CN113420768A - 岩芯类别确定方法、装置、电子设备和存储介质 - Google Patents
岩芯类别确定方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN113420768A CN113420768A CN202110974902.5A CN202110974902A CN113420768A CN 113420768 A CN113420768 A CN 113420768A CN 202110974902 A CN202110974902 A CN 202110974902A CN 113420768 A CN113420768 A CN 113420768A
- Authority
- CN
- China
- Prior art keywords
- image
- core
- identified
- determining
- preset model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 66
- 238000003860 storage Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 40
- 239000011435 rock Substances 0.000 claims abstract description 36
- 238000000605 extraction Methods 0.000 claims abstract description 27
- 230000011218 segmentation Effects 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 28
- 238000004590 computer program Methods 0.000 claims description 21
- 238000010586 diagram Methods 0.000 claims description 18
- 238000002372 labelling Methods 0.000 claims description 14
- 238000002360 preparation method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 12
- 238000005553 drilling Methods 0.000 description 8
- 238000012795 verification Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 230000001360 synchronised effect Effects 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000003709 image segmentation Methods 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 239000010438 granite Substances 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007639 printing Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种岩芯类别确定方法、装置、电子设备和存储介质。其中，方法包括：获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；对所述待识别图像进行分割处理，获得分割后的第一图像；利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。采用本发明提供的方案能实现岩芯类别的自动判断，提高判断的准备率和判断速度。
Description
技术领域
本发明涉及岩芯判别技术领域，尤其涉及一种岩芯类别确定方法、装置、电子设备和存储介质。
背景技术
随着我国经济的发展，我国基建力度不断的增大，大规模的道路、建筑、隧道等投入建设。建筑物在建设之前，需要对区域范围内的地质情况进行勘察，通过勘察分析区域内的岩土力学情况、地质环境。而钻探是勘察地质情况的重要手段，旨在通过钻机钻探上来的岩芯分析判断，查明每个孔的地层结构及分布特征。
目前，在进行野外钻探岩芯判定的过程中，主要是基于规范的人眼进行判定。上述判定方式准确率低、速度慢。
发明内容
为解决用传统人眼进行判岩所导致的准确率低、速度慢的技术问题，本发明实施例提供一种岩芯类别确定方法、装置、电子设备和存储介质。
本发明实施例的技术方案是这样实现的：
本发明实施例提供了一种岩芯类别确定方法，方法包括：
获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
对所述待识别图像进行分割处理，获得分割后的第一图像；
利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
上述方案中，所述对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别包括：
利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量；
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别。
