CN112132200A - 基于多维岩石图像深度学习的岩性识别方法及系统 - Google Patents
基于多维岩石图像深度学习的岩性识别方法及系统 Download PDFInfo
- Publication number
- CN112132200A CN112132200A CN202010979979.7A CN202010979979A CN112132200A CN 112132200 A CN112132200 A CN 112132200A CN 202010979979 A CN202010979979 A CN 202010979979A CN 112132200 A CN112132200 A CN 112132200A
- Authority
- CN
- China
- Prior art keywords
- image
- rock
- global
- local
- deep learning
- 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.)
- Granted
Links
- 239000011435 rock Substances 0.000 title claims abstract description 154
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- 230000004927 fusion Effects 0.000 claims abstract description 32
- 238000013136 deep learning model Methods 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000007476 Maximum Likelihood Methods 0.000 claims abstract description 10
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 6
- 239000013589 supplement Substances 0.000 claims description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 238000013528 artificial neural network Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 11
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 8
- 238000009826 distribution Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000012545 processing Methods 0.000 description 6
- 238000012549 training Methods 0.000 description 6
- 230000001502 supplementing effect Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 239000013078 crystal Substances 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000001681 protective effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000002425 crystallisation Methods 0.000 description 2
- 230000008025 crystallization Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000036961 partial effect Effects 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000036544 posture Effects 0.000 description 1
- 230000002829 reductive effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000010959 steel Substances 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
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/254—Fusion techniques of classification results, e.g. of results related to same input data
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (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)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明属于岩土工程领域，提供了基于多维岩石图像深度学习的岩性识别方法及系统。它解决了浅层神经网络易丢失岩石图像的纹理信息问题，具有对岩性的识别精确度高的效果。其中，该识别方法包括接收岩石的全局图像和局部图像；预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像；将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果；采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
Description
技术领域
