CN111160158B - 偏光显微镜下岩石图像智能识别系统及方法 - Google Patents

Abstract

本公开提供了一种偏光显微镜下岩石图像智能识别系统及方法，包括显微成像系统，被配置为实现对岩石薄片进行自动调焦、单偏光、旋转与正交偏光转换和拍照，得到岩石镜下图像；图像收集系统，被配置为将得到的岩石镜下图像实时传输至学习识别系统和存储单元进行存储，以服务于后续学习训练；学习识别系统，被配置为采用卷积神经网络模型作为特征提取模型，通过对不同的岩石图像进行特征学习训练，区分出不同岩石在偏光显微镜下的颜色、形态结构及其差异，整合特征量，建立偏光显微镜下岩石图像识别模型，以自动识别出岩石颗粒种类。

Description

偏光显微镜下岩石图像智能识别系统及方法

技术领域

本公开属于岩石图像分析技术领域，涉及一种偏光显微镜下岩石图像智能识别系统及方法。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

偏光显微镜(Polarizing microscope)是用于研究透明与不透明各向异性材料的一种显微镜，广泛应用于地质学相关专业及工程中，镜下岩石鉴定是常规手段。普通拍摄的岩石图像只是显示颜色及形态方面的特征，对这样的图像进行识别，结果准确性一般不高；而偏光显微镜以更细微的观测尺度，其镜下图像不仅可以显示岩石矿物在颜色及形态方面的特征，也可以显示其它如干涉色、突起、消光类型等矿物晶体独有的特征，从而进行更加准确地识别。

因此，岩矿鉴别对于工程施工来讲具有指导意义，但据发明人了解，目前，对于利用偏光显微镜对岩石进行鉴定主要是交付于高校或其他公司中相关专业人员进行人工鉴定。上述方法不仅要求鉴定人员具有极高矿物学及岩石学素养，并且对偏光显微镜操作十分熟练，而在工程上难以匹配此类专业人员；另外人工鉴定耗时耗力，又因经验差异导致识别结果往往有所差别。

发明内容

本公开为了解决上述问题，提出了一种偏光显微镜下岩石图像智能识别系统及方法，本公开具有实时快捷、操作简便的优点。

根据一些实施例，本公开采用如下技术方案：

一种偏光显微镜下岩石图像智能识别系统，包括：

显微成像系统，被配置为实现对岩石薄片进行自动调焦、单偏光与正交偏光转换、载物台旋转和拍照，得到岩石镜下图像；

图像收集系统，被配置为将得到的岩石镜下图像实时传输至学习识别系统和存储单元进行存储，以服务于后续学习训练；

学习识别系统，被配置为采用卷积神经网络模型作为特征提取模型，通过对不同的岩石图像进行特征学习训练，区分出不同岩石在偏光显微镜下的颜色、形态结构及其差异，整合特征量，建立偏光显微镜下岩石图像识别模型，以自动识别出岩石种类。

作为可选择的实施方式，所述显微成像系统包括偏光显微镜、半数字式自动对焦及机控模块、输入模块、显示器及主控机，其中：

所述偏光显微镜，被配置为设置有预设的观测参数，以所述观测参数对岩石薄片进行观测，由输入模块控制拍照；

所述显示器，被配置为显示所述偏光显微镜的目镜画面；

所述半数字式自动调焦及机控模块，被配置为根据显示的目镜画面，实现对焦、单偏光与正交偏光转换、偏光显微镜的载物台旋转及拍照；

所述主控机配置有信号处理器，用于接收输入模块的指令，控制半数字式自动调焦及机控模块的动作以及偏光显微镜的动作。

作为可选择的实施方式，所述半数字式自动调焦及机控模块，包括多个驱动机构，每个驱动机构连接有相应的执行机构。

作为进一步的限定，第一驱动机构通过减速装置与偏光显微镜的螺旋调节器连接，以控制其转动。

作为进一步的限定，第二驱动机构与偏光显微镜的检偏器连接，以控制其直线运动。

作为进一步的限定，第三驱动机构经两级减速器连接载物台，所述第三驱动机构将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，第三驱动机构就带动载物台转动一个固定的角度。

