信区间为[96.1%,99.8%];
(2)变质岩类识别正确率的统计值为100%,贝叶斯置信区间为[92.7%,100%];
(3)火山岩类识别正确率的统计值为97.6%,贝叶斯置信区间为[89.2%,99.8%];
(4)碎屑岩类识别正确率的统计值为96.3%,贝叶斯置信区间为[84.1%,99.8%];
(5)碳酸盐岩类识别正确率的统计值为100%,贝叶斯置信区间为[94.8%,100%]。
该模型对测试图片较高的识别正确率足以说明该模型泛化能力较强,识别能力满足要求,并且证明单偏光和正交偏光综合分析的方法是有明显成效的。
下文将分四类岩石类型与识别分类错误的图像进行分析和探讨。
1)针对变质岩类
根据最佳模型识别图像结果变质岩类总识别正确率100%,正交偏光镜下照片识别正确率95.45%、单偏光镜下照片识别正确率100%。本次变质岩训练集图像主要是红柱石板岩、蓝晶石片岩、片状千枚岩、长英变粒岩、石榴子石麻粒岩、眼球装混合岩等。错误照片为图5,计算机输出分类结果及分类权重见表4。
表4变质岩测试集错误图像识别分类结果
错误图片本身为变质岩正交偏光镜下照片,参照图5,根据计算机输出的权重值可见,变质岩单偏光镜下照片和火山岩正交偏光镜下照片权重值比例都偏高。作者分析产生这种情况的原因可能是因为训练集图像正交偏光大部分含有高级干涉色的矿物,而判断错误图中斜长石晶体,所占图片面积过大,导致图中高级干涉色矿物图像几乎不可见,从而根据矿物形态被分类为变质岩单偏光类。火山岩正交偏光权重值高,可能是因为这张图片本身斜长石所占面积过大导致其余变质岩特征不明显,而斜长石的类型和训练集火山岩中斜长石晶体和辉石类聚合晶体或者辉石类棒状交生现象分数过高。
2)针对火山岩类
根据最佳模型识别图像结果火山岩类识别总正确率97.56%,正交偏光镜下照片识别正确率95.65%、单偏光镜下照片识别正确率100%。本次火山岩训练集图像主要是杏仁状辉石玄武岩、斜长角闪石岩、苦橄玢岩、橄辉岩、黑云母二长花岗岩、正长斑岩等。错误照片为图6,计算机输出分类结果及分类权重见表5。
这张图片应该是火山岩正交偏光镜下照片,计算机输出结果权重值为88.89%被分类为变质岩正交偏光镜下照片。这张斜长角闪石岩图片正交偏光镜下观察和变质岩类正交偏光镜下照片高度相似,里面含有斜长石和角闪石其形态和颜色在正交偏光镜下和变质岩中麻粒岩中所含矿物分数极高,这可能是分类错误的原因。但是作者发现这张岩石类型单偏光镜下照片和变质岩正交单光照片分数极低,但是通过单纯的分类然后单偏光正交偏光组合算一类的方法并不能有效的将这类正交偏光分数高单偏光照片分数低的照片分别出来。
3)针对碎屑岩类
根据最佳模型识别图像结果碎屑岩类识别总正确率96.30%,正交偏光镜下照片识别正确率100%、单偏光镜下照片识别正确率90.91%。本次碎屑岩训练集图像主要是粉砂砂岩、页岩、极细粒岩屑砂岩、含砾岩屑砂岩、细粒岩屑长石砂岩、细粒岩屑砂岩等。错误照片为图7,计算机输出分类结果及分类权重见表6。
本图像是应是一张致密碎屑岩图片,计算机认为其是变质岩单偏光照片的权重值为97.99%。作者分析其原因,认为训练集碎屑岩类照片大部分都有孔隙,且有些为铸体薄片,晶粒边界清晰,分选磨圆较好。但是这张测试集图片,较为致密且分选磨圆较差,多处有明显的压实作用和压溶作用,呈压嵌接触类型。其形态和一些单偏光变质岩有高度的相似处,都为致密岩石颗粒边界不明显的状态。其余的测试及图片边界明显,孔隙度高,分类都精确无误。
表6碎屑岩测试集错误图像识别分类结果
4)针对碳酸盐岩类
根据最佳模型识别图像结果碳酸盐岩类识别总正确率100%,正交偏光镜下照片识别正确率66.67%、单偏光镜下照片识别正确率83.33%;错误照片为图8,计算机输出分类结果及分类权重见表7。本次碳酸盐岩训练集图像主要细晶灰岩,细晶云岩,中晶灰岩,中晶云岩,粗晶灰岩,粗晶云岩,鲕粒灰岩、生屑灰岩、泥晶灰岩等。
表7碳酸盐岩测试集错误图像识别分类结果
通过计算机给出的权重表可以看到,所有的图片都是岩石同类单偏光正交偏光判别错误。说明计算机对于碳酸盐岩的形态特征识别较为准确。参照图8,图片(a-f)为正交偏光照片,其中b、c、d、e,都是90%以上权重被分类为单偏光图片,图片(g-l)为单偏光照片,其中g、h、i、j、l都是80%左右权重被分类为正交偏光图片。原因是图片采集实际工作的岩石薄片,有部分薄片进行过染色处理,方解石被染成了红色,而白云石没有染成红色。采集的照片有方解石染色的视域,有方解石没有染色的视域,有白云石的视域。剩余的测试集照片是未染色的灰岩和云岩都没有出现分类错误,所以计算机判断正交偏光和单偏光照片,碳酸盐岩的染色处理对于其判断单正交偏光分类有巨大的影响,但是对于种类的正误判断无明显变化。单纯的颜色改变并不影响对于碳酸盐岩大类形态的判断的影响。(a-f)为碳酸盐岩正交偏光照片(g-l)为碳酸盐岩单偏光照片。
综上上述,本发明基于卷积神经网络中的残差神经网络(ResNet)建立了镜下薄片岩石图像的识别模型。对于变质岩、火山岩、沉积岩和碳酸盐岩四种岩石类型进行了有效的识别,测试集的四类岩石识别总正确率达98.8%,其中变质岩识别正确率100%,火山岩识别正确率97.6%,碎屑岩识别正确率96.3%,碳酸盐岩识别正确率100%。
根据对识别错误的照片及可能错误原因的分析,训练样本的泛化程度对识别正确率具有较高影响。使用更多的岩石类别的图像样本进行训练,有助于提高神经网络模型对各种岩石光学特征的提取能力,提升各种岩石类型识别正确率。训练样本的选取对于模型的泛化能力和识别正确率至关重要;通过相应的专业知识来合理收集选择样本,并根据测试错误情况做出分析,高效地提升训练样本的类别覆盖范围。这是人工智能技术和油气勘探开发技术结合的关键。
实验结果表明卷积神经网络的方法对于镜下薄片岩石图像的岩性识别有着较好的泛化性和实用性。该方法不用人工提取特征,由计算机通过学习自动获得图像的特征描述并自动分类。对于人力成本和学习成本有着显著的降低,对于岩性鉴别速度有着较大的提升。