本发明属于岩土工程领域，尤其涉及一种基于多维岩石图像深度学习的岩性识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
在地质学研究中，岩性识别是一项重要的工作，目前对岩性的识别主要由具有一定地质学基础的专业人士完成。由于此过程受主观因素影响较大且费时费力，近年来随着深度学习的发展，利用卷积神经网络提取岩石图像的特征并进行分类，从而实现对岩性的自动识别得以广泛应用。
发明人发现，岩石图像具有颜色特征、构造特征、结构特征、纹理特征和全局组合特征等，对这些特征进行充分的学习可以更好的对岩石图像进行分类。目前有研究者直接采用全局图像进行深度学习，虽然取得了一定的成果，但是主要存在两个问题：(1)未能充分利用岩石图像中的多维信息，仅采用全局图像对岩石图像信息的抽象程度较低，且局部的微小特征易丢失，难以充分表达岩性信息，从而可能导致对岩性分类错误的情况。(2)未能结合不同类型图像分类的结果，对于同一岩石可以结合不同类型图像做出的岩性判断，而现在的研究很少考虑到这一点。
发明内容
为了解决上述问题，本发明的第一个方面提供一种基于多维岩石图像深度学习的岩性识别方法，其能够自动采集岩石的全局图像和局部图像，实现综合特征的融合，并且可以对不同类型图像的识别结果进行综合分析，对岩性的识别准确度高。
为了实现上述目的，本发明采用如下技术方案：
一种基于多维岩石图像深度学习的岩性识别方法，包括：
接收岩石的全局图像和局部图像；
预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像；
将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果；
采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
为了解决上述问题，本发明的第二个方面提供一种基于多维岩石图像深度学习的岩性识别系统，其能够自动采集岩石的全局图像和局部图像，实现综合特征的融合，并且可以对不同类型图像的识别结果进行综合分析，对岩性的识别准确度高。
为了实现上述目的，本发明采用如下技术方案：
一种基于多维岩石图像深度学习的岩性识别系统，包括：
图像接收模块，其用于接收岩石的全局图像和局部图像；
图像预处理及融合模块，其用于预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像；
初步识别模块，其用于将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果；
识别结果融合模块，其用于采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
本发明的第三个方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
本发明的第四个方面提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
本发明的有益效果是：
(1)本发明采用基于ResNet网络的岩性识别深度学习模型自动提取岩石图像的全局特征、局部特征和组合特征，保证了获取特征信息的完整性。采用最大似然法对预测结果进行融合，有利于提高模型识别的准确度。
(2)本发明有利于提高岩石图像识别的智能化程度，减少劳动量，节约成本，为后期对岩石岩性进行识别和研究提供方便和可靠依据。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1为本发明实施例的基于多维岩石图像深度学习的岩性识别方法流程图。
图2为本发明实施例的基于多维岩石图像深度学习的岩性识别结构示意图。
图3为本发明实施例的岩石图像自动采集模块结构示意图。
图4为本发明实施例的LED补光屏结构示意图。
图5为本发明实施例的自动化旋转装置细部图。
图中：1、可移动支架；2、局部图像采集相机1；3、全局图像采集相机1；4、局部图像采集相机2；5、LED补光屏；6、自动化转台；5-1、光屏；5-2、圆盘转台；5-3、旋转装置；5-4、控制按钮；5-3-1、转盘；5-3-2、旋钮；5-3-3、连接带。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明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发明的示例性实施方式。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。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
实施例一
如图1所示，本实施例的基于多维岩石图像深度学习的岩性识别方法，包括：
S101：接收岩石的全局图像和局部图像。
在具体实施中，采用全自动对焦相机2、3、4分别配置0.5×、0.34×、1×放大倍率的镜头用于采集不同维度的岩石图像，0.34×的镜头用于采集全局图像，对拍摄出的岩石图像具有缩小效果，可以表现岩石的轮廓特征，但是对局部特征可能会显示模糊且包含部分背景，若仅采用全局图像将会出现对非岩石特征区域(背景)过度学习的问题；0.5×、1×的镜头用于采集岩石的局部图像，放大倍率越高对岩石局部特征拍摄越清晰，例如对于火成岩，细节越清晰的图像更能反应岩石的结构(组成岩石的矿物的结晶程度、晶体形状、晶粒大小以及矿物之间结合关系等)、构造(组成岩石矿物集合体的大小、形状和空间分布等)等，对于沉积岩，更能反应岩石的粒度大小、分选性、磨圆度、胶结类型等特征，对于不同岩性的岩石获取的特征越丰富越完整，模型对岩性识别的准确性越好。
S102：预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像。
在具体实施中，对图像进行数据增强和分块处理，用于制作高质量的岩石图像数据集。