作为可选择的实施方式，所述主控机中处理器对图像相关数据进行采集分析，根据同步信号对图像的相关数据进行采集分析，按照预设定的搜索算法计算出图像对焦点位从而作出判据，控制驱动机构通过减速装置驱动螺旋调节器向指定方向旋转一定角度，进行对焦。

作为可选择的实施方式，利用直线电机直接驱动检偏器。

作为可选择的实施方式，载物台由步进电机经两级减速器进行控制，所述步进电机将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，转子就转动一个固定的角度，即每通电一次，转子就走一步，转子每次转过的角度称为步距角，用β表示：

式中，K——通电系数；m——定子相数；z——转子齿数。

作为进一步的限定，所述步进电机旋转速度与输入电脉冲的频率成正比，主控机控制输入电脉冲的个数、频率以及定子绕组的通电方式，控制步进电机的转子的角位移量、转速和旋转方向。

作为可选择的实施方式，所述学习识别系统包括特征识别器和分类器，特征识别器对岩石镜下图像中的特征进行识别训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，对岩石图像进行识别后，仍然存储在图像收集系统。

作为进一步的限定，所述特征识别器采用卷积神经网络 Inception-v3模型作为特征提取模型，训练时岩石图像采用随机分配的方式，对于给定的岩石图像，建立第一卷积神经网络对岩石单偏光镜下图像特征进行特征提取，辅助建立第二卷积神经网络对岩石正交偏光镜下图像进行特征提取，二者参数值回归统一图像识别模型。

作为进一步的限定，岩石单偏光镜下图像特征包括晶体形态，有无解理，颜色及突起的一般特征；正交偏光镜下图像特征包括有无干涉色，干涉色级别及消光类型的突出特征。

岩石中矿物可分为透明矿物与不透明矿物，不透明矿物因其不透光在镜下全成黑色，主要提取特征为单偏光镜下的晶体形态等，透明矿物可分为均质矿物和非均质矿物，均质矿物主要提取特征为单偏光镜下的晶体形态、颜色及解理等，非均质矿物主要提取特征为单偏光镜下的晶体形态、颜色及解理等和正交偏光镜下的干涉色类型及级别。

一种偏光显微镜下岩石图像智能识别方法，包括以下步骤：

将已知类型的若干岩石薄片分别放置在偏光显微镜载物台上，利用半数字式自动调焦及机控模块实现自动对焦及单偏光与正交偏光转换，载物台旋转并拍照后，获取多张岩石图像单偏光镜下和正交偏光镜下图像，并将得到的图像存储至图像收集系统；

学习识别系统对收集到的图像采用卷积神经网络模型作为训练模型，利用此模型获取图像特征并训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，建立偏光显微镜下岩石图像识别模型，对岩石进行识别定名后，进行存储；

将鉴定岩石标本制成薄片后，采集偏光显微镜下岩石图像，利用岩石图像识别模型对待检岩石镜下图像进行测试，在图像中对矿物标定，得到岩石定名及部分特征描述。

作为可选择的实施方式，所述岩石薄片的制作过程可包括：

对收集到的岩石标本利用切割机进行初步切割，利用清洗机借助超声波对岩块进行清洗避免杂质参与，利用烘干机对清洗后的岩块在真空环境下进行烘干，利用磨抛机对烘干后的岩块进行抛光研磨减薄，利用压片机对精密磨抛后的岩石薄片采用树胶与载玻片粘合，盖上盖玻片后待其风干后成片。

与现有技术相比，本公开的有益效果为：

1.本公开以岩石偏光显微镜下图像为识别对象，此类图像较一般图像涵盖了更多岩石所独有的特征，提高了识别结果的准确性；

2.本公开以深度学习模型为基础，利用机控电机实现对显微镜成像操作，克服了岩矿薄片鉴定必须送由专业人员鉴定的弊端，实现非专业人员对矿物的轻松识别，以及施工地区的实时识别；

3.本公开每次的识别过程不断丰富图像存储中心的偏光显微图片数据库，识别验证方式也在不断提高识别模型正确性。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1是本公开的整体流程图；

图2是本公开的成像系统概念图；

图3是本公开的成像系统显微镜示意图；

图4是本公开的成像系统机械结构示意图；

图5是本公开的成像流程图；

图6是本公开的实验室整体构件图；

图7是本公开的深度学习模式图；

图8中的a是单偏光镜下安山岩样本示例；

图8中的b是正交偏光镜下安山岩样本示例；

图8中的c是单偏光镜下晶屑凝灰岩样本示例；

图8中的d是正交偏光镜下晶屑凝灰岩样本示例。

其中，1.岩石薄片；2.偏光显微镜；3.载物台；4.自动调焦模块；5.单/正交偏光转换模块；6.载物台旋转模块；7.小型伺服电动机；8.齿轮减速器；9.螺旋调节器；10.管型直线电机； 11.检偏器；12.步进电机；13.两级减速器；14.显示器；15.鼠标& 键盘；16.半数字式自动调焦及机控模块；17.主控机及存储中心；18. 角闪石矿物颗粒；19.长石矿物颗粒；20.长石晶屑矿物颗粒；21.石英晶屑矿物颗粒。

具体实施方式：

下面结合附图与实施例对本公开作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

一种偏光显微镜下岩石图像智能识别系统，包括：

显微成像系统，被配置为将前期制好的岩石薄片放置在预先设置好观测参数的偏光显微镜载物台上，利用半数字式自动调焦及机控模块实现自动调焦、单偏光与正交偏光转换、载物台旋转并拍照，得到清晰的岩石镜下图像。

图像收集系统，被配置为在实验室中偏光显微镜下所成的图像实时传输至预设的存储单元，服务于后续学习训练。

学习识别系统，被配置为采用卷积神经网络Inception-v3模型作为特征提取模型，通过对不同的岩石图像进行特征学习训练，区分出不同岩石在偏光显微镜下的颜色、形态结构及其它方面的差异，整合特征量，建立偏光显微镜下岩石图像识别模型。

前期岩石标本收集时需尽可能多的涵盖三大类岩石：火成岩、沉积岩及变质岩中常出现的岩石类型。理论上，用于训练学习的岩石薄片的数量和种类需要满足一定数量，以获取较好的学习效果。

显微成像系统中，偏光显微镜预先设置统一观测参数，放大图像对所制岩石薄片进行观测，由外部鼠标/键盘控制和拍照。

具体的，如图2、图6所示，显微成像系统包括偏光显微镜、半数字式自动对焦及机控模块、输入模块、显示器及主控机。

偏光显微镜采用常用的可连接至显示器进行拍照的设备，前期通过安装好目镜及利用转换器选择物镜，即设置统一观测参数，如采用通过目镜10X、物镜20X(即放大倍数为两百倍)放大图像对所制岩石薄片进行观测，拍照由外部鼠标/键盘或其他输入模块进行控制实现。

薄片放置于偏光显微镜载物台上后，此时处于非对焦状态，显示器上呈现的是模糊的图像。主控机内的信号处理器对图像的相关数据进行采集分析，按照预设定的搜索算法(如爬山算法)计算出图像对焦点位从而作出判据，控制小型伺服电动机通过减速装置(齿轮减速器)驱动螺旋调节器进行对焦。

如图3、图4所示，调节器转过一定角度后停止对电机的电信号输入，伺服电机会立即停止转动，完成自动对焦。此过程即通过算法分析图像信息未达到或是超过对焦点，从而控制电机正反转来进行调节。

选用伺服电机有以下优点：

1.闭环伺服系统的输出被控量能够跟随输入量的任意变化自动控制，伺服电机接收信号实现位移后电机自带的编码器反馈信号给驱动器，驱动器根据反馈值与目标值进行比较，调整转子转动的角度，从而能够精确的控制螺旋调节器的转动，准确对焦。

2.伺服电机响应迅速，线性度好，转动平稳，可控性高，不通电无自转现象。交流伺服电动机在没有控制电压时，定子内只有励磁绕组产生的脉动磁场，转子静止不动，通电即转，停电即停。在负载恒定的情况下，电动机的转速随控制电压的大小而变化，可以达到1r/min。控制电压相位相反时就可以实现反转。但低转速时稳定性较低，且直接驱动负载转矩比较大，所以采用较高转速经减速器间接驱动调节器，可实现平滑转动对焦。

在自动对焦结束后，为获取颜色、形态、解理、干涉色等特征，需要拉出或推入检偏器(即转换单偏光成像与正交偏光成像)，推拉检偏器需要的力较小，可利用直线电机直接驱动。

在本实施例中，采用管型直线电机不需要经过中间转换机构就可以直接产生直线运动，结构简单，成本低，可靠性高，动态响应性能和定位精度都比普通旋转电机高。普通直线电机行程可达5至2500 毫米，很容易实现推拉检偏器的操作。

在本实施例中，如图5所示，为获取某些视野变动后才能得到的镜下特征(消光类型、突起等)，需要旋转载物台并停顿拍照。载物台可由步进电机经两级减速器进行控制，获取消光类型、突起等特征。载物台每转过一定角度(例如90°)，电机停转按下鼠标或键盘按钮拍下照片，然后重复动作。步进电机可将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，转子就转动一个固定的角度，即每通电一次(运行一拍)，转子就走一步，转子每次转过的角度称为步距角，用β表示：

式中，K——通电系数；m——定子相数；z——转子齿数。

步进电机旋转速度与输入电脉冲的频率成正比，控制输入电脉冲的个数、频率以及定子绕组的通电方式，就可以控制电动机转子的角位移量、转速和旋转方向。

半数字式自动调焦及机控模块可以使用PC、PLC等平台搭建一套机电控制系统来进行自动控制。经过自动调焦、单偏光与正交偏光转换、载物台旋转并拍照后，每张薄片得到N张单偏光镜下和N张正交偏光镜下(共计2N张)清晰的、特征明显的镜下图像。

图像收集系统设置在主控机上，接收镜下图片信息及储存，并将所有得到的岩石镜下图像传输给学习识别系统。

学习识别系统包括特征识别器和分类器，特征识别器对岩石镜下图像中的特征进行识别训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，对岩石图像进行识别后，仍然存储在图像收集系统。

如图7所示，特征识别器采用卷积神经网络Inception-v3模型作为特征提取模型，训练时岩石图像采用随机分配的方式，对于给定的岩石图像，建立卷积神经网络1对岩石单偏光镜下图像特征进行特征提取，辅助建立卷积神经网络2对岩石正交偏光镜下图像进行特征提取，二者参数值回归统一图像识别模型。

岩石单偏光镜下图像特征包括晶体形态，有无解理，颜色及突起等一般特征；正交偏光镜下图像特征包括有无干涉色，干涉色级别及消光类型等突出特征。岩石中矿物可分为透明矿物与不透明矿物，不透明矿物因其不透光在镜下全成黑色，主要提取特征为单偏光镜下的晶体形态等，透明矿物可分为均质矿物和非均质矿物，均质矿物主要提取特征为单偏光镜下的晶体形态、颜色及解理等，非均质矿物主要提取特征为单偏光镜下的晶体形态、颜色及解理等和正交偏光镜下的干涉色类型及级别等。

存储单元对分类器处理后的具有不同特征的岩石镜下图像进行归类存储。

电源为所述系统供电。

选取两种岩石各自的单偏光及正交偏光镜下照片共四张进行示例，图像中安山岩(矿物组合：角闪石+长石)、晶屑凝灰岩(矿物组合：长石晶屑+石英晶屑)经镜下岩石图像识别模型识别标记，得到岩石定名及部分特征描述，对未能标记的小粒径颗粒，由于对岩矿鉴定结果影响不大，予以舍弃，也可调整成像参数重新进行识别。

偏光显微镜下岩石图像智能识别方法，包括以下步骤：

步骤1：收集各类岩石标本制作成薄片(1)；

步骤2：人工将制好的薄片(1)放置在预先设置好的偏光显微镜(2)载物台(3)上，利用搜索算法计算出图像对焦点位从而作出判据，控制小型伺服电动(7)机通过齿轮减速器(8)驱动螺旋调节器(9)进行对焦；

步骤3：自动对焦结束后，采用管型直线电机(10)拉出检偏器 (11)，利用步进电机(12)经两级减速器(13)控制载物台(3)转过360°/N，电机停转并通过鼠标/键盘(15)拍下照片，旋转一周后推入检偏器(11)，然后重复动作，每张薄片得到2N张清晰的、特征明显的镜下图像；

步骤4：采用建立在主控机(17)内的卷积神经网络Inception-v3 模型作为训练模型，建立特征识别器，利用此特征识别器获取图像特征并进行训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，建立偏光显微镜下岩石图像识别模型；

步骤5：得到的岩石图像识别模型同样建立在主控机(17)之中，不停地与图片存储中心之间传输图像数据；

步骤6：待鉴定岩石通过上述步骤1至步骤3获得岩石偏光显微镜下图像并同步至计算机存储中心(17)；

步骤7：得到的岩石镜下图像利用已建立好的岩石图像识别模型进行识别测试，在图像中对岩石识别标定(如图8示例)，得到岩石定名及部分特征描述；

步骤8：重复步骤6至步骤7，持续进行偏光显微镜下岩石图像识别。

经过试验，如图8中的a-d 所示，可以看出，本实施例可以标定出角闪石矿物颗粒、长石矿物颗粒、长石晶屑矿物颗粒和石英晶屑矿物颗粒。具有较好的识别效果和准确度。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开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，本公开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产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/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。

以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (7)

1.一种偏光显微镜下岩石图像智能识别系统，其特征是：包括：

显微成像系统，被配置为实现对岩石薄片进行自动调焦、单偏光与正交偏光转换、载物台旋转和拍照，得到岩石镜下图像；

图像收集系统，被配置为将得到的岩石镜下图像实时传输至学习识别系统和存储单元进行存储，以服务于后续学习训练；

学习识别系统，被配置为采用卷积神经网络模型作为特征提取模型，通过对不同的岩石图像进行特征学习训练，区分出不同岩石在偏光显微镜下的颜色、形态结构及其差异，整合特征量，建立偏光显微镜下岩石图像识别模型，以自动识别出岩石颗粒种类；

所述显微成像系统包括偏光显微镜、半数字式自动对焦及机控模块、输入模块、显示器及主控机；所述半数字式自动调焦及机控模块，包括多个驱动机构，每个驱动机构连接有相应的执行机构；

第一驱动机构通过减速装置与偏光显微镜的螺旋调节器连接，以控制其转动；主控机中信号处理器对图像的相关数据进行采集分析，按照预设定的搜索算法计算出图像对焦点位从而做出判据，控制驱动机构通过减速装置驱动螺旋调节器向指定方向旋转设定角度，进行对焦；

第二驱动机构与偏光显微镜的检偏器连接，以控制其直线运动；

第三驱动机构经两级减速器连接载物台，所述第三驱动机构将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，第三驱动机构就带动载物台转动一个固定的角度；

学习识别系统中，提取岩石图像的岩石单偏光镜下图像特征和正交偏光镜下图像特征，岩石单偏光镜下图像特征包括晶体形态，有无解理，颜色及突起的一般特征；正交偏光镜下图像特征包括有无干涉色，干涉色级别及消光类型的突出特征。

2.如权利要求1所述的一种偏光显微镜下岩石图像智能识别系统，其特征是：所述偏光显微镜，被配置为设置有预设的观测参数，以所述观测参数对岩石薄片进行观测，由输入模块控制拍照；

所述显示器，被配置为显示所述偏光显微镜的目镜画面；

所述半数字式自动调焦及机控模块，被配置为根据显示的目镜画面，实现对焦、单偏光与正交偏光转换、偏光显微镜的载物台旋转及拍照；

所述主控机用于接收输入模块的指令，控制半数字式自动调焦及机控模块的动作以及偏光显微镜的动作。

3.如权利要求1所述的一种偏光显微镜下岩石图像智能识别系统，其特征是：载物台由步进电机经两级减速器进行控制，所述步进电机将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，转子就转动一个固定的角度，即每通电一次，转子就走一步，转子每次转过的角度称为步距角，用β表示：

式中，K——通电系数；m——定子相数；z——转子齿数。

4.如权利要求3所述的一种偏光显微镜下岩石图像智能识别系统，其特征是：所述步进电机旋转速度与输入电脉冲的频率成正比，主控机控制输入电脉冲的个数、频率以及定子绕组的通电方式，控制步进电机的转子的角位移量、转速和旋转方向。

5.如权利要求1所述的一种偏光显微镜下岩石图像智能识别系统，其特征是：所述学习识别系统包括特征识别器和分类器，特征识别器对岩石镜下图像中的特征进行识别训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，对岩石图像进行识别后，仍然存储在图像收集系统。

6.如权利要求5所述的一种偏光显微镜下岩石图像智能识别系统，其特征是：所述特征识别器采用卷积神经网络Inception-v3模型作为特征提取模型，训练时岩石图像采用随机分配的方式，对于给定的岩石图像，建立第一卷积神经网络对岩石单偏光镜下图像特征进行特征提取，辅助建立第二卷积神经网络对岩石正交偏光镜下图像进行特征提取，二者参数值回归统一图像识别模型。

7.一种偏光显微镜下岩石图像智能识别方法，其特征是：包括以下步骤：

将已知类型的若干岩石薄片分别放置在偏光显微镜载物台上，利用半数字式自动调焦及机控模块实现自动对焦及单偏光与正交偏光转换，载物台旋转并拍照后，获取多张岩石图像单偏光镜下和正交偏光镜下图像，并将得到的图像存储至图像收集系统；

学习识别系统对收集到的图像采用卷积神经网络模型作为训练模型，利用此模型获取图像特征并训练，训练结果回归分类器，具有不同特征的岩石镜下图片由分类器处理，建立偏光显微镜下岩石图像识别模型，对岩石进行识别定名后，进行存储；

将鉴定岩石标本制成薄片后，采集偏光显微镜下岩石图像，利用岩石图像识别模型对待检岩石镜下图像进行测试，在图像中对矿物标定，得到岩石定名及部分特征描述；

所述半数字式自动调焦及机控模块包括多个驱动机构，每个驱动机构连接有相应的执行机构；

第一驱动机构通过减速装置与偏光显微镜的螺旋调节器连接，以控制其转动；主控机中信号处理器对图像的相关数据进行采集分析，按照预设定的搜索算法计算出图像对焦点位从而做出判据，控制驱动机构通过减速装置驱动螺旋调节器向指定方向旋转设定角度，进行对焦；

第二驱动机构与偏光显微镜的检偏器连接，以控制其直线运动；

第三驱动机构经两级减速器连接载物台，所述第三驱动机构将电脉冲信号转换成相应角位移，每当输入一个电脉冲时，第三驱动机构就带动载物台转动一个固定的角度；

岩石单偏光镜下图像特征包括晶体形态，有无解理，颜色及突起的一般特征；正交偏光镜下图像特征包括有无干涉色，干涉色级别及消光类型的突出特征。

Images