对于卷积神经网络的镜下薄片岩石图像识别可行性研究和初步尝试,表明人工智能技术在我国油气资源勘探开发领域有着良好的前景和发展潜力,可以利用人工智能相关方法的高效性和便利性提升油气勘探开发效益,降低开发成本。
以上对本发明的有关内容进行了说明。本领域普通技术人员在基于这些说明的情况下将能够实现本发明。基于本发明的上述内容,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
Claims (10)
1.一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,包括:
获取数个待识别的岩石薄片显微图像作为样本集;将所述样本集输入训练完毕的卷积神经网络,输出所述样本集的分类信息;
其中,采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集,该岩石薄片显微图像集组成所述样本集。
2.如权利要求1所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述分类信息包括得到的与所述样本集对应的多个不同岩石类别下的岩石类别分数结果,取多个岩石类别分数结果中的其中一个为所述待识别的岩石薄片显微图像的分类结果。
3.如权利要求2所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,对于同时采用正交偏振光、单偏振光的岩石薄片显微图像,获取分类结果包括以下操作:
将正交偏振光的图像和单偏振光的图像分别使用所述卷积神经网络处理,得到所述样本集对应的多个正交偏振光图像的岩石类别分数信息和所述样本集对应的多个单偏振光图像的岩石类别分数信息;
对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理,得到所述样本集对应的该岩石类别下的岩石类别分数结果。
4.如权利要求3所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述训练完毕的卷积神经网络输出的分类信息为:与岩石类别相关的权重数值;
对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理为:
求得同一岩石类别中多个正交偏振光图像的岩石类别权重数值和多个单偏振光图像的岩石类别权重数值中的平均值,该平均值为所述该岩石类别下的岩石类别分数结果。
5.如权利要求1所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述的卷积神经网络以图片库中带有标注的图片进行第一次训练得到预训练模型。
6.如权利要求5所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述预训练模型根据需要分类的岩石类型,采集对应的多个类别的岩石薄片显微图像,并将该多个岩石薄片显微图像根据岩石类型、正交偏振光、单偏振光的不同进行分类,根据分类的不同,进行类别标注以进行第二次训练,得到所述训练完毕的卷积神经网络。
7.如权利要求5所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述图片库包含ImageNet图片库。
8.如权利要求1所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述卷积神经网络为残差神经网络。
9.如权利要求8所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述残差神经网络架构后连接softmax层。
10.如权利要求1所述的一种基于卷积神经网络的显微镜下岩性识别方法,其特征在于,所述卷积神经网络的训练采用梯度下降算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360671.4A CN111563445A (zh) | 2020-04-30 | 2020-04-30 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010360671.4A CN111563445A (zh) | 2020-04-30 | 2020-04-30 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111563445A true CN111563445A (zh) | 2020-08-21 |
Family
ID=72070761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010360671.4A Pending CN111563445A (zh) | 2020-04-30 | 2020-04-30 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111563445A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN113222071A (zh) * | 2021-06-04 | 2021-08-06 | 嘉应学院 | 一种基于岩石薄片显微图像深度学习的岩石分类方法 |
CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和*** |
CN113435459A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石组分识别方法、装置、设备及介质 |
CN113486929A (zh) * | 2021-06-17 | 2021-10-08 | 中国地质大学(武汉) | 基于残差收缩模块与注意力机制的岩石薄片图像识别方法 |
