CN112926602A - 一种基于可视化算法的岩石岩性分析方法、装置及设备 - Google Patents

一种基于可视化算法的岩石岩性分析方法、装置及设备 Download PDF

Info

Publication number
CN112926602A
CN112926602A CN202110300802.4A CN202110300802A CN112926602A CN 112926602 A CN112926602 A CN 112926602A CN 202110300802 A CN202110300802 A CN 202110300802A CN 112926602 A CN112926602 A CN 112926602A
Authority
CN
China
Prior art keywords
rock
image
detected
neural network
convolutional neural
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
CN202110300802.4A
Other languages
English (en)
Inventor
金书季
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.)
Chongqing University of Post and Telecommunications
Original Assignee
Chongqing University of Post and Telecommunications
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 Chongqing University of Post and Telecommunications filed Critical Chongqing University of Post and Telecommunications
Priority to CN202110300802.4A priority Critical patent/CN112926602A/zh
Publication of CN112926602A publication Critical patent/CN112926602A/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
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

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

Abstract

本发明属于岩石图像处理方法，具体涉及一种基于可视化算法的岩石岩性分析方法、装置及设备；其中方法包括利用卷积神经网络输出岩石图像的分类结果；训练调整卷积神经网络的第一权重参数；测试输出岩石图像分类的第一准确率；将待测岩石图像输入到卷积神经网络中，当待测岩石图像分类的第二准确率达到第一准确率时，输出当前卷积神经网络中的第一权重参数；将待测岩石图像和第一权重参数导入可视化算法中，输出该待测岩石图像的热力分布图；通过该热力分布图得出待测岩石图像中与分类结果相关的特征信息，将热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性；本发明进一步利用可解释性机器学习的方法分析卷积神经网络提取的特征信息。

Description

一种基于可视化算法的岩石岩性分析方法、装置及设备
技术领域
本发明属于岩石图像处理方法，具体涉及一种基于可视化算法的岩石岩性分析方法、装置及设备。
背景技术
地质科学工作中对于岩石岩性的分析是一个基础且重要的工作，岩石的岩性主要指岩石的颜色成分、结构、胶状物等稳定的外形特征，传统的岩石岩性分析方法主要是基于人工到野外去获取岩石样本，利用岩石样本进行复杂的分析工序。传统的岩石岩性分析方法存在工作量大、时间周期长、经费开销大等缺点。
随着近些年来卷积神经网络不断发展，在计算机视觉领域的应用也越来越成熟。目前基于卷积神经网络对于岩石岩性的研究主要涉及到的是岩石图像分类及岩石图像识别。例如2013年，程建国等人提出了一种基于神经网络和聚类分割详解的分类识别方法，此算法首先利用K-Means聚类分割算法将图像分割为目标孔隙和背景岩石两类，然后提取特征进行分类。2015年，张翠芳等人基于遥感影像数据对岩石岩性进行了可识别性研究，此方法利用岩性单元特征向量之间的差异比原图像光谱差异更大的特征，用特征向量的统计结果构建的比值运算结合PCA特征向量进行了图像彩色的合成，以此增加了各种岩石岩性单元的可识别性。2017年，张野等人基于Inception v3这种卷积神经网络模型并结合迁移学习的方法，实现了岩性的自动识别与分类。
综上所述，基于岩石图像对岩性的分析，都是事先对岩石图像进行了处理，然后借助卷积神经网络进行分类或者识别。这种分析岩石岩性的方法很大程度上都是取决于技术人员的主观认识；另外卷积神经网络在分类和识别的过程中会提取图像中的上下文特征信息，对于这类影响卷积神经网络做决策的因素也没有进行分析；并且整个过程所采用的大量人工工作很多也会加大处理过程的成本。
