CN107633255B - 一种深度学习模式下的岩石岩性自动识别分类方法 - Google Patents

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，用以分析地质工程中的岩石岩性，包括以下步骤：步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；步骤B，采用卷积神经网络Inception‑v3模型作为预训练模型，利用其特征提取模型获取图像特征；步骤C，建立Softmax回归模型；步骤D，训练岩石图像自动识别与分类模型；步骤E，测试岩石图像自动识别与分类模型。本发明通过建立岩石图像自动识别与分类模型，可以自动化、智能化地分析工程中的地质状况，大大节省人力物力，减少成本支出。

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，特别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

岩石岩性分类一直以来都是地质学重点分析的问题。诸多学者通过对岩石图像的分析，得到了岩石的特征信息，取得了一定进展，但是在这一过程中需要手动进行选择特征，交互操作多，人为因素影响大；对岩石颜色进行处理可以实现自动采样，但是忽略了纹理等其他特征，其方法有局限性，而利用神经网络实现岩石图像分类则需要对网络参数有很好的调节能力。

发明内容

本发明的目的是克服现有技术中的不足，提供一种深度学习模式下的岩石岩性自动识别分类方法，用以分析地质工程中的岩石岩性。

本发明所采用的技术方案是：一种深度学习模式下的岩石岩性自动识别分类方法，包括以下步骤：

步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；

步骤B，采用卷积神经网络Inception-v3模型作为预训练模型，利用其特征提取模型获取图像特征；

步骤C，建立Softmax回归模型；

步骤D，训练岩石图像自动识别与分类模型；

步骤E，测试岩石图像自动识别与分类模型。

所述步骤A中进一步包括：

步骤A1：采集不同种类的岩石图像，并将岩石图像分类整理；

步骤A2：图像统一设置为jpg格式，不要求图像大小，像素及摄像距离；

步骤A3：采用随机分配将每一类的岩石图像分为训练集和测试集。

所述步骤B中进一步包括：

步骤B1：将卷积神经网络Inception-v3的卷积层、池化层全部提取出来，即采用Inception-v3模型的参数值提取岩石图像特征；

步骤B2：移除Inception-v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。

所述步骤C进一步包括：

步骤C1：对于给定的测试输入x，利用假设函数针对每一个类别j估算出概率值p(y＝j|x)，即估计x每一种分类结果出现的概率；因此，利用假设函数输出一个k维向量来表示这k个估计概率值，假设函数h_θ(x)形式如下：

其中

项对概率分布进行归一化；

这里，x是m×1维的输入变量，m是输入变量的特征数，θ是Softmax回归模型的参数，为m×k阶矩阵；

步骤C2：模型训练过程是要找到最优参数θ使得实际值与预测值更为相近，通过不断迭代寻找最优θ值，其代价函数如下：

式中，1{·}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0；

对于J(θ)的最小化问题，使用迭代优化算法中的梯度下降法进行求解，经过求导，可得到如下的梯度公式：

所求得的

是一个向量，它的第l个元素

是J(θ)对θ_j的第l个分量的偏导数；

步骤C3：通过添加

来修改代价函数，这个权重衰减项会惩罚过大的参数值，代价函数转化为下式：

通过添加权重衰减项以后(λ>0)，代价函数就变成了严格的凸函数，这样就能保证得到唯一解，并且因为J(θ)是凸函数，梯度下降法能保证收敛到全局最优解。

为了使用优化算法，需要求得这个新函数J(θ)的导数：

通过最小化J(θ)，即实现一个能用的Softmax回归模型。

所述步骤D进一步包括：

步骤D1：设置迭代步数为4000，学习率为0.01：

训练过程中每次随机选择100张图像进行训练，每张图像都会多次使用，并选择总数的10％的图像进行交叉验证，每迭代10次对训练过程进行评价；

步骤D2：观察训练准确率、测试准确率和交叉熵值来估计训练结果，若测试准确率大于等于设定概率值、训练准确率大于等于测试准确率、交叉熵值低于设定值，则认为训练效果好，反之则认为训练效果差；若训练效果差，则重新设置迭代步数及学习率再重新进行训练，最终得到岩石图像自动识别与分类模型。

