CN115620068A - 一种深度学习模式下的岩石岩性自动识别分类方法 - Google Patents

一种深度学习模式下的岩石岩性自动识别分类方法 Download PDF

Info

Publication number
CN115620068A
CN115620068A CN202211339295.6A CN202211339295A CN115620068A CN 115620068 A CN115620068 A CN 115620068A CN 202211339295 A CN202211339295 A CN 202211339295A CN 115620068 A CN115620068 A CN 115620068A
Authority
CN
China
Prior art keywords
rock
deep learning
training
lithology
learning mode
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
Application number
CN202211339295.6A
Other languages
English (en)
Inventor
邹天俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Three Gorges University CTGU
Original Assignee
China Three Gorges University CTGU
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Three Gorges University CTGU filed Critical China Three Gorges University CTGU
Priority to CN202211339295.6A priority Critical patent/CN115620068A/zh
Publication of CN115620068A publication Critical patent/CN115620068A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种深度学习模式下的岩石岩性自动识别分类方法，属于岩石岩性分类技术领域，一种深度学习模式下的岩石岩性自动识别分类方法，包括：对原始数据集图像进行数据预处理、基于ResNet提出一种变体ResNeSt、基于建立的ResNeSt模型进行训练得到实验结果、搭建ResNeSt50对岩石图像进行，可以实现通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。