其中，数据增强采用裁剪、旋转、缩放等操作增加样本量，实现对数据集进一步扩充。分块处理采用包含重叠区域的六分法，即采用滑动窗口的形式将图像的长平均分为包含一定重叠区域的三部分，宽平均分为包含一定重叠区域的两部分。若采用不包含重叠区域的分块方法虽然可以减少输入模型的重复参数，但是各子块之间缺乏关联度，同时若分块太多会造成特征分割过于离散，经过实验采用包含重叠区域的六分法，有利于充分提取和学习岩石的局部特征，同时可以对各子块图像构成相互补充，提高岩性识别深度学习模型的精度。
S103：将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果。
基于ResNet网络的岩性识别深度学习模型设置卷积层(包括conv1、conv2_x、conv3_x、conv4_x、conv5_x)和全连接层，其中stage1设置执行卷积操作的卷积层、BatchNorm用于批量正则化、Relu激活函数、Maxpool用于执行最大池化操作，stage2到stage5设置conv block代表添加尺度的残差块和不改变尺寸的残差块ID block，每个残差块包括3个卷积层，经过残差块的连续卷积运算后图像像素矩阵的通道数会越来越深，在加深网络深度且不增加额外参数的同时，提取到更丰富的抽象岩石特征；再通过Flatten层更改图像像素，最后通过全连接层将提取到的特征进行融合，并通过Softmax分类器实现了对岩石图像的分类，其中：
本实施例的Softmax回归层，将抽象的岩石特征值[x0，x1，x2，...，xi]输出映射到(0，1)区间，即将原来变化的数值映射到特定的区间，以概率的形式表示岩石的识别结果，通过选取概率最大值所对应的岩石类别作为输出结果，即包含属于某一类岩石的特征越多，输出该类岩石的概率就越大，从而实现最终的分类和归一化：
sij＝∑(xi·wj)
其中x表示输入向量，w表示权重参数，p表示每一类别的概率，n表示样本个数，y表示样本为n时的正确分类标号，k表示分类数目。并采用交叉熵作为损失函数，可用于描述岩石分类的预测值与真实值的差距大小：
其中pi表示预测的概率分布，p′i表示真实的概率分布，通过Softmax分类器回归和交叉熵损失函数可以实现岩石图像的多分类问题，从而实现岩性的识别。
具体地，将岩石的全局图像和局部图像按照1：3的比例划分为测试集和训练集，训练集用于输入基于ResNet网络的岩性识别深度学习模型，利用卷积神经网络提取并学习岩石特征，再利用全连接层融合提取到的特征，最后利用Softmax分类器预测岩石类别；测试集用于将未进行训练的图像输入模型以验证模型的识别效果。为了让模型获取更丰富的岩石特征，设置三个岩石图像训练集，分别输入全局图像、局部图像和融合图像，对应生成模型1～3。由模型1提取岩石的全局信息(轮廓特征等)，模型2提取岩石的局部信息(纹理特征、颜色特征等)，模型3提取岩石的组合信息，并分别做出预测。
在具体实施中，岩石图像数据集可不断进行扩充更新，有利于提高岩性识别深度学习模型的泛化能力和鲁棒性。
S104：采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
三个模型的结果采用最大似然法进行结合，将所类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大意味着岩石属于该类的概率最大，由此得到最终的预测结果：
L(θ|x1，...，xn)＝f(x1，...，xn|θ)
其中，θ表示分类模型对应参数，x表示结果。
实施例二
如图2所示，本实施例的基于多维岩石图像深度学习的岩性识别系统，包括：
(1)图像接收模块，其用于接收岩石的全局图像和局部图像。
所述岩石图像自动采集模块包括LED补光屏，所述LED补光屏上方设置有自动化转台，所述自动化转台用于放置待识别的岩石，所述自动化转台上方还设置有至少一台全局图像采集装置以及至少一台局部图像采集装置；所述全局图像采集装置和局部图像采集装置均安装在移动支架上。
其中，图像采集防护箱采用钢制材料，整体呈封闭结构，可以在隧道或施工条件复杂的现场提供一个稳定的图像采集空间，同时可以减少粉尘、落石等不良因素的影响。
例如：如图3所示，岩石图像自动采集系统包括由设置有可移动支架、3台配置不同放大倍率的全自动对焦相机、LED补光屏7和自动化转台8组成的图像采集防护箱。
可移动支架1可通过上下升降调节控制相机的拍摄距离，满足不同大小岩石的拍摄，方便研究员进行实验。
全自动对焦相机2、3、4分别配置0.5×、0.34×、1×放大倍率的镜头用于采集不同维度的岩石图像，0.34×的镜头用于采集全局图像，对拍摄出的岩石图像具有缩小效果，可以表现岩石的轮廓特征，但是对局部特征可能会显示模糊且包含部分背景，若仅采用全局图像将会出现对非岩石特征区域(背景)过度学习的问题；0.5×、1×的镜头用于采集岩石的局部图像，放大倍率越高对岩石局部特征拍摄越清晰，例如对于火成岩，细节越清晰的图像更能反应岩石的结构(组成岩石的矿物的结晶程度、晶体形状、晶粒大小以及矿物之间结合关系等)、构造(组成岩石矿物集合体的大小、形状和空间分布等)等，对于沉积岩，更能反应岩石的粒度大小、分选性、磨圆度、胶结类型等特征，对于不同岩性的岩石获取的特征越丰富越完整，模型对岩性识别的准确性越好。
LED补光屏设置有光敏电阻，通过控制器实时调整图像采集防护箱中的光照情况，在光照充分时拍摄的图片可以完整的保留岩石的纹理、颜色等信息，有利于提高卷积神经网络正确提取岩石特征的能力。
如图4所示，LED补光屏5具体包括光屏5-1、控制按钮5-4和自动化转台8三个部分，其中所述的自动化转台包括圆盘转台5-2和旋转装置5-3两个部分；
LED补光屏采用LED技术和控制技术，通过光敏电阻自动调节亮度，使图像采集过程中光照稳定，保证了岩石图像的清晰度，同时由于是底部光源可以避免出现岩石投影，影响图像数据集的质量；控制按钮用于控制LED补光屏开启、关闭等基本控制功能。
在具体实施中，自动化转台被配置在补光屏中央，由计算机控制自动旋转(45°)，用于采集岩石不同角度的图像，实现对岩石多角度姿态的图像采集，同时可以扩充丰富岩石图像数据集，其中所述的圆盘转台由旋转装置带动旋转，用于放置岩石；
如图5所示，旋转装置5-3具体包括转盘5-3-1、旋钮5-3-2和连接带5-3-3三个部分，通过编程实现计算机控制旋钮转动并带动连接带使转盘旋转。