所述步骤E进一步包括：

步骤E1：随机选取训练集中3张花岗岩图像，3张千枚岩图像，3张角砾岩图像共9张岩石图像进行测试；岩石图像的预测结果以概率的形式给出，每张图像对应三个概率，其中概率最大者所对应的岩石种类被认为是该图像中岩石所属的种类；

步骤E2：采用未参与训练的三组岩石图像对岩石图像自动识别与分类模型进行测试，在未参与训练花岗岩、千枚岩和角砾岩三组图像中分别选取9张岩石图像对岩石图像自动识别与分类模型进行测试，岩石图像的预测结果是以概率的形式给出，对于每张图像，相对应的某个种类概率大于等于设定概率值即认为此岩石图像属于这个种类；

步骤E3：对预测结果的概率小于设定概率值的图像进行截取，将部分截取图像加入训练集重新训练岩石图像自动识别与分类模型，再用预测结果概率小于设定概率值的岩石图像对重训练岩石图像自动识别与分类模型进行测试。

本发明的有益效果是：

本发明通过建立以深度学习模型为基础，利用卷积神经网络和迁移学习方法自动提取图像特征，从而达到对岩石图像自动识别的目的。与传统的神经网络方法相比，本发明所提出的模型可自动识别图像中岩石特征，不需人为提取和消除噪声，减少了主观因素影响，训练过程更加自动化和智能化，对自动判断岩石岩性有重要意义。