发明内容
鉴于上述现有基于卷积神经网络研究岩石岩性的方法缺陷，本发明要解决的问题是提供一种通过对卷积神经网络工作原理的理解去分析岩石岩性的方法，这种方法可以为技术人员提供卷积神经网分析岩石岩性的思路，也能进一步减少人工工作量和一大笔研究成本。
为了解决传统的基于卷积神经网络的岩石岩性研究方法的缺陷，同时提供一个研究岩石岩性的新思路，本发明的目的是提供一种岩石颗粒分析方法、装置、设备以及计算机可读存储设备，解决了卷积神经网络研究岩石岩性的方法缺陷。
在本发明的第一方面，本发明提供了一种基于可视化算法的岩石岩性分析方法，包括：
利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络；
从所述卷积神经网络中的卷积层和池化层提取出所述岩石图像的细粒度特征，并输出所述岩石图像的分类结果；
利用岩石图像训练集对所述卷积神经网络进行端到端的迭代训练，并调整当前卷积神经网络的第一权重参数；
采用岩石图像测试集对所述卷积神经网络进行测试，并输出岩石图像分类的第一准确率；
将待测岩石图像输入到所述卷积神经网络中，当待测岩石图像分类的第二准确率达到第一准确率时，输出当前卷积神经网络中的第一权重参数；
将待测岩石图像和所述第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测岩石图像的热力分布图；
通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
其中，所述将待测岩石图像和所述第二权重参数导入可视化算法中，得到第二权重参数，从而输出该待测图像的热力分布图包括将待测岩石图像的梯度信息反向传播到所述卷积神经网络的最后一层卷积层，将反向传播得到的所有第二权重参数与其对应的特征图相乘，并将这些第二权重参数与其对应的特征图相乘后的结果求和，将求和的结果通过线性整流函数得到热力分布图。
其中，所述通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息包括对所述热力分布图采用上采样操作，直至与所述待测岩石图像大小一致；将所述热力分布图叠加到所述待测岩石图像上，得到将待测岩石图像预测为对应分类结果的图像区域，该图像区域即为与分类结果相关的特征信息。
在本发明的第二方面，本发明还提供了一种基于可视化算法的岩石岩性分析设备，包括：
图像获取模块，用于获取岩石图像训练集、岩石图像测试集以及待测岩石图像；
图像分类模块，用于利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络，采用岩石图像训练集进行训练，采用岩石图像测试集获取岩石分类的第一准确率以及对待测岩石图像分类；
图像提取模块，用于将待测岩石图像和第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测图像的热力分布图；
图像分析模块，用于通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
在本发明的第三方面，本发明还提供了一种基于可视化算法的岩石岩性分析设备，包括图像接入窗口、图像扫描仪和处理器；
所述图像接入窗口用于接入岩石图像训练集和岩石图像测试集；
所述图像扫描仪用于获取待测岩石图像；
所述处理器分别与所述图像接入窗口和所述图像扫描仪连接，用于根据岩石图像信息执行如本发明第一方面所述的一种基于可视化算法的岩石岩性分析方法。
在本发明的第四方面，本发明还提供了一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一种基于可视化算法的岩石岩性分析方法的计算机程序，所述计算机程序被处理器执行时实现如本发明第一方面所述的一种基于可视化算法的岩石岩性分析方法。
本发明的有益效果：
1、本发明利用传统的卷积神经网络获取岩石图像的分类结果，再进一步利用可解释性机器学习的方法分析卷积神经网络提取的特征信息。
2、本发明在利用卷积神经网络分析岩石岩性的时候，不用事先人工分析和处理岩石图像中的岩性，这避免了认为因素影响卷积神经网络判断依据，充分发挥了卷积神经网络识别图像特征的特长；
3、本发明分析岩石的岩性可以直接通过对比热力分布图和原始岩石图像，从而可以避免因为主观原因造成的误差。热力分布图上的信息会提示技术人员更应该关注岩石图像中那些区域的岩石特征。
附图说明
图1为本发明实施例中一种基于可视化算法的岩石岩性分析方法流程图；
图2为本发明实施例中可视化算法梯度加权类激活映射图的流程图；
图3为本发明实施例中一种基于可视化算法的岩石岩性分析装置的结构框图。
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。