上述方案中，所述利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别包括：
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的第一岩芯类别和第二岩芯类别；其中，第一岩芯类别表征所述岩芯的风化程度，所述第二岩芯类别表征所述岩芯的岩样种类。
上述方案中，所述对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像包括：
将每个第一向量所对应的第一岩芯类别和第二岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
上述方案中，所述利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量包括：
利用所述预设模型中的特征提取网络对所述第二图像进行特征提取，获得特征信息；
根据所述特征信息生成特征图；
对所述特征图进行加权处理，获得多个第一向量。
上述方案中，获取待识别图像之前，所述方法包括：
获取训练图像集；
对所述训练图像集进行标注，获得标注后的第一图像集；
利用所述第一图像集对模型进行训练，获得预设模型。
上述方案中，所述对所述待识别图像进行分割处理，获得分割后的第一图像包括：
将所述待识别图像按从上到下的顺序均等分割为三等份；
将分割后的图像定义为第一图像。
本发明实施例还提供了一种岩芯类别确定装置，岩芯类别确定装置包括：
获取模块，用于获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
分割模块，用于对所述待识别图像进行分割处理，获得分割后的第一图像；
反卷积模块，用于利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
确定模块，用于对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
标注模块，用于对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
本发明实施例还提供了一种电子设备，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
处理器用于运行计算机程序时，执行上述任一方法的步骤。
本发明实施例还提供了一种存储介质，存储介质中存储有计算机程序，计算机程序被处理器执行时，实现上述任一方法的步骤。
本发明实施例还提供了一种计算机程序产品，计算机程序产品包括计算机指令，计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机指令，处理器执行计算机指令，使得计算机设备执行上述任一方法的步骤。
本发明实施例提供的岩芯类别确定方法、装置、电子设备和存储介质，获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；对所述待识别图像进行分割处理，获得分割后的第一图像；利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。采用本发明提供的方案能实现岩芯类别的自动判断，提高判断的准备率和判断速度。
附图说明
图1为本发明实施例岩芯类别确定方法的流程示意图；
图2为本发明应用实施例岩芯判别总体框架示意图；
图3为本发明应用实施例数据标签示意图；
图4为本发明实施例岩芯类别确定装置的结构示意图；
图5为本发明实施例计算机设备的内部结构图。
具体实施方式
下面将结合附图及实施例对本发明作进一步详细的描述。
本发明实施例提供了一种岩芯类别确定方法，如图1所示，该方法包括：
步骤101：获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
步骤102：对所述待识别图像进行分割处理，获得分割后的第一图像；
步骤103：利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
步骤104：对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
步骤105：对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
实际应用时，钻机钻探上来的岩芯会按照钻探的深度进行排列。例如，参见图3，图3为实际操作时所使用的岩芯盒，该岩芯盒包含多格可容纳岩芯的空间，每格空间一般为一米。根据钻探的深度可按照从上到下的顺序依次将钻探上来的岩芯放置于该岩芯盒每格的空间中。即一般，第一格空间放置钻探的深度为0到1米的岩芯；第二格空间放置钻探的深度为1到2米的岩芯；第三格空间放置钻探的深度为2到3米的岩芯；以此类推，完成岩芯的放置。
在按照上述方式放置岩芯后，可对放置后的岩芯盒进行拍摄获得待识别图像。这里，待识别图像中会包含多个需要进行识别的岩芯，多个岩芯是按照一定的规则进行排布的。
在获得待识别图像后，可将上述待识别图像输入至训练好的预设模型中进行识别。这里，可对预设模型进行设置，使得预设模型能完成岩芯的判断识别操作。
具体地，待识别图像输入至预设模型后，预设模型会将待识别图像进行分割处理，获得分割后的第一图像。由于待识别图像包含需要进行识别的多个岩芯，因此，该待识别图像包含的特征较多，不利于岩芯的判断识别。而将待识别图像进行分割处理，能将待识别图像中的特征进行分散，从而提高待识别图像中岩芯的识别精度。此外，在对待识别图像进行分割处理后，利用预设模型中的反卷积网络对分割后的第一图像进行反卷积处理，可扩大分割后的第一图像中的特征，避免特征丢失，进一步提高识别精度。
