CN114170589A - 一种基于nas的岩石岩性识别方法、终端设备及存储介质 - Google Patents
一种基于nas的岩石岩性识别方法、终端设备及存储介质 Download PDFInfo
- Publication number
- CN114170589A CN114170589A CN202111329872.9A CN202111329872A CN114170589A CN 114170589 A CN114170589 A CN 114170589A CN 202111329872 A CN202111329872 A CN 202111329872A CN 114170589 A CN114170589 A CN 114170589A
- Authority
- CN
- China
- Prior art keywords
- rock
- classification model
- nas
- pictures
- training
- 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
- 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
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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
- 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)
- Data Mining & Analysis (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)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于NAS的岩石岩性识别方法、终端设备及存储介质,该方法中包括:S1:采集岩石图片并对其岩性进行标注,根据标注后的岩石图片构建训练集;S2:构建分类模型,分类模型采用基于NAS的网络模型作为主干网络,之后依次串联全卷积网络和分类网络;S3:通过ImageNet图像数据集对分类模型进行预训练后,采用迁移学习算法,在分类模型中载入预训练后得到的权重参数后,再通过训练集对分类模型进行训练,训练后得到最终分类模型;S4:通过最终分类模型对待识别的岩石图片中的岩性进行识别。本发明相比于传统的机器视觉方法具有良好鲁棒性和泛化能力。
Description
技术领域
本发明涉及计算机视觉领域,尤其涉及一种基于NAS的岩石岩性识别方法、终端设备及存储介质。
背景技术
岩石岩性识别指通过某些方法认识和区别岩石的颜色、成分、结构等特征。岩性识别在油气勘探、矿产资源勘探等不同工作中都起着举足轻重的作用,比如岩性识别在油气勘探中保证着孔隙度和含油饱和度的准确性。因此在地质学研究中,如何对岩石岩性进行有效且高效的识别与分类一直是个亟待解决的重要课题。
传统的岩石分类方法主要包括以下两种:1.物理试验方法,即运用物理测试手段进行检测识别与分析。2.数学统计分析方法,即通过传统的数学统计与计算分析对岩石岩性分类特征进行识别与提取。这两类方法虽然效果良好,但是想要达到较高的准确率需要工作人员具有良好的实验理论和实验能力以及拥有完备的实验设备,而实际的地质勘探工作中一般都无法提供良好的实验环境,通常难以保证岩石岩性识别的实时性和准确性。
发明内容
为了解决上述问题,本发明提出了一种基于NAS的岩石岩性识别方法、终端设备及存储介质。
具体方案如下:
一种基于NAS的岩石岩性识别方法,包括以下步骤:
S1:采集岩石图片并对其岩性进行标注,根据标注后的岩石图片构建训练集;
S2:构建分类模型,分类模型采用基于NAS的网络模型作为主干网络,之后依次串联全卷积网络和分类网络;
S3:通过ImageNet图像数据集对分类模型进行预训练后,采用迁移学习算法,在分类模型中载入预训练后得到的权重参数后,再通过训练集对分类模型进行训练,训练后得到最终分类模型;
S4:通过最终分类模型对待识别的岩石图片中的岩性进行识别。
进一步的,步骤S1还包括对标注后的岩石图片进行数据增强处理,将数据增强处理后的所有岩石图片组成训练集。
进一步的,数据增强处理包括:尺寸放大或缩小、旋转、翻转、调整亮度、像素平移和添加噪声中的一者或多者。
进一步的,步骤S1还包括对组成训练集的岩石图片进行均衡化处理。
进一步的,分类模型的主干网络的网络结构依次包括:1个卷积层、7个MBConv层、1个卷积层、1个池化层和一个全连接层。
进一步的,MBConv层的网络结构依次包括:一个用于升维的1x1的卷积层、一个kxk的Depthwise卷积层、一个SE模块、一个用于降维的1x1的卷积层和一个Droupout层。
一种基于NAS的岩石岩性识别终端设备,包括处理器、存储器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例上述的方法的步骤。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述的方法的步骤。
本发明采用如上技术方案,与传统的机器视觉方法相比,具有以下优点:
1.模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;
2.对于图像像素大小,成像距离及光照要求低;
3.采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。
附图说明
图1所示为本发明实施例一的流程图。
图2所示为该实施例中主干网络的网络结构示意图。
图3所示为该实施例中MBConv层的网络结构示意图。
具体实施方式
为进一步说明各实施例,本发明提供有附图。这些附图为本发明揭露内容的一部分,其主要用以说明实施例,并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容,本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。
现结合附图和具体实施方式对本发明进一步说明。
实施例一:
本发明实施例提供了一种基于NAS的岩石岩性识别方法,如图1所示,所述方法包括以下步骤:
S1:采集岩石图片并对其岩性进行标注,根据标注后的岩石图片构建训练集。
该实施例中采集的岩石图片包括七种岩性类别的图片,分别为:20张黑色煤图片、29张灰黑色泥岩图片、45张灰色泥质粉砂岩图片、17张灰色细砂岩图片、84张浅灰色细砂岩图片、39张深灰色粉砂质泥岩图片和74张深灰色泥岩图片。