Description

一种深度学习模式下的岩石岩性自动识别分类方法
技术领域
本发明涉及岩石岩性分类技术领域，更具体地说，涉及一种深度学习模式下的岩石岩性自动识别分类方法。
背景技术
岩石不仅是地球岩石圈圈层的重要组成元素，也是陨石、月球和火星等地外物质的重要组成元素，其研究在各个领域都具有重大意义。
岩石是天然产出的矿物或者矿物与其他物质(火山破璃、生物骨骼、胶体和岩屑等)组成的固态集合体；岩石不仅构成了地球的岩石圈圈层，许多地外物质陨石、月球和火星等也是由岩石组成的；岩石的种类非常丰富，在自然界中，目前被人类探明的种类达到三千多种；从科研角度来说，对岩石的研究有助于了解某个地区的地质演化历史、岩石化学组成和岩石学特征；从现实意义来说，对岩石的研究有助于寻找矿产资源、油气资源和水资源等，除此之外，在进行重大工程建设时，也都要以对岩石的研究为基础。
随着人工智能技术的不断发展，各种人工智能算法开始被广泛应用于岩石样本的自动识别与分类中，为了更高效、更准确地对岩石样本图像进行识别和分类，选择合适的深度学习模型和图像处理方法是问题的关键。
发明内容
1.要解决的技术问题
针对现有技术中存在的问题，本发明的目的在于提供一种深度学习模式下的岩石岩性自动识别分类方法，可以实现通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。
2.技术方案
为解决上述问题，本发明采用如下的技术方案。
一种深度学习模式下的岩石岩性自动识别分类方法，包括如下步骤：
S1.对原始数据集图像进行数据预处理；
S2.基于ResNet提出一种变体ResNeSt；
S3.基于建立的ResNeSt模型进行训练得到实验结果；
S4.搭建ResNeSt50对岩石图像进行分类；
通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。
进一步的，所述步骤S1中原始数据集图像包括训练集和测试集，利用训练集与测试集对神经网络进行训练。
进一步的，所述步骤S1中数据预处理包括：旋转处理、翻转处理和镜像处理，通过旋转、翻转和镜像对原始数据集进行数据增强，使得数据集各岩石种类的图像占比大致相等，从而使训练中数据集对比效果更好。
进一步的，所述步骤S2中ResNet为深度残差学习神经网络，ResNeSt为拆分注意力神经网络，S表示分割，所述ResNeSt包括：
深度残差学习：通过引入残差学习，构建神经网络以此提高网络的深度来提高精度；
Inception：Inception模块采用不同大小的卷积核进行卷积之后进行拼接，从而使得网络能够学习不同感受野的信息，并将不同尺度的特征进行融合；
组卷积：用于在不增加网络参数量的条件下提高网络精度，同时减少超参数的数量；
注意力机制：用于观察图像中关键部分而忽略掉图像中的无关信息。
进一步的，所述步骤S3中实验结果采用训练迭代次数为500次，使用Adam优化器，学习率为0.0001，损失函数为交叉熵，批训练大小为16，通过Adam有效的随机优化方法，利用该方法通过第一、第二梯度的估计，计算不同参数的自适应学习速率，其具有实现简单、计算高效、对内存需求少和梯度对角缩放的不变性等优点；交叉熵作为损失函数的另一个优点是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题。
进一步的，所述步骤S1中原始数据集图像在获取时对单体岩石拍摄不下于6张图像，并控制光照、角度和表面洁净度参数不一致。
进一步的，在对单体岩石拍摄得到的图像进行同时训练，若训练结果一致则直接输出实验结果，若训练结果不一致则进入到步骤S31。
进一步的，所述步骤S31中首先选取相同数量最多的训练结果，引入不少于3种已知的现有模型进行训练，将得到的训练结果进行比对，相同率超过50％则输出实验结果。
进一步的，所述步骤S31相同率低于50％则重新进入建立的模型进行训练。
进一步的，所述步骤S31相同率低于50％时，将单体岩石样本进行解析得到正确结果，并对建立的模型进行反馈调整。
3.有益效果
相比于现有技术，本发明的优点在于：
(1)本方案可以实现通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。
(2)本方案中数据预处理，通过旋转、翻转和镜像对原始数据集进行数据增强，使得数据集各岩石种类的图像占比大致相等，从而使训练中数据集对比效果更好；深度残差学习，通过引入残差学习，构建神经网络以此提高网络的深度来提高精度；Inception模块，通过采用不同大小的卷积核进行卷积之后进行拼接，从而使得网络能够学习不同感受野的信息，并将不同尺度的特征进行融合；组卷积，通过在不增加网络参数量的条件下提高网络精度，同时减少超参数的数量；注意力机制，通过观察图像中关键部分而忽略掉图像中的无关信息。
(3)本方案中实验结果采用训练迭代次数为500次，使用Adam优化器，学习率为0.0001，损失函数为交叉熵，批训练大小为16，通过Adam有效的随机优化方法，利用该方法通过第一、第二梯度的估计，计算不同参数的自适应学习速率，其具有实现简单、计算高效、对内存需求少和梯度对角缩放的不变性等优点；交叉熵作为损失函数的另一个优点是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题。