在进行分割和反卷积处理后，可对反卷积处理后的第二图像进行特征提取和识别，判断待识别图像中多个需要进行识别的岩芯的岩芯类别，从而在识别之后，将该岩芯对应的岩芯类别标注在该岩芯上，获得标注后的识别图像。具体地，该标注后的识别图像可如图3所示。
具体地，可在岩芯对应的标注位置上标注该岩芯对应的岩芯类别。具体地，该岩芯对应的标注位置可为该岩芯的左上方、右上方等。当然，实际标注时，还可按照其他规则对标注位置进行设定。
进一步地，预设模型在识别时，可对岩芯盒中的每格岩芯进行统一识别，识别完成后，可对每格岩芯盒标注岩芯类别。当然，实际应用时，也可对每个单独的岩芯进行识别，在识别完成后，再对每个单独岩芯标注对应的岩芯类别。
另外，在一实施例中，所述对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别包括：
利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量；
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别。
这里，一个第一向量对应一个岩芯识别结果，多个第一向量对应多个岩芯识别结果。
这里的特征提取网络可为训练好的SSD目标检测网络。通过该网络对第二图像进行特征提取。
实际应用时，分类器会存储多个识别结果，根据第一向量中的数值可在分类器中找到该数值对应的识别结果，从而输出该识别结果。
进一步地，在一实施例中，所述利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别包括：
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的第一岩芯类别和第二岩芯类别；其中，第一岩芯类别表征所述岩芯的风化程度，所述第二岩芯类别表征所述岩芯的岩样种类。
这里，按照风化程度，第一岩芯类别可包括强分化、全风化、中风化、微风化。按照岩样种类，第二岩芯类别可包括花岗岩、砂岩。
相应地，在获取第一岩芯类别和第二岩芯类别后，在一实施例中，可将每个第一向量所对应的第一岩芯类别和第二岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
这里，在标注时，对每个第一向量所对应的第一岩芯类别和第二岩芯类别都进行标注。
进一步地，在一实施例中，所述利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量包括：
利用所述预设模型中的特征提取网络对所述第二图像进行特征提取，获得特征信息；
根据所述特征信息生成特征图；
对所述特征图进行加权处理，获得多个第一向量。
实际应用时，可将特征提取后的特征信息生成特征图，利用该特征图获得第一向量。
进一步地，在一实施例中，获取待识别图像之前，所述方法包括：
获取训练图像集；
对所述训练图像集进行标注，获得标注后的第一图像集；
利用所述第一图像集对模型进行训练，获得预设模型。
实施应用时，可先获取训练图像集，在该训练图像集中将识别结果进行标注，并将标注后的第一图像集进行训练，从而获得训练后的预设模型。
本发明实施例提供的岩芯类别确定方法，获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；对所述待识别图像进行分割处理，获得分割后的第一图像；利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。采用本发明提供的方案能实现岩芯类别的自动判断，提高判断的准备率和判断速度。
下面结合应用实施例对本发明再作进一步详细的描述。
本应用实施例提供一种岩芯判别网络，通过该岩芯判别网络实现对岩芯的实时判别，提高判岩的时效性、局限性、准确性。
具体地，该岩芯判别网络基于卷积神经网络，在该岩芯判别网络中，针对岩样特征面小的问题，提出了分割、反卷积、特征提取的方法。并基于该岩芯判别网络构建了基于岩芯判别网络的判岩***。
进一步地，参见图2，搭建完成的判岩***可通过如下过程实现对岩芯的判断识别：
（1）获取待判岩样；
（2）利用工业相机进行拍摄，获得待识别图像；
（3）利用岩芯判别网络提取岩芯特征信息，并且通过分类器与数据库信息进行匹配分析，从而在PC端输出判岩结果。
这里，参见表1，表1为该判岩***的开发和运行环境参数。
表1
下面对岩芯判别网络进行详细介绍：
本实施例中的岩芯判别网络可实现岩芯的分类识别定位。该岩芯判别网络主要包括以下4部分：图像分割算法、两层反卷积网络、基于SSD目标检测网络的特征图特征提取网络、分类器。
在该网络中，在获取待检测目标后，先对待检测目标进行填充处理，生成合适大小的填充特征图；再对该填充特征图进行图像分割，获得图像分割后的图像。（这里，由于待检测的岩芯图像中，特征较多，为了避免特征丢失，因此对待检测的岩芯图像进行分割处理）。再通过反卷积网络对分割后的图像进行反卷积操作，以扩大特征面、保留特征信息（这里，通过反卷积操作进行局部特征扩大、可在特征提取时尽可能地保留特征）。在通过反卷积网络扩大特征面后，可利用基于SSD目标检测网络的特征图特征提取网络提取特征信息、生成新的特征图，再该特征图中生成的描框进行加权处理，通过加权特征图特征提取网络提取加权后的描框特征信息，生成线性向量（可理解为上述实施例中的第一向量）。在通过分类器对该线性向量进行处理，实现对岩芯进行分类定位处理。
这里，上述过程中的岩芯判别网络为训练好的网络模型。因此，在使用该岩芯判别网络前，需进行模型训练。
这里，在进行模型训练前，需先进行数据处理，获得训练图像集。
该训练过程具体为：