附图说明

图1：岩石图像样本示例；

图1a：花岗岩图像样本示例①；

图1b：花岗岩图像样本示例②；

图1c：花岗岩图像样本示例③；

图1d：千枚岩图像样本示例①；

图1e：千枚岩图像样本示例②；

图1f：千枚岩图像样本示例③；

图1g：角砾岩图像样本示例①；

图1h：角砾岩图像样本示例②；

图1i：角砾岩图像样本示例③；

图2：本发明岩石图像自动识别与分类模型构建示意图；

图3：本发明实施例中训练准确率、测试准确率和交叉熵在训练过程中的变化；

图4：本发明实施例中训练集三组岩石测试图像；

图4a：训练集花岗岩测试图像①；

图4b：训练集花岗岩测试图像②；

图4c：训练集花岗岩测试图像③；

图4d：训练集千枚岩测试图像①；

图4e：训练集千枚岩图测试图像②；

图4f：训练集千枚岩图测试图像③；

图4g：训练集角砾岩图测试图像①；

图4h：训练集角砾岩图测试图像②；

图4i：训练集角砾岩图测试图像③；

图5：本发明实施例中花岗岩测试集图像；

图5a：花岗岩测试集图像①；

图5b：花岗岩测试集图像②；

图5c：花岗岩测试集图像③；

图5d：花岗岩测试集图像④；

图5e：花岗岩测试集图像⑤；

图5f：花岗岩测试集图像⑥；

图5g：花岗岩测试集图像⑦；

图5h：花岗岩测试集图像⑧；

图5i：花岗岩测试集图像⑨；

图6：本发明实施例中千枚岩测试集图像；

图6a：千枚岩测试集图像①；

图6b：千枚岩测试集图像②；

图6c：千枚岩测试集图像③；

图6d：千枚岩测试集图像④；

图6e：千枚岩测试集图像⑤；

图6f：千枚岩测试集图像⑥；

图6g：千枚岩测试集图像⑦；

图6h：千枚岩测试集图像⑧；

图6i：千枚岩测试集图像⑨；

图7：本发明实施例中角砾岩测试集图像；

图7a：角砾岩测试集图像①；

图7b：角砾岩测试集图像②；

图7c：角砾岩测试集图像③；

图7d：角砾岩测试集图像④；

图7e：角砾岩测试集图像⑤；

图7f：角砾岩测试集图像⑥；

图7g：角砾岩测试集图像⑦；

图7h：角砾岩测试集图像⑧；

图7i：角砾岩测试集图像⑨；

图8：本发明实施例中截取后加入训练集的岩石图像；

图8a：图5f所示的花岗岩测试集图像⑥截取后加入训练集的岩石图像i；

图8b：图5f所示的花岗岩测试集图像⑥截取后加入训练集的岩石图像ii；

图8c：图5f所示的花岗岩测试集图像⑥截取后加入训练集的岩石图像iii；

图8d：图5h所示的花岗岩测试集图像⑧截取后加入训练集的岩石图像i；

图8e：图5h所示的花岗岩测试集图像⑧截取后加入训练集的岩石图像ii；

图8f：图5h所示的花岗岩测试集图像⑧截取后加入训练集的岩石图像iii；

图8g：图7d所示的角砾岩测试集图像④截取后加入训练集的岩石图像i；

图8h：图7d所示的角砾岩测试集图像④截取后加入训练集的岩石图像ii；

图8i：图7d所示的角砾岩测试集图像④截取后加入训练集的岩石图像iii。

具体实施方式

下面结合附图和具体实施例对本发明作进一步的描述。

一种深度学习模式下的岩石岩性自动识别分类方法，包括以下步骤：

步骤A，根据所需岩石种类，采集不同类型的岩石图像，部分岩石图像(花岗岩图像，千枚岩图像，角砾岩图像)如图1所示，并将其分为训练集与测试集。具体包括：

步骤A1：采集不同种类的岩石图像，并将岩石图像分类整理；

步骤A2：图像统一设置为jpg格式，不要求图像大小，像素及摄像距离；

步骤A3：采用随机分配将每一类的岩石图像分为训练集和测试集。

步骤B，采用卷积神经网络Inception-v3模型作为预训练模型，利用其特征提取模型获取图像特征。如图2所示，具体包括：

步骤B1：将卷积神经网络Inception-v3的卷积层、池化层全部提取出来，即采用Inception-v3模型的参数值提取岩石图像特征；

步骤B2：移除Inception-v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。

步骤C，建立Softmax回归模型。具体包括：

步骤C1：对于给定的测试输入x，利用假设函数针对每一个类别j估算出概率值p(y＝j|x)，即估计x每一种分类结果出现的概率；因此，利用假设函数输出一个k维向量来表示这k个估计概率值，假设函数h_θ(x)形式如下：

其中

项对概率分布进行归一化；

这里，x是m×1维的输入变量，m是输入变量的特征数，θ是Softmax回归模型的参数，为m×k阶矩阵；

步骤C2：模型训练过程是要找到最优参数θ使得实际值与预测值更为相近，通过不断迭代寻找最优θ值，其代价函数如下：

式中，1{·}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0；

对于J(θ)的最小化问题，目前还没有闭式解法，可使用迭代优化算法中的梯度下降法进行求解，经过求导，可得到如下的梯度公式：

所求得的

是一个向量，它的第l个元素

是J(θ)对θ_j的第l个分量的偏导数；

步骤C3：通过添加

来修改代价函数，这个权重衰减项会惩罚过大的参数值，代价函数转化为下式：

通过添加权重衰减项以后(λ>0)，代价函数就变成了严格的凸函数，这样就可以保证得到唯一解了，并且因为J(θ)是凸函数，梯度下降法可以保证收敛到全局最优解。

为了使用优化算法，需要求得这个新函数J(θ)的导数：

通过最小化J(θ)，即可实现一个可用的Softmax回归模型。

步骤D，训练岩石图像自动识别与分类模型。具体包括：

步骤D1：设置迭代步数为4000，学习率为0.01：

训练过程中每次随机选择100张图像进行训练，每张图像都会多次使用，并选择总数的10％的图像进行交叉验证，每迭代10次对训练过程进行评价；

步骤D2：观察训练准确率、测试准确率和交叉熵值来估计训练结果，若测试准确率大于等于设定概率值、训练准确率大于等于测试准确率、交叉熵值低于设定值，则认为训练效果好，反之则认为训练效果差；若训练效果差，则重新设置迭代步数及学习率再重新进行训练，最终得到岩石图像自动识别与分类模型。其中，步骤D2中所述的设定概率值一般情况下为70％，所述的设定值一般情况下为0.1，可根据用户实际情况自行定义。

步骤E，测试岩石图像自动识别与分类模型。具体包括：

步骤E1：随机选取训练集中3张花岗岩图像，3张千枚岩图像，3张角砾岩图像共9张岩石图像进行测试；岩石图像的预测结果以概率的形式给出，每张图像对应三个概率，其中概率最大者所对应的岩石种类被认为是该图像中岩石所属的种类；