地质科学工作中对于岩石岩性的分析是一个基础且重要的工作，它涉及到油气矿产等资源藏地的研究、勘探及开发。传统的岩石岩性分析方法主要是基于人工到野外去获取岩石样本，利用岩石样本进行复杂的分析工序。在传统的岩石岩性分析方法存在工作量大、时间周期长、经费开销大等缺点。另外随着近些年来卷积神经网络不断发展，在计算机视觉领域的应用也越来越成熟。因此通过分析卷积神经网络处理岩石图像过程来分析岩石岩性是一个有效且非常有价值的技术。
为此，就需要从岩石图像进行充分分析，借助卷积神经网络强大的分类和学习能力，卷积神经网络与可视化算法相结合，获取分类模型中输入的待测岩石图像所属类别的依据，同时这个图像区域上的图像特征也是研究人员研究该类岩石研性的重要依据。
图1给出了本发明实施例中一种基于可视化算法的岩石岩性分析方法流程图，如图1所示，该方法可以包括：
101、利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络；
在本发明中，可以利用PyTorch深度学习框架搭建卷积神经网络模型，可以采用现有技术中任意一种卷积神经网络，基础的卷积神经网络CNN由卷积(convolution)，激活(activation)，和池化(pooling)三种结构组成。CNN输出的结果是每幅图像的特定特征空间。当处理图像分类任务时，我们会把CNN输出的特征空间作为全连接层或全连接神经网络(fully connected neural network,FCN)的输入，用全连接层来完成从输入图像到标签集的映射，即分类。当然，整个过程最重要的工作就是如何通过训练数据迭代调整网络权重，也就是后向传播算法。目前主流的卷积神经网络(CNNs)，比如VGG，ResNet都是由简单的CNN调整，组合而来。
在本实施例中，以ResNet模型为例，本实施例采用的网络模型是RestNet-34模型，本发明实施例中利用PyTorch深度学习框架搭建一个34层的残差网络,即如表1所示的ResNet-34。此网络模型包含：卷积层、最大池化层、下采样层以及全局平均池化层。另外设置好输入图像的格式、卷积核大小、数量、步长等参数。
表1 ResNet-34网络结构图
层 名称 类型 大小/步长 输入 输出
0 Cov1 conv 7*7/2 512*512*3 112*112*64
1 Cov2_x maxpool 3*3/2 112*112*64 56*56*64
2 Cov2_x conv 3*3/1 56*56*64 56*56*64
3 Cov2_x conv 3*3/1 56*56*64 56*56*64
4 Cov2_x conv 3*3/1 56*56*64 56*56*64
5 Cov2_x conv 3*3/1 56*56*64 56*56*64
6 Cov2_x conv 3*3/1 56*56*64 56*56*64
7 Cov2_x conv 3*3/1 56*56*64 56*56*64
8 Cov3_x downsample 3*3/2 56*56*64 28*28*128
9 Cov3_x conv 3*3/1 28*28*128 28*28*128
10 Cov3_x conv 3*3/1 28*28*128 28*28*128
11 Cov3_x conv 3*3/1 28*28*128 28*28*128
12 Cov3_x conv 3*3/1 28*28*128 28*28*128
13 Cov3_x conv 3*3/1 28*28*128 28*28*128
14 Cov3_x conv 3*3/1 28*28*128 28*28*128
15 Cov3_x conv 3*3/1 28*28*128 28*28*128
16 Cov4_x downsample 3*3/2 28*28*128 14*14*256
17 Cov4_x conv 3*3/1 14*14*256 14*14*256
18 Cov4_x conv 3*3/1 14*14*256 14*14*256
19 Cov4_x conv 3*3/1 14*14*256 14*14*256
20 Cov4_x conv 3*3/1 14*14*256 14*14*256
21 Cov4_x conv 3*3/1 14*14*256 14*14*256
22 Cov4_x conv 3*3/1 14*14*256 14*14*256
23 Cov4_x conv 3*3/1 14*14*256 14*14*256
24 Cov4_x conv 3*3/1 14*14*256 14*14*256
25 Cov4_x conv 3*3/1 14*14*256 14*14*256
26 Cov4_x conv 3*3/1 14*14*256 14*14*256
27 Cov4_x conv 3*3/1 14*14*256 14*14*256
28 Cov5_x downsample 3*3/2 14*14*256 7*7*512
29 Cov5_x conv 3*3/1 7*7*512 7*7*512
30 Cov5_x conv 3*3/1 7*7*512 7*7*512
31 Cov5_x conv 3*3/1 7*7*512 7*7*512
32 Cov5_x conv 3*3/1 7*7*512 7*7*512