为实现静态下岩芯的判定、分类分析操作等，需对数据进行标签处理。即通过标签标注的方式对数据进行处理。对不同类岩芯进行标注，将其对应的类别如强分化、全风化、中风化、微风化、花岗岩、砂岩等进行标注，可如图3所示标注。
这里，需要说明的是，在如图3所示的岩芯盒中，岩样是一米一格，为了精准判岩，需要以格为单位标注。
这里，数据预处理过程包括：
输入：岩芯图片；
输出：处理过后的岩芯图片数组，对图片进行标注，生成标签数组；
步骤1：定义数据图路径；
步骤2：图片预处理，进行直方图均值化，图像大小标准化；
步骤3：对图片进行标注；
步骤4：定义数据组，写入文件。
这里，主要是针对钻探岩芯展开分析，岩芯样中根据风化的程度不同，可以分为强分化、全风化、中风化、微风化；根据岩样不同，又可以分为花岗岩、砂岩等。本实施例可根据岩芯特征进行标注。
这里，在进行数据处理时，在原始数据集上标注打标签，可将数据集分为训练集、测试集和验证集。通过训练集中的数据进行训练，通过测试集中的数据进行测试，通过验证集中的数据进行验证。
另外，在训练时，可通过损失函数达到训练效果。这里，损失函数包括分类损失和定位损失。
获得数据处理后的标注数据后，可利用标注数据进行模型训练，具体的训练过程为：
输入：训练数据集
输出：岩芯判别网络
步骤1：预处理图像；
步骤2：数据标签处理；
步骤3：将处理后的数据写入 h5 文件；
步骤4：定义岩芯判别网络模型；
步骤5：选择训练策略---随机梯度下降；
步骤6：设定合适的每批数据量、学习率、优化器等参数；
步骤7：岩芯判别网络训练，打印训练过程中的损失值，保存一代训练模型，使用验证数据集进行验证，打印验证结果，并存入训练日志；
步骤8：导入测试数据，进行测试；
步骤9：测试数据集上进行模型评估。
本实施例是基于岩芯特性提出的岩芯标注的方法，并且构建了基于图像分割、反卷积和特征提取的岩芯判定模型。利用该岩芯判定模型对数据集进行分析，构建***，通过实验预测，能够实现岩芯判定，准确率高。
为了实现本发明实施例的方法，本发明实施例还提供了一种岩芯类别确定装置，如图4所示，岩芯类别确定装置400包括：获取模块401、分割模块402、反卷积模块403、确定模块404和标注模块405；其中，
获取模块401，用于获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
分割模块402，用于对所述待识别图像进行分割处理，获得分割后的第一图像；
反卷积模块403，用于利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
确定模块404，用于对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
标注模块405，用于对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
实际应用时，获取模块401、分割模块402、反卷积模块403、确定模块404和标注模块405可由岩芯类别确定装置中的处理器实现。
需要说明的是：上述实施例提供的上述装置在执行时，仅以上述各程序模块的划分进行举例说明，实际应用时，可以根据需要而将上述处理分配由不同的程序模块完成，即将终端的内部结构划分成不同的程序模块，以完成以上描述的全部或者部分处理。另外，上述实施例提供的上述装置与上述方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
为了实现本发明实施例的方法，本发明实施例还提供了一种计算机程序物体，计算机程序物体包括计算机指令，计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取计算机指令，处理器执行计算机指令，使得计算机设备执行上述方法的步骤。
基于上述程序模块的硬件实现，且为了实现本发明实施例的方法，本发明实施例还提供了一种电子设备（计算机设备）。具体地，在一个实施例中，该计算机设备可以是终端，其内部结构图可以如图5所示。该计算机设备包括通过***总线连接的处理器A01、网络接口A02、显示屏A04、输入装置A05和存储器（图中未示出）。其中，该计算机设备的处理器A01用于提供计算和控制能力。该计算机设备的存储器包括内存储器A03和非易失性存储介质A06。该非易失性存储介质A06存储有操作***B01和计算机程序B02。该内存储器A03为非易失性存储介质A06中的操作***B01和计算机程序B02的运行提供环境。该计算机设备的网络接口A02用于与外部的终端通过网络连接通信。该计算机程序被处理器A01执行时以实现上述任意一项实施例的方法。该计算机设备的显示屏A04可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置A05可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图5中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
本发明实施例提供的设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现上述任意一项实施例的方法。
本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序物体。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序物体的形式。
本申请是参照根据本申请实施例的方法、设备（***）、和计算机程序物体的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flashRAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitorymedia)，如调制的数据信号和载波。