步骤E2：采用未参与训练的三组岩石图像对岩石图像自动识别与分类模型进行测试，在未参与训练花岗岩、千枚岩和角砾岩三组图像中分别选取9张岩石图像对岩石图像自动识别与分类模型进行测试，岩石图像的预测结果是以概率的形式给出，对于每张图像，相对应的某个种类概率大于等于设定概率值即认为此岩石图像属于这个种类。

步骤E3：对预测结果的概率小于设定概率值的图像进行截取，将部分截取图像加入训练集重新训练岩石图像自动识别与分类模型，再用预测结果概率小于设定概率值的岩石图像对重训练岩石图像自动识别与分类模型进行测试。

步骤E2和步骤E3中所述的设定概率值一般情况下为70％，可根据用户实际情况自行定义。

实施例

实验中用到的岩石图像样本是通过照片、岩石数据库和网络搜索等不同手段采集得到，主要选取了花岗岩、千枚岩、角砾岩三种岩石图像来进行测试识别分析。岩石类型主要由实验室岩石标本、现场岩石标本及现场大范围岩石三种图像组成。总的来说，花岗岩图像多为粒状结构，千枚岩图像则显示千枚状构造，角砾岩图像显示斑状构造；这三类岩石的部分图像样本如图1所示。三类岩石图像样本共采集了571张，其中花岗岩173张、千枚岩152张、角砾岩246张，它们的训练集与测试集分类及数量见表1，训练集是从各自总样本中随机抽取，剩下的则为测试集。

训练岩石图像识别与分类模型，训练过程如图3所示训练过程中，训练准确率、测试准确率不断上升，训练准确率高于测试准确率，交叉熵不断下降。训练准确率是指当前训练的图像准确分类的百分比，测试准确率是指随机选取组图像准确分类的百分比，交叉熵显示模型训练过程的中学习效果的好坏，值越小学习效果越好；

用训练集中9张图像(如图4)对模型进行测试，结果如表1所示；

表1训练集中测试图片分类结果

在表2中可以看出，9张岩石图像的分类均正确，并且预测结果的概率值均高于90％，甚至大部分结果达到了95％以上，说明模型对于已训练的图像有着很好的识别能力，模型鲁棒性很好。

随机选取的未参与训练花岗岩岩石图像，将9张花岗岩岩石图像(如图5)加载到模型中进行测试，结果如表2所示；

表2花岗岩测试集图像识别分类结果

在表2中可以看出，9张花岗岩图像分类均正确，但是对比训练集，识别分类概率值相对不稳定，其中图5f和图5h的概率值低于70％，说明模型对于未参与训练的花岗岩图像可以识别，但识别概率值有待提高。图5f为花岗岩建筑材料的堆放，图5h为近景模糊化拍摄，花岗岩在这些图像中的特征不明显；提取相似的特征需要较多相同模式的图像，当图像数量不足时，无法充分提取相应特征，需对模型做出调整。

随机选取的未参与训练千枚岩岩石图像，将9张千枚岩岩石图像(6)加载到模型中进行测试，结果如表3所示；

表3千枚岩测试集图像识别分类结果

在表3中可以看出，9张千枚岩图像分类均正确，并且识别分类概率值均高于90％，大部分结果达到了95％以上，说明无论对于千枚岩的标本还是大范围岩石，识别模型已经有效地提取了千枚岩的特征，并能够准确地对于未参与训练的千枚岩图像进行识别。

随机选取的未参与训练角砾岩岩石图像，将9张角砾岩岩石图像(如图7)加载到模型中进行测试，结果如表4所示；

表4角砾岩测试集图像识别分类结果

在表4中可以看出，9张角砾岩图像的分类均正确，且识别分类概率值多大于85％，只有图7d小于70％，从图7d中也可以看出，图像中角砾岩的斑状特征不明显，识别结果会受到一定影响。

对图5f、图5h和图7d进行截取，得到图像若干部分，并将9张图像加入到训练集中，进行重新训练；训练后再用图5f、图5h和图7d进行测试，所得的结果如表5所示，岩石图像的预测结果是以概率的形式给出，对于每张图像，相对应的某个种类概率较高即认为此岩石图像属于这个种类。