CN113569623A (zh) * | 2021-06-11 | 2021-10-29 | 中国石油化工股份有限公司 | 材料组分的确定方法、装置、终端及可读存储介质 |
CN113569624A (zh) * | 2021-06-11 | 2021-10-29 | 中国石油化工股份有限公司 | 碎屑岩组分的确定方法、装置、终端及可读存储介质 |
CN113807449A (zh) * | 2021-09-23 | 2021-12-17 | 合肥工业大学 | 一种沉积岩类别识别方法、装置、电子设备和存储介质 |
WO2022238232A1 (en) * | 2021-05-11 | 2022-11-17 | Shell Internationale Research Maatschappij B.V. | Method for predicting geological features from thin section images using a deep learning classification process |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001293882A1 (en) * | 2000-10-11 | 2002-04-22 | Diverdrugs, S.L. | N-alkylglycine trimeres capable of blocking the response to chemical substances,heat stimuli or mediators of neuronal receptor inflammation and compositions containing said trimeres |
CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
CN106990050A (zh) * | 2017-05-31 | 2017-07-28 | 成都理工大学 | 一种用于矿物鉴定的偏光显微镜的偏光仪 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN109612943A (zh) * | 2019-01-14 | 2019-04-12 | 山东大学 | 基于机器学习的隧洞岩石石英含量测试***及方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
-
2020
- 2020-04-30 CN CN202010360671.4A patent/CN111563445A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2001293882A1 (en) * | 2000-10-11 | 2002-04-22 | Diverdrugs, S.L. | N-alkylglycine trimeres capable of blocking the response to chemical substances,heat stimuli or mediators of neuronal receptor inflammation and compositions containing said trimeres |
CN101950359A (zh) * | 2010-10-08 | 2011-01-19 | 郝红卫 | 一种岩石种类的识别方法 |
CN106990050A (zh) * | 2017-05-31 | 2017-07-28 | 成都理工大学 | 一种用于矿物鉴定的偏光显微镜的偏光仪 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN109615024A (zh) * | 2018-12-28 | 2019-04-12 | 东北大学 | 一种岩石种类智能区分识别及定位方法 |
CN109612943A (zh) * | 2019-01-14 | 2019-04-12 | 山东大学 | 基于机器学习的隧洞岩石石英含量测试***及方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
Non-Patent Citations (2)
Title |
---|
朱世松;杨文艺;侯广顺;芦碧波;魏世鹏;: "一种岩石薄片智能分类识别方法" * |
胡祺: "融合多维信息的岩石薄片图像深度学习分类方法" * |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112686259B (zh) * | 2020-12-16 | 2023-09-26 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN113435459A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石组分识别方法、装置、设备及介质 |
CN113435460A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 一种亮晶颗粒灰岩图像的识别方法 |
CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
CN113435457A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于图像的碎屑岩成分鉴定方法、装置、终端及介质 |
CN113435458A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片图像分割方法、装置及介质 |
CN113537235A (zh) * | 2021-02-08 | 2021-10-22 | 中国石油化工股份有限公司 | 岩石鉴定方法、***、装置、终端及可读存储介质 |