可以理解，本发明实施例的存储器可以是易失性存储器或者非易失性存储器，也可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器（ROM，ReadOnly Memory）、可编程只读存储器（PROM，Programmable Read-Only Memory）、可擦除可编程只读存储器（EPROM，Erasable Programmable Read-Only Memory）、电可擦除可编程只读存储器（EEPROM，Electrically Erasable Programmable Read-Only Memory）、磁性随机存取存储器（FRAM，ferromagnetic random access memory）、快闪存储器（Flash Memory）、磁表面存储器、光盘、或只读光盘（CD-ROM，Compact Disc Read-Only Memory）；磁表面存储器可以是磁盘存储器或磁带存储器。易失性存储器可以是随机存取存储器（RAM，RandomAccess Memory），其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器（SRAM，Static Random Access Memory）、同步静态随机存取存储器（SSRAM，Synchronous Static Random Access Memory）、动态随机存取存储器（DRAM，Dynamic Random Access Memory）、同步动态随机存取存储器（SDRAM，SynchronousDynamic Random Access Memory）、双倍数据速率同步动态随机存取存储器（DDRSDRAM，Double Data Rate Synchronous Dynamic Random Access Memory）、增强型同步动态随机存取存储器（ESDRAM，Enhanced Synchronous Dynamic Random Access Memory）、同步连接动态随机存取存储器（SLDRAM，SyncLink Dynamic Random Access Memory）、直接内存总线随机存取存储器（DRRAM，Direct Rambus Random Access Memory）。本发明实施例描述的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种岩芯类别确定方法，其特征在于，所述方法包括：
获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
对所述待识别图像进行分割处理，获得分割后的第一图像；
利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
2.根据权利要求1所述的方法，其特征在于，所述对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别包括：
利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量；
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别。
3.根据权利要求2所述的方法，其特征在于，所述利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的岩芯类别包括：
利用所述预设模型中的分类器对每个所述第一向量进行分类识别，确定每个所述第一向量所对应的第一岩芯类别和第二岩芯类别；其中，第一岩芯类别表征所述岩芯的风化程度，所述第二岩芯类别表征所述岩芯的岩样种类。
4.根据权利要求3所述的方法，其特征在于，所述对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像包括：
将每个第一向量所对应的第一岩芯类别和第二岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
5.根据权利要求2所述的方法，其特征在于，所述利用预设模型中的特征提取网络对所述第二图像进行特征提取，获得多个第一向量包括：
利用所述预设模型中的特征提取网络对所述第二图像进行特征提取，获得特征信息；
根据所述特征信息生成特征图；
对所述特征图进行加权处理，获得多个第一向量。
6.根据权利要求1所述的方法，其特征在于，获取待识别图像之前，所述方法还包括：
获取训练图像集；
对所述训练图像集进行标注，获得标注后的第一图像集；
利用所述第一图像集对模型进行训练，获得所述预设模型。
7.根据权利要求1所述的方法，其特征在于，所述对所述待识别图像进行分割处理，获得分割后的第一图像包括：
将所述待识别图像按从上到下的顺序均等分割为三等份；
将分割后的图像定义为第一图像。
8.一种岩芯类别确定装置，其特征在于，所述岩芯类别确定装置包括：
获取模块，用于获取待识别图像；其中，在所述待识别图像中多个岩芯按照预设规则进行排布；
分割模块，用于对所述待识别图像进行分割处理，获得分割后的第一图像；
反卷积模块，用于利用预设模型中的反卷积网络对所述第一图像进行反卷积处理，获得特征面扩大的第二图像；
确定模块，用于对所述第二图像进行特征提取和识别，确定所述待识别图像中多个岩芯的岩芯类别；
标注模块，用于对每个所述岩芯类别，将所述岩芯类别标注在所述待识别图像中对应的岩芯位置上，获得标注后的识别图像。
9.一种电子设备，其特征在于，包括：处理器和用于存储能够在处理器上运行的计算机程序的存储器；其中，