表5深度学习后岩石图像识别分类结果

将3张图像截取后的部分图片(如图8)加入训练集中进行重新训练，再对3张图像重新进行测试，在表5中可以看出，重新测试后图片的分类准确，并且概率很高，均达到85％，识别分类结果有了明显提升，说明模型随着数据量的增加学到了更多的岩石岩性特征；同时也说明模型有很好的鲁棒性和泛化能力。

Claims (5)

1.一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，包括以下步骤：

步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；

步骤B，采用卷积神经网络Inception-v3模型作为预训练模型，利用其特征提取模型获取图像特征；

步骤C，建立Softmax回归模型；

步骤D，训练岩石图像自动识别与分类模型；

步骤E，测试岩石图像自动识别与分类模型，包括：

步骤E1：随机选取训练集中3张花岗岩图像，3张千枚岩图像，3张角砾岩图像共9张岩石图像进行测试；岩石图像的预测结果以概率的形式给出，每张图像对应三个概率，其中概率最大者所对应的岩石种类被认为是该图像中岩石所属的种类；

步骤E2：采用未参与训练的三组岩石图像对岩石图像自动识别与分类模型进行测试，在未参与训练花岗岩、千枚岩和角砾岩三组图像中分别选取9张岩石图像对岩石图像自动识别与分类模型进行测试，岩石图像的预测结果是以概率的形式给出，对于每张图像，相对应的某个种类概率大于等于设定概率值即认为此岩石图像属于这个种类；

步骤E3：对预测结果的概率小于设定概率值的图像进行截取，将部分截取图像加入训练集重新训练岩石图像自动识别与分类模型，再用预测结果概率小于设定概率值的岩石图像对重训练岩石图像自动识别与分类模型进行测试。

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A中进一步包括：

步骤A1：采集不同种类的岩石图像，并将岩石图像分类整理；

步骤A2：图像统一设置为jpg格式，不要求图像大小，像素及摄像距离；

步骤A3：采用随机分配将每一类的岩石图像分为训练集和测试集。

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B中进一步包括：

步骤B1：将卷积神经网络Inception-v3的卷积层、池化层全部提取出来，即采用Inception-v3模型的参数值提取岩石图像特征；

步骤B2：移除Inception-v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。

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C进一步包括：

步骤C1：对于给定的测试输入x，利用假设函数针对每一个类别j估算出概率值p(y＝j|x)，即估计x每一种分类结果出现的概率；因此，利用假设函数输出一个k维向量来表示这k个估计概率值，假设函数h_θ(x)形式如下：

其中

项对概率分布进行归一化；

这里，x是m×1维的输入变量，m是输入变量的特征数，θ是Softmax回归模型的参数，为m×k阶矩阵；

步骤C2：模型训练过程是要找到最优参数θ使得实际值与预测值更为相近，通过不断迭代寻找最优θ值，其代价函数如下：

式中，1{·}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0；

对于J(θ)的最小化问题，使用迭代优化算法中的梯度下降法进行求解，经过求导，得到如下的梯度公式：

所求得的

是一个向量，它的第l个元素

是J(θ)对θ_j的第l个分量的偏导数；

步骤C3：通过添加

来修改代价函数，这个权重衰减项会惩罚过大的参数值，代价函数转化为下式：

通过添加权重衰减项以后，并且，要求λ>0，代价函数就变成了严格的凸函数，这样就能保证得到唯一解，并且因为J(θ)是凸函数，梯度下降法能保证收敛到全局最优解；

为了使用优化算法，需要求得这个新函数J(θ)的导数：

通过最小化J(θ)，即实现一个能用的Softmax回归模型。

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D进一步包括：

步骤D1：设置迭代步数为4000，学习率为0.01：

训练过程中每次随机选择100张图像进行训练，每张图像都会多次使用，并选择总数的10％的图像进行交叉验证，每迭代10次对训练过程进行评价；

步骤D2：观察训练准确率、测试准确率和交叉熵值来估计训练结果，若测试准确率大于等于设定概率值、训练准确率大于等于测试准确率、交叉熵值低于设定值，则认为训练效果好，反之则认为训练效果差；若训练效果差，则重新设置迭代步数及学习率再重新进行训练，最终得到岩石图像自动识别与分类模型。

Images