附图说明
图1为本发明的方法步骤流程示意图；
图2为本发明的残差学习模块结构示意图；
图3为本发明的Inception模块结构示意图；
图4为本发明的分割注意力模块结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述；显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
在本发明的描述中，需要说明的是，术语“上”、“下”、“内”、“外”、“顶/底端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
在本发明的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“设置有”、“套设/接”、“连接”等，应做广义理解，例如“连接”，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1：
请参阅图1-3，一种深度学习模式下的岩石岩性自动识别分类方法，包括如下步骤：
S1.对原始数据集图像进行数据预处理；
S2.基于ResNet提出一种变体ResNeSt；
S3.基于建立的ResNeSt模型进行训练得到实验结果；
S4.搭建ResNeSt50对岩石图像进行分类；
通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。
步骤S1中原始数据集图像包括训练集和测试集，利用训练集与测试集对神经网络进行训练。
步骤S1中数据预处理包括：旋转处理、翻转处理和镜像处理，通过旋转、翻转和镜像对原始数据集进行数据增强，使得数据集各岩石种类的图像占比大致相等，从而使训练中数据集对比效果更好。
步骤S2中ResNet为深度残差学习神经网络，ResNeSt为拆分注意力神经网络，S表示分割，ResNeSt包括：
深度残差学习：通过引入残差学习，构建神经网络以此提高网络的深度来提高精度；
Inception：Inception模块采用不同大小的卷积核进行卷积之后进行拼接，从而使得网络能够学习不同感受野的信息，并将不同尺度的特征进行融合；
组卷积：用于在不增加网络参数量的条件下提高网络精度，同时减少超参数的数量；
注意力机制：用于观察图像中关键部分而忽略掉图像中的无关信息。
步骤S3中实验结果采用训练迭代次数为500次，使用Adam优化器，学习率为0.0001，损失函数为交叉熵，批训练大小为16，通过Adam有效的随机优化方法，利用该方法通过第一、第二梯度的估计，计算不同参数的自适应学习速率，其具有实现简单、计算高效、对内存需求少和梯度对角缩放的不变性等优点；交叉熵作为损失函数的另一个优点是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题。
步骤S1中原始数据集图像在获取时对单体岩石拍摄不下于6张图像，并控制光照、角度和表面洁净度参数不一致。
在对单体岩石拍摄得到的图像进行同时训练，若训练结果一致则直接输出实验结果，若训练结果不一致则进入到步骤S31；步骤S31中首先选取相同数量最多的训练结果，引入不少于3种已知的现有模型进行训练，将得到的训练结果进行比对，相同率超过50％则输出实验结果；步骤S31相同率低于50％则重新进入建立的模型进行训练；步骤S31相同率低于50％时，将单体岩石样本进行解析得到正确结果，并对建立的模型进行反馈调整。
本发明通过训练迭代次数为500次，使用Adam优化器，学习率为0.0001，损失函数为交叉熵，批训练大小为16，通过Adam有效的随机优化方法，利用该方法通过第一、第二梯度的估计，计算不同参数的自适应学习速率，其具有实现简单、计算高效、对内存需求少和梯度对角缩放的不变性等优点；交叉熵作为损失函数的另一个优点是使用sigmoid函数在梯度下降时能避免均方误差损失函数学习速率降低的问题。
数据预处理，通过旋转、翻转和镜像对原始数据集进行数据增强，使得数据集各岩石种类的图像占比大致相等，从而使训练中数据集对比效果更好；深度残差学习，通过引入残差学习，构建神经网络以此提高网络的深度来提高精度；Inception模块，通过采用不同大小的卷积核进行卷积之后进行拼接，从而使得网络能够学习不同感受野的信息，并将不同尺度的特征进行融合；组卷积，通过在不增加网络参数量的条件下提高网络精度，同时减少超参数的数量；注意力机制，通过观察图像中关键部分而忽略掉图像中的无关信息。
通过图像处理技术和深度学习算法，结合数据特点，设计出有效的模型，识别出岩石样本的岩性类别，采用ResNeSt技术作为模型的主干，搭建了ResNeSt50神经网络，在完成参数调整和迭代训练后，得到了一个基于岩石样本图像的岩性自动分类的模型；利用数据特点引入了先进的深度学习技术，综合考虑了岩石的全局图像信息和局部纹理信息，分类准确率高，模型大小适中，计算速度快。
以上所述，仅为本发明较佳的具体实施方式；但本发明的保护范围并不局限于此。任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其改进构思加以等同替换或改变，都应涵盖在本发明的保护范围内。