33 Cov5_x conv 3*3/1 7*7*512 7*7*512
具体的，在岩石图像输入到ResNet-34网络前，将岩石图像按照原图长、宽之比以长、宽中较小者为准缩放到256，然后用中心裁剪的方式将图像裁剪成224×224格式。
可以理解的是，上述岩石图像指的是岩石图像训练集、岩石图像测试集以及待测岩石图像中的任意一张或多张图像。
102、从所述卷积神经网络中的卷积层和池化层提取出所述岩石图像的细粒度特征，并输出所述岩石图像的分类结果；
本步骤中，在卷积神经网络中卷积层和池化层提取输入的岩石图像的细粒度特征，利用这些特征对输入的岩石图形进行分类。
可以理解的，本发明中，步骤101和步骤102所涉及的岩石图像可以指的是岩石图像训练集、岩石图像测试集以及待测岩石图像中的任意一张或多张图像，本发明可以提取出岩石图像训练集、岩石图像测试集以及待测岩石图像中的任意一张或多张图像的细粒度特征，再利用这些细粒度特征对相应的岩石图像进行分类识别。
其中，岩石的类别可以包含三个大类十三个小类。三大类分别是：沉积岩、岩浆岩、变质岩。沉积岩包括：火山碎屑岩、化学及生物化学岩、黏土岩、碎屑岩。岩浆岩包括：超基性岩、基性岩、碱性岩、酸性岩、中性岩。变质岩包括：动力变质岩、接触变质岩、气热液变质岩、区域变质岩。
103、利用岩石图像训练集对所述卷积神经网络进行端到端的迭代训练，并调整当前卷积神经网络的第一权重参数；
本发明中，利用岩石图像训练集对卷积神经网络进行端到端的迭代训练，在这个过程中不断的调整参数使网络能更好的拟合岩石图像特征。
迭代训练使网络模型能够更好地拟合图像特征。此过程十分关键，因为训练的过程中会更新网络中的权值和参数，这不仅仅对于岩石图像的分类很关键，同时对可视化的效果也至关重要。
104、采用岩石图像测试集对所述卷积神经网络进行测试，并输出岩石图像分类的第一准确率；
在步骤103的训练过程结束后，就可以保存并输出训练完成的卷积神经网络模型，利用验证集验证模型的准确率，得到岩石图像分类的第一准确率。
这里的第一准确率是针对岩石图像验证集而言，这个第一准确率在后续的测试过程中将作为准确率阈值进行相应的判断。
在本发明实施例中，可以先通过图像接入窗口去获取岩石图像训练集和岩石图像测试集，这些数据集可以从公共的API接口获取也可以从人工标注的图像接入；获取到的数据集可以按照一定的比例划分出训练集和测试集。
105、将待测岩石图像输入到所述卷积神经网络中，当待测岩石图像分类的第二准确率达到第一准确率时，输出当前卷积神经网络中的第一权重参数；
首先将待测岩石图像放到卷积神经网络模型中进行分类，如果分类正确且属于正确分类的概率比较高则表示待测岩石图像为有效图像；也就是说分类正确的准确率大于测试集所对应的第一准确率时，表明卷积神经网络具有识别岩石岩性图像的类别的感知学习力；此时的卷积神经网络中的分类经验是值得信赖的，因此可以将卷积神经网络中的第一权重参数导入到可视化算法中；
106、将待测岩石图像和所述第二权重参数导入可视化算法中，得到第二权重参数，从而输出该待测岩石图像的热力分布图；
将待测岩石图像的梯度信息反向传播到所述卷积神经网络的最后一层卷积层，将反向传播得到的所有第二权重参数与其对应的特征图相乘，并将这些第二权重参数与其对应的特征图相乘后的结果求和，将求和的结果通过线性整流函数得到热力分布图。
107、通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
对所述热力分布图采用上采样操作，直至与所述待测岩石图像大小一致；将所述热力分布图叠加到所述待测岩石图像上，得到将待测岩石图像预测为对应分类结果的图像区域，该图像区域即为与分类结果相关的特征信息。通过热力图展示卷积神经网络是依据图像中的那些具体的特征区域进行分类的，研究人员可以通过热力图提供的信息对原始图形的岩石岩性进行分析。
图2给出了本发明实施例中可视化算法输出岩石图像的热力分布图的处理流程图，如图2所示，本实施例中，所述可视化算法采用梯度加权类激活映射图(Gradient-weighted Class Activation Mapping)算法，Grad-CAM算法工作原理如下：
Grad-CAM算法利用特定类别分类的梯度信息定位图像中决定分类结果的图像区域。例如，对于一个已经训练好的岩石图像分类模型，输入接触变质岩图像，经过岩石图像分类模型分析处理后被模型预测为接触变质岩，则只关注将图像预测为接触变质的相关梯度，不关注预测为其他岩石的梯度。为了得到Grad-CAM图，首先将接触变质岩的梯度信息反向传播到模型的最后一层卷积层，然后通过反向传播得到的所有权重值与其对应的特征图相乘，再次将权重与特征图的乘积求和，最后将求和的结果通过ReLU函数就得到Grad-CAM图。得到Grad-CAM图后，首先将Grad-CAM图进行上采样操作至输入的接触变质岩相同大小，然后将Grad-CAM图叠加在输入的接触变质岩图像上，最后就能得到岩石分类模型将接触变质岩图像预测为接触变质岩的图像区域。这个图像区域就是岩石分类模型预测输入图像所属类别的依据，同时这个图像区域上的图像特征也是研究人员研究该类岩石研性的重要依据。