所述处理器用于运行所述计算机程序时，执行权利要求1至7任一项所述方法的步骤。
10.一种存储介质，所述存储介质中存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现权利要求1至7任一项所述方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110974902.5A CN113420768A (zh) | 2021-08-24 | 2021-08-24 | 岩芯类别确定方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110974902.5A CN113420768A (zh) | 2021-08-24 | 2021-08-24 | 岩芯类别确定方法、装置、电子设备和存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113420768A true CN113420768A (zh) | 2021-09-21 |
Family
ID=77719213
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110974902.5A Pending CN113420768A (zh) | 2021-08-24 | 2021-08-24 | 岩芯类别确定方法、装置、电子设备和存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113420768A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115082454A (zh) * | 2022-07-27 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN115359348A (zh) * | 2022-07-20 | 2022-11-18 | 中南大学 | 岩芯特征识别统计方法及***、设备、存储介质 |
| CN116883852A (zh) * | 2023-08-29 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及*** |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
| CN109242833A (zh) * | 2018-08-23 | 2019-01-18 | 江苏中机矿山设备有限公司 | 一种采煤机截割控制方法 |
| CN208858354U (zh) * | 2018-08-23 | 2019-05-14 | 江苏中机矿山设备有限公司 | 采煤机截割控制*** |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及*** |
| CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及*** |
| CN111144225A (zh) * | 2019-12-03 | 2020-05-12 | 中铁第四勘察设计院集团有限公司 | 一种地质勘探岩芯的识别方法、装置和存储介质 |
| CN111582383A (zh) * | 2020-05-09 | 2020-08-25 | 浙江商汤科技开发有限公司 | 属性识别方法及装置、电子设备和存储介质 |
| CN112560722A (zh) * | 2020-12-22 | 2021-03-26 | 中国人民解放军国防科技大学 | 一种飞机目标识别方法、装置、计算机设备和存储介质 |
| CN112733969A (zh) * | 2021-03-31 | 2021-04-30 | 北京达佳互联信息技术有限公司 | 对象类别的识别方法和装置及服务器 |
-
2021
- 2021-08-24 CN CN202110974902.5A patent/CN113420768A/zh active Pending
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106529402A (zh) * | 2016-09-27 | 2017-03-22 | 中国科学院自动化研究所 | 基于多任务学习的卷积神经网络的人脸属性分析方法 |
| CN109242833A (zh) * | 2018-08-23 | 2019-01-18 | 江苏中机矿山设备有限公司 | 一种采煤机截割控制方法 |
| CN208858354U (zh) * | 2018-08-23 | 2019-05-14 | 江苏中机矿山设备有限公司 | 采煤机截割控制*** |
| CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及*** |
| CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及*** |
| CN111144225A (zh) * | 2019-12-03 | 2020-05-12 | 中铁第四勘察设计院集团有限公司 | 一种地质勘探岩芯的识别方法、装置和存储介质 |
| CN111582383A (zh) * | 2020-05-09 | 2020-08-25 | 浙江商汤科技开发有限公司 | 属性识别方法及装置、电子设备和存储介质 |
| CN112560722A (zh) * | 2020-12-22 | 2021-03-26 | 中国人民解放军国防科技大学 | 一种飞机目标识别方法、装置、计算机设备和存储介质 |