调整图像采集防护箱中可移动支架距离载物台的高度，根据不同岩石大小等因素调整3台全自动对焦相机的拍摄角度，使其分别拍摄岩石的全局图像和局部图像，将岩石放置于自动化转台上；
通过计算机调整LED补光屏亮度，并控制3台相机同时曝光；采集完一组岩石图像后控制自动化转台旋转一定角度(45°)，用于采集下一组岩石图像，同一岩石样本采集完成后输入计算机存储。
(2)图像预处理及融合模块，其用于预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像。
对数据集进行裁剪、旋转、缩放等操作用于增加样本量，并对图像采用包含重叠区域的六分法，即采用滑动窗口的形式将图像的长平均分为包含一定重叠区域的三部分，宽平均分为包含一定重叠区域的两部分，实现对数据集的扩充。
(3)初步识别模块，其用于将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果。
基于ResNet网络的岩性识别深度学习模型设置卷积层(包括conv1、conv2_x、conv3_x、conv4_x、conv5_x)和全连接层，其中stage1设置执行卷积操作的卷积层、BatchNorm用于批量正则化、Relu激活函数、Maxpool用于执行最大池化操作，stage2到stage5设置conv block代表添加尺度的残差块和不改变尺寸的残差块ID block，每个残差块包括3个卷积层，经过残差块的连续卷积运算后图像像素矩阵的通道数会越来越深，在加深网络深度且不增加额外参数的同时，提取到更丰富的抽象岩石特征；再通过Flatten层更改图像像素，最后通过全连接层将提取到的特征进行融合，并通过Softmax分类器实现了对岩石图像的分类，其中：
Softmax回归层，将抽象的岩石特征值[x0，x1，x2，...，xi]输出映射到(0，1)区间，即将原来变化的数值映射到特定的区间，以概率的形式表示岩石的识别结果，通过选取概率最大值所对应的岩石类别作为输出结果，即包含属于某一类岩石的特征越多，输出该类岩石的概率就越大，从而实现最终的分类和归一化：
sij＝∑(xi·wj)
其中x表示输入向量，w表示权重参数，p表示每一类别的概率，n表示样本个数，y表示样本为n时的正确分类标号，k表示分类数目。并采用交叉熵作为损失函数，可用于描述岩石分类的预测值与真实值的差距大小：
其中pi表示预测的概率分布，p′i表示真实的概率分布，通过Softmax分类器回归和交叉熵损失函数可以实现岩石图像的多分类问题，从而实现岩性的识别。
将数据集按照1：3的比例分为训练集和测试集，并将全局图像和局部图像进行融合形成岩石融合图像数据集，再将全局图像、局部图像、融合图像分别输入基于ResNet网络的岩性识别深度学习模型，通过调整超参数(学习率、动量等)使训练集的识别准确率达到最优，保留最优模型分别对应模型1～3，输入测试集中的图像进行测试。
(4)识别结果融合模块，其用于采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
三个模型的结果采用最大似然法进行结合，将所类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大意味着岩石属于该类的概率最大，由此得到最终的预测结果：
L(θ|x1，...，xn)＝f(x1，...，xn|θ)
其中，θ表示分类模型对应参数，x表示结果。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
本实施例自动提取岩石图像的全局特征和局部特征，实现了不同场景下综合特征信息的融合，对岩性的识别精确度高。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
本实施例自动提取岩石图像的全局特征和局部特征，实现了不同场景下综合特征信息的融合，对岩性的识别精确度高。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于多维岩石图像深度学习的岩性识别方法，其特征在于，包括：
接收岩石的全局图像和局部图像；
预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像；
将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果；
采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
2.如权利要求1所述的基于多维岩石图像深度学习的岩性识别方法，其特征在于，对岩石的全局图像和局部图像进行数据增强和分块预处理。
3.如权利要求2所述的基于多维岩石图像深度学习的岩性识别方法，其特征在于，对岩石的全局图像和局部图像进行分块预处理的过程为：
采用滑动窗口的形式将图像的长平均分为包含一定重叠区域的三部分，宽平均分为包含一定重叠区域的两部分。
4.如权利要求1所述的基于多维岩石图像深度学习的岩性识别方法，其特征在于，所述基于ResNet网络的岩性识别深度学习模型包括卷积层，其用于提取抽象岩石特征，再通过Flatten层更改图像像素，通过全连接层将提取到的特征进行融合，最后通过Softmax分类器实现对岩石图像的分类。
5.一种基于多维岩石图像深度学习的岩性识别系统，其特征在于，包括：
图像接收模块，其用于接收岩石的全局图像和局部图像；
图像预处理及融合模块，其用于预处理岩石的全局图像和局部图像，并融合预处理后的岩石全局图像和局部图像，得到融合图像；
初步识别模块，其用于将全局图像、局部图像和融合图像分别输入基于ResNet网络的岩性识别深度学习模型，输出全局识别结果、局部识别结果和融合识别结果；
识别结果融合模块，其用于采用最大似然法将全局识别结果、局部识别结果和融合识别结果进行融合，并将所有类别进行归类，再将该类别下的所有归属概率值相加，归属概率值和最大时对应岩石属于该类的概率最大，得到最终的预测结果。
6.如权利要求5所述的基于多维岩石图像深度学习的岩性识别系统，其特征在于，在所述图像预处理及融合模块中，对岩石的全局图像和局部图像进行数据增强和分块预处理。