由于采集的岩石图片数据有限,为了增加组成训练集的岩石图片的数量,提高模型训练的准确度,该实施例中还包括对对标注后的岩石图片进行数据增强处理,将数据增强处理后的所有岩石图片组成训练集。
该实施例中采用的数据增强处理方法包括:尺寸放大或缩小、旋转(任意角度,如45°,90°,180°,270°)、翻转(水平翻转,垂直翻转)、明亮度改变(变亮,变暗)、像素平移(往一个方向平移像素,空出部分自动填补黑色)、添加噪声(椒盐噪声,高斯噪声)等,在其他实施例中也可以采用其他数据增强方式,在此不做限定。
进一步的,该实施例中还包括对数据增强后的岩石图片进行均衡化处理,以增强图片对比度,进而提高模型训练结果的准确度。
S2:构建分类模型,分类模型采用基于NAS(神经网络结构搜索)的网络模型作为主干网络,之后依次串联全卷积网络(FCN)和基于SoftMax函数的分类网络。
主干网络的网络结构如图2所示,从输入端开始,首先设置1个卷积层,7个MBConv层;再设置1个1x1的卷积层,连接1个池化层,最后连接FC层;其中MBConv层的网络结构如图3所示,主要由一个1x1的普通卷积(升维作用,包含BN和Swish),一个kxk的DepthwiseConv卷积(包含BN和Swish),一个SE模块,一个1x1的普通卷积(降维作用,包含BN),一个Droupout层构成。
S3:通过ImageNet图像数据集对分类模型进行预训练后,采用迁移学习算法,在分类模型中载入预训练后得到的权重参数后,再通过训练集对分类模型进行训练,训练后得到最终分类模型。
ImageNet图像数据集为公开数据集。
预训练得到分类模型的一组权重参数,将该组权重参数迁移至分类模型中,可以加速整体训练进程。分类模型载入预训练的权重参数后,通过步骤S1构建的训练集对分类模型中的所有参数进行训练,通过反复迭代训练得到最终分类模型。该实施例中设定迭代次数为100,学习率为0.01。
S4:通过最终分类模型对待识别的岩石图片中的岩性进行识别。
通过模拟实验,本实施例分类模型的准确率能够达到90%,因此本实施例分类模型训练效果良好,能对七类岩石实现较为精准的识别。
选取七类岩石图片中的各一张进行岩石岩性识别,结果如表1所示。
表1
与岩石岩性的识别与分类的两类传统方法相比,本发明实施例采用基于NAS的分类模型,通过深度学习算法分析处理图像中的岩石特征并建立相应数学模型,从而利用图像识别技术实现岩石岩性识别与分类,一定程度上保证了岩石岩性识别的实时性和准确性,在实际工作中更具实用性。
实施例二:
本发明还提供一种基于NAS的岩石岩性识别终端设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现本发明实施例一的上述方法实施例中的步骤。
进一步地,作为一个可执行方案,所述基于NAS的岩石岩性识别终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述基于NAS的岩石岩性识别终端设备可包括,但不仅限于,处理器、存储器。本领域技术人员可以理解,上述基于NAS的岩石岩性识别终端设备的组成结构仅仅是基于NAS的岩石岩性识别终端设备的示例,并不构成对基于NAS的岩石岩性识别终端设备的限定,可以包括比上述更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述基于NAS的岩石岩性识别终端设备还可以包括输入输出设备、网络接入设备、总线等,本发明实施例对此不做限定。
进一步地,作为一个可执行方案,所称处理器可以是中央处理单元(CentralProcessing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,所述处理器是所述基于NAS的岩石岩性识别终端设备的控制中心,利用各种接口和线路连接整个基于NAS的岩石岩性识别终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块,所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现所述基于NAS的岩石岩性识别终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需的应用程序;存储数据区可存储根据手机的使用所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例上述方法的步骤。
所述基于NAS的岩石岩性识别终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)以及软件分发介质等。
尽管结合优选实施方案具体展示和介绍了本发明,但所属领域的技术人员应该明白,在不脱离所附权利要求书所限定的本发明的精神和范围内,在形式上和细节上可以对本发明做出各种变化,均为本发明的保护范围。
Claims (8)
1.一种基于NAS的岩石岩性识别方法,其特征在于,包括以下步骤:
S1:采集岩石图片并对其岩性进行标注,根据标注后的岩石图片构建训练集;
S2:构建分类模型,分类模型采用基于NAS的网络模型作为主干网络,之后依次串联全卷积网络和分类网络;
S3:通过ImageNet图像数据集对分类模型进行预训练后,采用迁移学习算法,在分类模型中载入预训练后得到的权重参数后,再通过训练集对分类模型进行训练,训练后得到最终分类模型;
S4:通过最终分类模型对待识别的岩石图片中的岩性进行识别。
2.根据权利要求1所述的基于NAS的岩石岩性识别方法,其特征在于:步骤S1还包括对标注后的岩石图片进行数据增强处理,将数据增强处理后的所有岩石图片组成训练集。
3.根据权利要求2所述的基于NAS的岩石岩性识别方法,其特征在于:数据增强处理包括:尺寸放大或缩小、旋转、翻转、调整亮度、像素平移和添加噪声中的一者或多者。
4.根据权利要求1所述的基于NAS的岩石岩性识别方法,其特征在于:步骤S1还包括对组成训练集的岩石图片进行均衡化处理。
5.根据权利要求1所述的基于NAS的岩石岩性识别方法,其特征在于:分类模型的主干网络的网络结构依次包括:1个卷积层、7个MBConv层、1个卷积层、1个池化层和一个全连接层。
6.根据权利要求5所述的基于NAS的岩石岩性识别方法,其特征在于:MBConv层的网络结构依次包括:一个用于升维的1x1的卷积层、一个kxk的Depthwise卷积层、一个SE模块、一个用于降维的1x1的卷积层和一个Droupout层。
7.一种基于NAS的岩石岩性识别终端设备,其特征在于:包括处理器、存储器以及存储在所述存储器中并在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如权利要求1~6中任一所述方法的步骤。