| CN112733969A (zh) * | 2021-03-31 | 2021-04-30 | 北京达佳互联信息技术有限公司 | 对象类别的识别方法和装置及服务器 |
Non-Patent Citations (2)
| Title |
|---|
| 张向荣，冯婕，刘芳: "《人工智能前言技术丛书 模式识别》", 30 September 2019, 西安：西安电子科技大学出版社 * |
| 赵文清 等: "基于反卷积和特征融合的SSD 小目标检测算法", 《智能***学报》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115359348A (zh) * | 2022-07-20 | 2022-11-18 | 中南大学 | 岩芯特征识别统计方法及***、设备、存储介质 |
| CN115082454A (zh) * | 2022-07-27 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN115082454B (zh) * | 2022-07-27 | 2022-12-09 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN116883852A (zh) * | 2023-08-29 | 2023-10-13 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及*** |
| CN116883852B (zh) * | 2023-08-29 | 2024-03-08 | 北京建工环境修复股份有限公司 | 一种基于高光谱的岩芯数据获取方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113420768A (zh) | 岩芯类别确定方法、装置、电子设备和存储介质 | |
| CN109272031A (zh) | 一种训练样本生成方法及装置、设备、介质 | |
| CN110490100A (zh) | 基于深度学习的岩土自动识别定名方法及*** | |
| CN110472597A (zh) | 基于深度学习的岩石图像风化程度检测方法及*** | |
| CN104112284B (zh) | 一种图片的相似度检测方法和设备 | |
| CN108681746A (zh) | 一种图像识别方法、装置、电子设备和计算机可读介质 | |
| Younis et al. | Detection and annotation of plant organs from digitised herbarium scans using deep learning | |
| CN109858414A (zh) | 一种***分块检测方法 | |
| CN108062377A (zh) | 标签图片集的建立、标签的确定方法、装置、设备及介质 | |
| CN107273910A (zh) | 过滤器学习方法及利用过滤器检测测试图像中的对象的方法、学习装置及对象识别支持装置 | |
| Fan et al. | A deep learning model for quick and accurate rock recognition with smartphones | |
| CN111242922A (zh) | 一种蛋白质图像分类方法、装置、设备及介质 | |
| US20150242676A1 (en) | Method for the Supervised Classification of Cells Included in Microscopy Images | |
| CN117671508B (zh) | 基于sar图像的高陡边坡滑坡检测方法及*** | |
| CN114565803A (zh) | 用于提取难样本的方法、装置及机械设备 | |
| CN114324336A (zh) | 一种大豆全生育期生物量无损测量方法 | |
| CN110309825A (zh) | 一种复杂背景下的维吾尔文检测方法、***及电子设备 | |
| Møller et al. | Mechanistic spatio-temporal point process models for marked point processes, with a view to forest stand data | |
| CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
| CN110457155B (zh) | 一种样本类别标签的修正方法、装置及电子设备 | |
| CN112052824A (zh) | 基于YOLOv3算法的煤气管道特定物体目标检测告警方法、装置、***及存储介质 | |
| CN111863135A (zh) | 一种假阳性结构变异过滤方法、存储介质及计算设备 | |
| CN115168575A (zh) | 应用于审计领域的主语补全方法及相关设备 | |
| CN106997462A (zh) | 一种量子线路图像识别方法 | |
| CN114021716A (zh) | 一种模型训练的方法、***及电子设备 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210921 |
|
| RJ01 | Rejection of invention patent application after publication |