7.如权利要求5所述的基于多维岩石图像深度学习的岩性识别系统，其特征在于，在所述初步识别模块中，所述基于ResNet网络的岩性识别深度学习模型包括卷积层，其用于提取抽象岩石特征，再通过Flatten层更改图像像素，通过全连接层将提取到的特征进行融合，最后通过Softmax分类器实现对岩石图像的分类。
8.如权利要求5所述的基于多维岩石图像深度学习的岩性识别系统，其特征在于，所述基于多维岩石图像深度学习的岩性识别系统还包括岩石图像自动采集模块，所述岩石图像自动采集模块包括LED补光屏，所述LED补光屏上方设置有自动化转台，所述自动化转台用于放置待识别的岩石，所述自动化转台上方还设置有至少一台全局图像采集装置以及至少一台局部图像采集装置；所述全局图像采集装置和局部图像采集装置均安装在移动支架上。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-4中任一项所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-4中任一项所述的基于多维岩石图像深度学习的岩性识别方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979979.7A CN112132200B (zh) | 2020-09-17 | 2020-09-17 | 基于多尺度岩石图像深度学习的岩性识别方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010979979.7A CN112132200B (zh) | 2020-09-17 | 2020-09-17 | 基于多尺度岩石图像深度学习的岩性识别方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112132200A true CN112132200A (zh) | 2020-12-25 |
| CN112132200B CN112132200B (zh) | 2024-07-02 |
Family
ID=73845911
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010979979.7A Active CN112132200B (zh) | 2020-09-17 | 2020-09-17 | 基于多尺度岩石图像深度学习的岩性识别方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112132200B (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
| CN112836433A (zh) * | 2021-02-18 | 2021-05-25 | 南昌航空大学 | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 |
| CN113420776A (zh) * | 2021-04-02 | 2021-09-21 | 上海师范大学 | 一种基于模型融合的多侧面联合检测物品分类方法 |
| CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
| CN113505802A (zh) * | 2021-04-02 | 2021-10-15 | 上海师范大学 | 一种基于多通道模型融合的深度学习物体分类方法 |
| CN113836997A (zh) * | 2021-08-12 | 2021-12-24 | 山东大学 | 一种隧道内岩体裂隙识别方法、装置及系统 |
| CN115082454A (zh) * | 2022-07-27 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN116777848A (zh) * | 2023-06-06 | 2023-09-19 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
| CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
| CN101814147A (zh) * | 2010-04-12 | 2010-08-25 | 中国科学院自动化研究所 | 一种实现场景图像的分类方法 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
| CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
| CN111488940A (zh) * | 2020-04-15 | 2020-08-04 | 大连海事大学 | 一种基于深度卷积神经网络的航标图像智能分类方法 |
-
2020
- 2020-09-17 CN CN202010979979.7A patent/CN112132200B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101236599A (zh) * | 2007-12-29 | 2008-08-06 | 浙江工业大学 | 基于多摄像机信息融合的人脸识别检测装置 |
| CN101814147A (zh) * | 2010-04-12 | 2010-08-25 | 中国科学院自动化研究所 | 一种实现场景图像的分类方法 |
| CN110163110A (zh) * | 2019-04-23 | 2019-08-23 | 中电科大数据研究院有限公司 | 一种基于迁移学习和深度特征融合的行人重识别方法 |
| CN110334705A (zh) * | 2019-06-25 | 2019-10-15 | 华中科技大学 | 一种结合全局和局部信息的场景文本图像的语种识别方法 |
| CN111488940A (zh) * | 2020-04-15 | 2020-08-04 | 大连海事大学 | 一种基于深度卷积神经网络的航标图像智能分类方法 |
Non-Patent Citations (2)
| Title |
|---|