Grad-CAM图的具体算法如下：对于属于c类图像的Grad-CAM图，记作
Figure BDA0002986155770000091
其中μ和ν分别表示Grad-CAM图的宽和高。首先计算图像c的得分梯度，c的得分记为yc，第K个特征图记为Ak，那么梯度记为
Figure BDA0002986155770000092
特征图Ak对于图像属于c类的权重记为
Figure BDA0002986155770000093
它们的关系如公式(1)所示：
Figure BDA0002986155770000094
在公式1中，Z为Ak的像素数，
Figure BDA0002986155770000095
为在Ak中(x,y)处的值。
其次求
Figure BDA0002986155770000096
由公式2给出。
Figure BDA0002986155770000097
由于Grad-CAM算法专注于决定模型预测结果的图像区域，因此通过
Figure BDA0002986155770000098
提高了特征图中的激活值，以此增加了图像属于类别c的得分yc。当
Figure BDA0002986155770000101
在提高对预测结果有积极影响区域的激活值时，也提高了属于其他类别标签的激活值。因此本发明才用了ReLU激活函数。ReLU函数将有积极影响的像素区域和消极的像素区域区分了出来，以此提高了性能。
下面对本发明实施例提供的一种基于可视化算法的岩石岩性分析装置进行介绍，下文描述的一种基于可视化算法的岩石岩性分析装置与上文描述的一种基于可视化算法的岩石岩性分析方法可相互对应参照。
图3为本发明实施例提供的一种基于可视化算法的岩石岩性分析装置，参考图3，所述装置可以包括：
图像获取模块100，用于获取岩石图像训练集、岩石图像测试集以及待测岩石图像；
图像分类模块200，用于利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络，采用岩石图像训练集进行训练，采用岩石图像测试集获取岩石分类的第一准确率以及对待测岩石图像分类；
图像提取模块300，用于将待测岩石图像和第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测图像的热力分布图；
图像分析模块400，用于通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
本实施例的基于可视化算法的岩石岩性分析装置用于实现前述的基于可视化算法的岩石岩性分析方法，因此基于可视化算法的岩石岩性分析装置中的具体实施方式可见前文中的基于可视化算法的岩石岩性分析方法的实施例部分，例如，图像获取模块用于实现上述岩石岩性分析方法中岩石图像采集部分图像分类模块用于实现上述方法中利用卷积神经网络实现岩石图像分类的过程，图像提取模块用于实现上述方法中热力分布图的提取过程，数据分析模块用于实现上述方法中通过热力分布图对岩石图像特性分析的过程，所以，其具体实施方式可以参照相应的各个部分实施例的描述，在此不再赘述。
基于上述实施例，本发明还提出了一种基于可视化算法的岩石岩性分析设备，包括图像接入窗口、图像扫描仪和处理器；
所述图像接入窗口用于接入岩石图像训练集和岩石图像测试集；
所述图像扫描仪用于获取待测岩石图像；
所述处理器分别与所述图像接入窗口和所述图像扫描仪连接，用于根据岩石图像信息执行上述的一种基于可视化算法的岩石岩性分析方法，具体执行：
利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络；
从所述卷积神经网络中的卷积层和池化层提取出所述岩石图像的细粒度特征，并输出所述岩石图像的分类结果；
利用岩石图像训练集对所述卷积神经网络进行端到端的迭代训练，并调整当前卷积神经网络的第一权重参数；
采用岩石图像测试集对所述卷积神经网络进行测试，并输出岩石图像分类的第一准确率；
将待测岩石图像输入到所述卷积神经网络中，当待测岩石图像分类的第二准确率达到第一准确率时，输出当前卷积神经网络中的第一权重参数；
将待测岩石图像和所述第二权重参数导入可视化算法中，得到第二权重参数，从而输出该待测岩石图像的热力分布图；
通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
在一些实施例中，该图像扫描仪可以是激光共聚焦扫描仪，例如可以是激光共聚焦显微镜，而该处理器可以是激光共聚焦显微镜内置的处理器芯片。但是本发明中也并不排除其他的激光共聚焦扫描仪，该处理器为和激光共聚焦扫描仪相连接的主机，总之，只要能够实现上述一种基于可视化算法的岩石岩性分析方法即可。