8.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于:所述计算机程序被处理器执行时实现如权利要求1~6中任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329872.9A CN114170589A (zh) | 2021-11-11 | 2021-11-11 | 一种基于nas的岩石岩性识别方法、终端设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111329872.9A CN114170589A (zh) | 2021-11-11 | 2021-11-11 | 一种基于nas的岩石岩性识别方法、终端设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114170589A true CN114170589A (zh) | 2022-03-11 |
Family
ID=80478673
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111329872.9A Pending CN114170589A (zh) | 2021-11-11 | 2021-11-11 | 一种基于nas的岩石岩性识别方法、终端设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114170589A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与***、存储介质和设备 |
-
2021
- 2021-11-11 CN CN202111329872.9A patent/CN114170589A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与***、存储介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020199468A1 (zh) | 图像分类方法、装置及计算机可读存储介质 | |
CN111080628B (zh) | 图像篡改检测方法、装置、计算机设备和存储介质 | |
Xie et al. | Multilevel cloud detection in remote sensing images based on deep learning | |
Tang et al. | DeFusionNET: Defocus blur detection via recurrently fusing and refining discriminative multi-scale deep features | |
He et al. | Supercnn: A superpixelwise convolutional neural network for salient object detection | |
Sirmacek et al. | Urban-area and building detection using SIFT keypoints and graph theory | |
CN106650740B (zh) | 一种车牌识别方法及终端 | |
Khare et al. | A blind deconvolution model for scene text detection and recognition in video | |
CN109583449A (zh) | 字符识别方法及相关产品 | |
US9575566B2 (en) | Technologies for robust two-dimensional gesture recognition | |
CN111680678B (zh) | 目标区域识别方法、装置、设备及可读存储介质 | |
Roy et al. | Fractional poisson enhancement model for text detection and recognition in video frames | |
CN111325271A (zh) | 图像分类方法及装置 | |
Spizhevoi et al. | OpenCV 3 Computer Vision with Python Cookbook: Leverage the power of OpenCV 3 and Python to build computer vision applications | |
Feng et al. | Bag of visual words model with deep spatial features for geographical scene classification | |
CN113011253B (zh) | 基于ResNeXt网络的人脸表情识别方法、装置、设备及存储介质 | |
CN113920516B (zh) | 一种基于孪生神经网络的书法字骨架匹配方法及*** | |
Zhang et al. | Deep edge-aware saliency detection | |
CN113111880A (zh) | 证件图像校正方法、装置、电子设备及存储介质 | |
CN110163095B (zh) | 回环检测方法、回环检测装置及终端设备 | |
CN108288061A (zh) | 一种基于mser快速在自然场景中定位倾斜文本的方法 | |
Chaitra et al. | An impact of radon transforms and filtering techniques for text localization in natural scene text images | |
CN114170589A (zh) | 一种基于nas的岩石岩性识别方法、终端设备及存储介质 | |
Matusiak et al. | Unbiased evaluation of keypoint detectors with respect to rotation invariance | |
Pei et al. | Enhancing aphid detection framework based on ORB and convolutional neural networks |
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 |