| 胡祺: "融合多维信息的岩石薄片图像深度学习分类方法" * |
| 胡祺: "融合多维信息的岩石薄片图像深度学习分类方法", 《中国优秀博硕士学位论文全文数据库（硕士）基础科学辑》 * |
Cited By (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113435456A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石薄片组分识别方法、装置及介质 |
| CN113435459A (zh) * | 2021-02-08 | 2021-09-24 | 中国石油化工股份有限公司 | 基于机器学习的岩石组分识别方法、装置、设备及介质 |
| CN112836433A (zh) * | 2021-02-18 | 2021-05-25 | 南昌航空大学 | 高温合金晶粒尺寸识别模型的构建方法及尺寸识别方法 |
| CN112801035A (zh) * | 2021-02-24 | 2021-05-14 | 山东大学 | 基于知识与数据双驱动的搭载式岩性智能识别方法及系统 |
| CN113420776A (zh) * | 2021-04-02 | 2021-09-21 | 上海师范大学 | 一种基于模型融合的多侧面联合检测物品分类方法 |
| CN113505802A (zh) * | 2021-04-02 | 2021-10-15 | 上海师范大学 | 一种基于多通道模型融合的深度学习物体分类方法 |
| CN113836997A (zh) * | 2021-08-12 | 2021-12-24 | 山东大学 | 一种隧道内岩体裂隙识别方法、装置及系统 |
| CN115082454A (zh) * | 2022-07-27 | 2022-09-20 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN115082454B (zh) * | 2022-07-27 | 2022-12-09 | 深圳市信润富联数字科技有限公司 | 岩芯判别方法、装置、电子设备和存储介质 |
| CN116777848A (zh) * | 2023-06-06 | 2023-09-19 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
| CN116777848B (zh) * | 2023-06-06 | 2024-05-31 | 北京师范大学 | 一种玉石器相似度分析方法及系统 |
| CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
| CN118097641B (zh) * | 2024-04-18 | 2024-08-06 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112132200B (zh) | 2024-07-02 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112132200B (zh) | 基于多尺度岩石图像深度学习的岩性识别方法及系统 | |
| CN111126325B (zh) | 一种基于视频的智能人员安防识别统计方法 | |
| CN109711262B (zh) | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 | |
| CN111833322B (zh) | 一种基于改进YOLOv3的垃圾多目标检测方法 | |
| CN109766873B (zh) | 一种混合可变形卷积的行人再识别方法 | |
| CN108711149A (zh) | 基于图像处理的矿岩粒度检测方法 | |
| CN110443763A (zh) | 一种基于卷积神经网络的图像阴影去除方法 | |
| CN111368660A (zh) | 一种单阶段半监督图像人体目标检测方法 | |
| CN117765373B (zh) | 一种自适应裂缝尺寸的轻量化道路裂缝检测方法及系统 | |
| CN109961105B (zh) | 一种基于多任务深度学习的高分辨率遥感影像分类方法 | |
| CN117788957B (zh) | 一种基于深度学习的资质图像分类方法及系统 | |
| CN113744195B (zh) | 一种基于深度学习的hRPE细胞微管自动检测方法 | |
| CN114120093A (zh) | 一种基于改进YOLOv5算法的煤矸目标检测方法 | |
| CN110163822A (zh) | 基于超像素分割与图割的网状物检测与去除方法和系统 | |
| CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
| CN114241372A (zh) | 一种应用于扇扫拼接的目标识别方法 | |
| CN114612450B (zh) | 基于数据增广机器视觉的图像检测分割方法、系统、电子设备 | |
| CN111507379A (zh) | 基于深度学习的矿石自动识别与粗分拣系统 | |
| CN113298768B (zh) | 棉花检测分割计数方法及系统 | |
| CN106127813B (zh) | 基于视觉感知能量的监控视频运动片段分割方法 | |
| CN110046601B (zh) | 针对十字路口场景的行人检测方法 | |
| CN116206155A (zh) | 基于YOLOv5网络的废钢分类识别方法 | |
| CN113705531B (zh) | 一种基于显微成像的合金粉末夹杂物的识别方法 | |
| CN113205152B (zh) | 一种环视融合的特征融合方法 | |
| CN114299328A (zh) | 一种环境自适应感知的小样本濒危动物检测方法及系统 |
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 | ||
| GR01 | Patent grant |