Claims (10)

1.一种深度学习模式下的岩石岩性自动识别分类方法，包括如下步骤：
S1.对原始数据集图像进行数据预处理；
S2.基于ResNet提出一种变体ResNeSt；
S3.基于建立的ResNeSt模型进行训练得到实验结果；
S4.搭建ResNeSt50对岩石图像进行分类。
2.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S1中原始数据集图像包括训练集和测试集。
3.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S1中数据预处理包括：旋转处理、翻转处理和镜像处理。
4.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S2中ResNet为深度残差学习神经网络，ResNeSt为拆分注意力神经网络，S表示分割，所述ResNeSt包括：
深度残差学习：通过引入残差学习，构建神经网络以此提高网络的深度来提高精度；
Inception：Inception模块采用不同大小的卷积核进行卷积之后进行拼接，从而使得网络能够学习不同感受野的信息，并将不同尺度的特征进行融合；
组卷积：用于在不增加网络参数量的条件下提高网络精度，同时减少超参数的数量；
注意力机制：用于观察图像中关键部分而忽略掉图像中的无关信息。
5.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S3中实验结果采用训练迭代次数为500次，使用Adam优化器，学习率为0.0001，损失函数为交叉熵，批训练大小为16。
6.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S1中原始数据集图像在获取时对单体岩石拍摄不下于6张图像，并控制光照、角度和表面洁净度参数不一致。
7.根据权利要求6所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：在对单体岩石拍摄得到的图像进行同时训练，若训练结果一致则直接输出实验结果，若训练结果不一致则进入到步骤S31。
8.根据权利要求7所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S31中首先选取相同数量最多的训练结果，引入不少于3种已知的现有模型进行训练，将得到的训练结果进行比对，相同率超过50％则输出实验结果。
9.根据权利要求8所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S31相同率低于50％则重新进入建立的模型进行训练。
10.根据权利要求8所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于：所述步骤S31相同率低于50％时，将单体岩石样本进行解析得到正确结果，并对建立的模型进行反馈调整。
CN202211339295.6A 2022-10-28 2022-10-28 一种深度学习模式下的岩石岩性自动识别分类方法 Pending CN115620068A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211339295.6A CN115620068A (zh) 2022-10-28 2022-10-28 一种深度学习模式下的岩石岩性自动识别分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211339295.6A CN115620068A (zh) 2022-10-28 2022-10-28 一种深度学习模式下的岩石岩性自动识别分类方法

Publications (1)

Publication Number Publication Date
CN115620068A true CN115620068A (zh) 2023-01-17

Family

ID=84875767

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211339295.6A Pending CN115620068A (zh) 2022-10-28 2022-10-28 一种深度学习模式下的岩石岩性自动识别分类方法

Country Status (1)

Country Link
CN (1) CN115620068A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
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
CN118247579A (zh) * 2024-05-21 2024-06-25 天津城建大学 一种岩性识别方法、装置和存储介质

Cited By (3)

* Cited by examiner, † Cited by third party
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
CN118247579A (zh) * 2024-05-21 2024-06-25 天津城建大学 一种岩性识别方法、装置和存储介质
CN118247579B (zh) * 2024-05-21 2024-07-19 天津城建大学 一种岩性识别方法、装置和存储介质

Similar Documents

Publication Publication Date Title
CN107122375B (zh) 基于图像特征的图像主体的识别方法
CN111368896B (zh) 基于密集残差三维卷积神经网络的高光谱遥感图像分类方法
US20180247156A1 (en) Machine learning systems and methods for document matching
CN115620068A (zh) 一种深度学习模式下的岩石岩性自动识别分类方法
CN109948029A (zh) 基于神经网络自适应的深度哈希图像搜索方法
CN107885853A (zh) 一种基于深度学习的组合式文本分类方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN111382676B (zh) 一种基于注意力机制的沙粒图像分类方法
CN109102014A (zh) 基于深度卷积神经网络的类别不平衡的图像分类方法
CN110619059B (zh) 一种基于迁移学习的建筑物标定方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN113313000B (zh) 一种基于光学图像的气液两相流智能识别方法
CN111400494B (zh) 一种基于GCN-Attention的情感分析方法
CN114708517B (zh) 一种基于注意力的自适应元学习岩性识别方法及装置
CN113222071A (zh) 一种基于岩石薄片显微图像深度学习的岩石分类方法
CN110287985B (zh) 一种基于带变异粒子群算法的可变拓扑结构的深度神经网络图像识别方法
CN113095229B (zh) 一种无监督域自适应行人重识别***及方法
CN112507114A (zh) 一种基于词注意力机制的多输入lstm_cnn文本分类方法及***
CN112232395B (zh) 一种基于联合训练生成对抗网络的半监督图像分类方法
CN112200262B (zh) 支持多任务和跨任务的小样本分类训练方法及装置
CN111832580B (zh) 结合少样本学习与目标属性特征的sar目标识别方法
CN114511710A (zh) 一种基于卷积神经网络的图像目标检测方法
CN111340096A (zh) 一种基于对抗互补学习的弱监督蝴蝶目标检测方法
CN114997501A (zh) 基于样本失衡的深度学习矿产资源分类预测方法及***
CN105787045B (zh) 一种用于可视媒体语义索引的精度增强方法

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