WO2022238232A1 (en) * | 2021-05-11 | 2022-11-17 | Shell Internationale Research Maatschappij B.V. | Method for predicting geological features from thin section images using a deep learning classification process |
CN113222071A (zh) * | 2021-06-04 | 2021-08-06 | 嘉应学院 | 一种基于岩石薄片显微图像深度学习的岩石分类方法 |
CN113569623A (zh) * | 2021-06-11 | 2021-10-29 | 中国石油化工股份有限公司 | 材料组分的确定方法、装置、终端及可读存储介质 |
CN113569624A (zh) * | 2021-06-11 | 2021-10-29 | 中国石油化工股份有限公司 | 碎屑岩组分的确定方法、装置、终端及可读存储介质 |
CN113486929A (zh) * | 2021-06-17 | 2021-10-08 | 中国地质大学(武汉) | 基于残差收缩模块与注意力机制的岩石薄片图像识别方法 |
CN113486929B (zh) * | 2021-06-17 | 2023-02-24 | 中国地质大学(武汉) | 基于残差收缩模块与注意力机制的岩石薄片图像识别方法 |
CN113378825A (zh) * | 2021-07-09 | 2021-09-10 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和*** |
CN113378825B (zh) * | 2021-07-09 | 2024-04-05 | 中海石油(中国)有限公司 | 一种基于人工智能的砂岩薄片图像鉴定方法和*** |
CN113807449A (zh) * | 2021-09-23 | 2021-12-17 | 合肥工业大学 | 一种沉积岩类别识别方法、装置、电子设备和存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563445A (zh) | 一种基于卷积神经网络的显微镜下岩性识别方法 | |
Mitra et al. | Automated species-level identification of planktic foraminifera using convolutional neural networks, with comparison to human performance | |
CN108388927A (zh) | 基于深度卷积孪生网络的小样本极化sar地物分类方法 | |
CN112926405A (zh) | 一种安全帽佩戴检测方法、***、设备及存储介质 | |
CN110414538A (zh) | 缺陷分类方法、缺陷分类训练方法及其装置 | |
CN113128335B (zh) | 微体古生物化石图像检测、分类及发现方法、***及应用 | |
CN101980242A (zh) | 人脸面相判别方法、***及公共安全*** | |
CN109886147A (zh) | 一种基于单网络多任务学习的车辆多属性检测方法 | |
CN107977667B (zh) | 基于半监督协同训练的sar目标鉴别方法 | |
CN105426903A (zh) | 一种遥感卫星图像的云判方法及*** | |
CN105303169B (zh) | 一种基于慢特征的细胞***识别方法及其识别装置 | |
CN108647595A (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN108268865A (zh) | 一种基于级联卷积网络的自然场景下车牌识别方法及*** | |
CN109711466A (zh) | 一种基于边缘保留滤波的cnn高光谱图像分类方法 | |
CN112287983A (zh) | 一种基于深度学习的遥感图像目标提取***和方法 | |
CN108596244A (zh) | 一种基于光谱角度密度峰值的高光谱图像标签噪声检测方法 | |
WO2020119624A1 (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
CN110188592B (zh) | 一种尿液有形成分细胞图像分类模型构建方法及分类方法 | |
CN106599938A (zh) | 一种基于深度网络模型敏感旗帜内容的层次分类方法 | |
Thammasanya et al. | A new approach to classifying polymer type of microplastics based on Faster-RCNN-FPN and spectroscopic imagery under ultraviolet light | |
CN113610109A (zh) | 一种基于放大镜观测效应的可见光伪装目标识别方法 | |
CN115512331A (zh) | 一种交通标志检测方法、装置、计算机设备及计算机可读存储介质 | |
CN112884705B (zh) | 一种二维材料样品位置可视化方法 | |
Carlsson et al. | Convolutional neural network application on a new middle Eocene radiolarian dataset | |
CN111027608A (zh) | 一种基于深度学习的星系分类与识别的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |