CN111160389A - 一种基于融合vgg的岩性识别方法 - Google Patents
一种基于融合vgg的岩性识别方法 Download PDFInfo
- Publication number
- CN111160389A CN111160389A CN201911211819.1A CN201911211819A CN111160389A CN 111160389 A CN111160389 A CN 111160389A CN 201911211819 A CN201911211819 A CN 201911211819A CN 111160389 A CN111160389 A CN 111160389A
- Authority
- CN
- China
- Prior art keywords
- image
- vgg
- data
- network model
- taking
- 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 34
- 230000004927 fusion Effects 0.000 title claims abstract description 12
- 239000011435 rock Substances 0.000 claims abstract description 30
- 238000013135 deep learning Methods 0.000 claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000010606 normalization Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims abstract description 4
- 239000013598 vector Substances 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 7
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 2
- 230000015572 biosynthetic process Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 241000287196 Asthenes Species 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010998 test method Methods 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
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Abstract
本发明涉及地质层识别技术领域,尤其涉及一种基于融合VGG的岩性识别方法。该识别方法包括将融合VGG作为网络模型、将VGG‑16作为基础框架添加分支网络搭建初始深度学习网络模型;获取原始岩石图像并进行图像分割和归一化处理,得到预处理后的图像数据;获取原始岩石图像并进行对岩石图像进行人工标注,得到标注后的图像;对标注后的岩石图像做成VOC2007格式数据,得到标注后数据;将预处理后的图像数据和标注后数据作为训练集数据;对初始深度学习网络模型进行训练,得到训练后的模型;保留训练完成后模型中的各个参数,并对图像进行识别。本发明可提取出更能表达图像本身特性的特征,减少误差。
Description
技术领域
本发明涉及地质层识别技术领域,尤其涉及一种基于融合VGG的岩性识别方法。
背景技术
岩石岩性的分类与识别一直都是地质勘探研究重要环节,只有了解底层的实际情况之后,才能制定开发方案,促进油田产量的高产,传统方法主要是以下三类:第一类采用的是物理试验方法,通过物理X射线、扫面电镜等物理方式进行的检测识别与分析。第二类采用的是数学统计分析的方法,即通过传统的数学统计与计算对岩石进行特征提取和识别。第三类采用的是智能学习分析,通过机器学习等智能算法进行的分析处理,减少了对专业设备的依赖。
深度学习在识别方向发展技术已经成熟,它是用多层网络对数据进行不断的解析数据并取得比较好的特征表达原数据,在语音识别、文本识别、图像识别、医学及物体探测等都取得了良好的成绩。
本发明针对岩石岩性图像的识别过程中主演研究具有抗造能力的融合VGG方法,并利用该算法对岩石图像进行岩性分析与分类,其技术核心是通过一系列的岩石图像组成数据集,用该网络对图像进行特征提取,并利用Softmax函数对其进行识别与分类,使其为后续测井资料的处理和解释奠定基础。
其中一种现有技术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。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。
另外一种现有技术公开了一种基于人工神经网络求取含油饱和度的方法及系统。提高了通过阿尔奇公式得到含油饱和度的计算精度。
但在实际中发现,现有技术主要是利用深度学习方法对地层岩性进行识别,都在原有的深度学习网络中对图像进行处理,并没有考虑到图像浅层特征与深层特征之间的联系,存在人为误差。
发明内容
(一)要解决的技术问题
本发明提供了一种基于融合VGG的岩性识别方法,以克服现有技术都是在原有的深度学习网络中对图像进行处理,并没有考虑到图像浅层特征与深层特征之间的联系,导致识别误差较大等缺陷。
(二)技术方案
为解决上述问题,本发明提供一种基于融合VGG的岩性识别方法,包括:
步骤S1、将融合VGG作为网络模型、将VGG-16作为基础框架搭建初始深度学习网络模型;
步骤S2、获取原始岩石图像并进行图像分割和归一化处理,得到预处理后的图像数据;
步骤S3、获取原始岩石图像并进行对岩石图像进行人工标注,得到标注后的图像;
步骤S4、对标注后的岩石图像做成VOC2007格式数据,得到标注后数据;
步骤S5、将步骤S2中预处理后的图像数据和步骤S4得到的标注后数据作为训练集数据;对步骤S1所搭建的初始深度学习网络模型进行训练,得到训练后的模型;
步骤S6、保留训练完成后模型中的各个参数,并对图像进行识别。
优选地,所述步骤S1具体包括:
将融合VGG作为网络模型,将VGG-16作为基础架构搭建初始深度学习网络模型,加入Concatenate融合方法对图像浅层特征和深层特征进行融合,设置学习速率调整方式为adam优化梯度下降,批处理50张图像,迭代10000次。
优选地,步骤S2具体包括:将1156*1188和256*256大小的图像进行三维卷积操作变成224*224大小图像,并对其进行归一化处理。
步骤S2中归一化处理的公式为:
(三)有益效果
本发明提供的基于融合VGG的岩性识别方法,应用了图像中浅层与深层特征之间的联系,实现在网络特征提取的过程中,可以提取出更能表达图像本身特性的特征,减少误差。另外,通过融合VGG提取出更好表达图像的特征,将特征以特征向量的形式输入到Softmax分类中,得到最大概率作为输出,最终达到预测岩石种类与岩性分类。
附图说明
图1为本发明实施例基于融合VGG的岩性识别方法流程图。
具体实施方式
下面结合附图及实施例对本发明进行详细说明如下。
如图1所示,本发明实施例提供一种基于融合VGG的岩性识别方法包括:
步骤S1、将融合VGG作为网络模型、将VGG-16作为基础框架搭建初始深度学习网络模型;
其中,所述步骤S1具体包括:
将融合VGG作为网络模型,将VGG-16作为基础架构搭建初始深度学习网络模型,加入Concatenate融合方法对图像浅层特征和深层特征进行融合,设置学习速率调整方式为adam优化梯度下降,批处理50张图像,迭代10000次。
假设训练样本集合C={(c(1),y(1)),…(c(m),y(m))},其中由m个标记样本组 成,其中y是类别标签可取k个不同的值,y(i)∈{1,2,…,k}。对于测试输入c,利用 假设函数针对每一个类别j估算出概率值p(y=j|c),即估计c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维向量来表示这个k个估计概率值,假设函数hθ(c)形 式如下:
c是m×1维的输入向量,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,模型训练过程是要找到最优参数θ值,其代价函数如公式(3)下:
式中:1{·}是表示示性函数,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)对θj的第l个分量的偏导数。
在添加权重衰减项以后(λ>0),代价函数就是一个凸函数,也就代表整个函数可以得到唯一解,并且因为J(θ)是凸函数,梯度下降法也可以收敛到全局最优解。
将数据集进行划分:训练集、验证集、测试集,按λ从小到大的顺序依次取数,然后在 训练集上学习模型参数,在交叉验证集上计算验证集误差,并选择误差最小的模型,也就是选择λ,最后再在测试集上进行评估即可取到最优的λ值。
为了使用优化算法,需要求新函数J(θ)的导数:
通过求最小化J(θ),就可实现一个Softmax回归模型。
步骤S2、获取原始岩石图像并进行图像分割和归一化处理,得到预处理后的图像数据;
优选地,步骤S2具体包括:将1156*1188和256*256大小的图像进行三维卷积操作变成224*224大小图像,并对其进行归一化处理。
下面描述一下步骤S2的具体操作:采集到的岩石图像数据集中图像都是1156*1188和256*256大小,由于VGG网络对图像输入是固定的224*224,因此需要对图像进行缩放,在不损失图像原有的特征信息下还保证VGG网络的输入,现采用三次卷积插值法(立方卷积插值),它考虑一个浮点坐标周围的16个邻点坐标,目的是像素值可由如下插值公式得到:
其中:
为了防止卷积操作时数值过大,因此在开始之前对图像进行归一化处理,图像其灰度值都是0到255之间,因此将图像的原始像素都除以255把所有像素归一化到[0,1]之间。
网络主要参数设置如下:输入层为归一化和插值后的图像;第一层分别用两组卷积核对输入层的图像进行卷积操作;第二层在通过两组卷积核进行卷积操作;第三层通过三组卷积核进行卷积操作;第四层通过三组卷积核进行卷积操作;第五层通过三组卷积核进行卷积操作;整合成特征向量;在每次池化前保留上一层的特征,确保浅层特征和深层特征的融合进而提高识别准确率,最后均值池化进行融合浅层特征和深层特征,在把特征向量放入Softmax层处理;最后输出层进行分类判断;为了避免过拟合现象采用dropout来保证;损失函数为交叉熵函数。
步骤S3、获取原始岩石图像并进行对岩石图像进行人工标注,得到标注后的图像;
步骤S4、对标注后的岩石图像做成VOC2007格式数据,得到标注后数据;
步骤S5、将步骤S2中预处理后的图像数据和步骤S4得到的标注后数据作为训练集数据;对步骤S1所搭建的初始深度学习网络模型进行训练,得到训练后的模型;
步骤S6、保留训练完成后模型中的各个参数,并对图像进行识别。
本发明方法可以充分利用图像本身的浅层特征和深层特征之间的关联,准备的识别出岩石图像的岩性,实现了端到端的岩性识别任务,而传统的岩性识别依赖专业设备和专家,存在人为误差等问题。本发明提出的基于融合VGG的岩性识别方法使用深度学习框架可适应多场景复杂问题,鲁棒性好、泛化能力突出,可提高识别精度,并且对岩石图像进行自动的岩性识别。提高测井数据利用率,判断准确率高等显著特点。
从上述技术方案可以看出,本发明方法可以充分利用图像本身的浅层特征和深层特征之间的关联,准备的识别出岩石图像的岩性,实现了端到端的岩性识别任务,而传统的岩性识别依赖专业设备和专家,存在人为误差等问题。本发明提出的基于融合VGG的岩性识别方法使用深度学习框架可适应多场景复杂问题,鲁棒性好、泛化能力突出,可提高识别精度,并且对岩石图像进行自动的岩性识别。提高测井数据利用率,判断准确率高等显著特点。
以上实施方式仅用于说明本发明,而并非对本发明的限制,有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型,因此所有等同的技术方案也属于本发明的范畴,本发明的专利保护范围应由权利要求限定。
Claims (4)
1.一种基于融合VGG的岩性识别方法,其特征在于 ,包括:
步骤S1、将融合VGG作为网络模型、将VGG-16作为基础框架添加分支网络搭建初始深度学习网络模型;
步骤S2、获取原始岩石图像并进行图像分割和归一化处理,得到预处理后的图像数据;
步骤S3、获取原始岩石图像并进行对岩石图像进行人工标注,得到标注后的图像;
步骤S4、对标注后的岩石图像做成VOC2007格式数据,得到标注后数据;
步骤S5、将步骤S2中预处理后的图像数据和步骤S4得到的标注后数据作为训练集数据;对步骤S1所搭建的初始深度学习网络模型进行训练,得到训练后的模型;
步骤S6、保留训练完成后模型中的各个参数,并对图像进行识别。
2.如权利要求1所述的基于融合VGG的岩性识别方法,其特征在于,所述步骤S1具体包括:
将融合VGG作为网络模型,将VGG-16作为基础架构搭建初始深度学习网络模型,加入Concatenate融合方法对图像浅层特征和深层特征进行融合,设置学习速率调整方式为adam优化梯度下降,批处理50张图像,迭代10000次。
3.如权利要求1所述的基于融合VGG的岩性识别方法,其特征在于,步骤S2具体包括:将1156*1188和256*256大小的图像进行三维卷积操作变成224*224大小图像,并对其进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211819.1A CN111160389A (zh) | 2019-12-02 | 2019-12-02 | 一种基于融合vgg的岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911211819.1A CN111160389A (zh) | 2019-12-02 | 2019-12-02 | 一种基于融合vgg的岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111160389A true CN111160389A (zh) | 2020-05-15 |
Family
ID=70556274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911211819.1A Pending CN111160389A (zh) | 2019-12-02 | 2019-12-02 | 一种基于融合vgg的岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111160389A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819096A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
CN114708517A (zh) * | 2022-03-14 | 2022-07-05 | 河海大学 | 一种基于注意力的自适应元学习岩性识别方法及装置 |
CN116168295A (zh) * | 2023-02-24 | 2023-05-26 | 中国地质大学(武汉) | 一种岩性遥感智能解译模型建立方法及解译方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
CN110110751A (zh) * | 2019-03-31 | 2019-08-09 | 华南理工大学 | 一种基于注意力机制的金字塔网络的中草药识别方法 |
CN110197205A (zh) * | 2019-05-09 | 2019-09-03 | 三峡大学 | 一种多特征来源残差网络的图像识别方法 |
-
2019
- 2019-12-02 CN CN201911211819.1A patent/CN111160389A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN110110751A (zh) * | 2019-03-31 | 2019-08-09 | 华南理工大学 | 一种基于注意力机制的金字塔网络的中草药识别方法 |
CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
CN110197205A (zh) * | 2019-05-09 | 2019-09-03 | 三峡大学 | 一种多特征来源残差网络的图像识别方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819096A (zh) * | 2021-02-26 | 2021-05-18 | 西北大学 | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
CN112819096B (zh) * | 2021-02-26 | 2024-01-19 | 西北大学 | 一种基于复合卷积神经网络的化石图像分类模型的构建方法 |
CN114708517A (zh) * | 2022-03-14 | 2022-07-05 | 河海大学 | 一种基于注意力的自适应元学习岩性识别方法及装置 |
CN114708517B (zh) * | 2022-03-14 | 2024-03-12 | 河海大学 | 一种基于注意力的自适应元学习岩性识别方法及装置 |
CN116168295A (zh) * | 2023-02-24 | 2023-05-26 | 中国地质大学(武汉) | 一种岩性遥感智能解译模型建立方法及解译方法 |
CN116168295B (zh) * | 2023-02-24 | 2023-12-05 | 中国地质大学(武汉) | 一种岩性遥感智能解译模型建立方法及解译方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
CN109272500B (zh) | 基于自适应卷积神经网络的织物分类方法 | |
CN107451565B (zh) | 一种半监督小样本深度学习图像模式分类识别方法 | |
CN107679250A (zh) | 一种基于深度自编码卷积神经网络的多任务分层图像检索方法 | |
CN112381788B (zh) | 一种基于双分支匹配网络的零部件表面缺陷增量检测方法 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN112347970B (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
CN108364278B (zh) | 一种岩心裂缝提取方法和系统 | |
CN111815564B (zh) | 一种检测丝锭的方法、装置及丝锭分拣系统 | |
CN112541508A (zh) | 果实分割识别方法及系统、果实采摘机器人 | |
CN109615604B (zh) | 基于图像重构卷积神经网络的零件外观瑕疵检测方法 | |
CN109598711B (zh) | 一种基于特征挖掘和神经网络的热图像缺陷提取方法 | |
CN108595558B (zh) | 一种数据均衡策略和多特征融合的图像标注方法 | |
CN112613428B (zh) | 基于平衡损失的Resnet-3D卷积牛视频目标检测方法 | |
CN111832479B (zh) | 基于改进的自适应锚点r-cnn的视频目标检测方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN116245855B (zh) | 作物品种鉴定方法、装置、设备及存储介质 | |
CN116740808A (zh) | 基于深度学习目标检测和图像分类的动物行为识别方法 | |
CN114926420A (zh) | 一种基于跨级特征增强的目标馕的识别及计数方法 | |
CN112528058B (zh) | 基于图像属性主动学习的细粒度图像分类方法 | |
CN111046861B (zh) | 识别红外影像的方法、构建识别模型的方法及应用 | |
CN114462558A (zh) | 一种数据增广的监督学习图像缺陷分类方法与系统 | |
CN111882545A (zh) | 基于双向信息传递及特征融合的织物疵点检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200515 |
|
RJ01 | Rejection of invention patent application after publication |