另外，本发明还提供了一种计算机可读存储介质，所述计算机可读存储介质上存储有一种基于可视化算法的岩石岩性分析方法的计算机程序，所述计算机程序被处理器执行时实现上述一种基于可视化算法的岩石岩性分析方法。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、“中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“外”、“前部”、“中央”、“两端”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。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固定”、“旋转”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；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或两个元件的相互作用关系，除非另有明确的限定，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (8)

1.一种基于可视化算法的岩石岩性分析方法，其特征在于，所述方法包括：
利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络；
从所述卷积神经网络中的卷积层和池化层提取出所述岩石图像的细粒度特征，并输出所述岩石图像的分类结果；
利用岩石图像训练集对所述卷积神经网络进行端到端的迭代训练，并调整当前卷积神经网络的第一权重参数；
采用岩石图像测试集对所述卷积神经网络进行测试，并输出岩石图像分类的第一准确率；
将待测岩石图像输入到所述卷积神经网络中，当待测岩石图像分类的第二准确率达到第一准确率时，输出当前卷积神经网络中的第一权重参数；
将待测岩石图像和所述第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测岩石图像的热力分布图；
通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
2.根据权利要求1所述的一种基于可视化算法的岩石岩性分析方法，其特征在于，所述将待测岩石图像和所述第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测图像的热力分布图包括将待测岩石图像的梯度信息反向传播到所述卷积神经网络的最后一层卷积层，将反向传播得到的所有第二权重参数与其对应的特征图相乘，并将这些第二权重参数与其对应的特征图相乘后的结果求和，将求和的结果通过线性整流函数得到热力分布图。
3.根据权利要求2所述的一种基于可视化算法的岩石岩性分析方法，其特征在于，所述第二权重参数的计算公式表示为：
Figure FDA0002986155760000011
其中，
Figure FDA0002986155760000012
表示第K个特征图Ak对于岩石图像属于分类c的权重，即第二权重参数；Z为第K个特征图Ak的像素数；yc表示岩石图像属于分类c的得分梯度；
Figure FDA0002986155760000021
为在第K个特征图Ak中(i,j)处的值。
4.根据权利要求2所述的一种基于可视化算法的岩石岩性分析方法，其特征在于，所述将求和的结果通过线性整流函数得到热力分布图表示为：
Figure FDA0002986155760000022
其中，
Figure FDA0002986155760000023
表示待测岩石图像属于分类c的热力分布图；ReLU表示线性整流函数；
Figure FDA0002986155760000024
表示第K个特征图Ak对于岩石图像属于分类c的权重，即第二权重参数。
5.根据权利要求1所述的一种基于可视化算法的岩石岩性分析方法，其特征在于，所述通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息包括对所述热力分布图采用上采样操作，直至与所述待测岩石图像大小一致；将所述热力分布图叠加到所述待测岩石图像上，得到将待测岩石图像预测为对应分类结果的图像区域，该图像区域即为与分类结果相关的特征信息。
6.一种基于可视化算法的岩石岩性分析装置，其特征在于，包括：
图像获取模块，用于获取岩石图像训练集、岩石图像测试集以及待测岩石图像；
图像分类模块，用于利用深度学习框架构建出对岩石图像具有认知学习力的卷积神经网络，采用岩石图像训练集进行训练，采用岩石图像测试集获取岩石分类的第一准确率以及对待测岩石图像分类；
图像提取模块，用于将待测岩石图像和第一权重参数导入可视化算法中，得到第二权重参数，从而输出该待测图像的热力分布图；
图像分析模块，用于通过该热力分布图得出所述待测岩石图像中与分类结果相关的特征信息，将所述热力分布图与原始的待测岩石图像进行对比，分析出该岩石的特性。
7.一种基于可视化算法的岩石岩性分析设备，其特征在于，包括图像接入窗口、图像扫描仪和处理器；
所述图像接入窗口用于接入岩石图像训练集和岩石图像测试集；
所述图像扫描仪用于获取待测岩石图像；
所述处理器分别与所述图像接入窗口和所述图像扫描仪连接，用于根据岩石图像信息执行如权利要求1～5任一项所述的一种基于可视化算法的岩石岩性分析方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有一种基于可视化算法的岩石岩性分析方法的计算机程序，所述计算机程序被处理器执行时实现如权利要求1～5任一项所述的一种基于可视化算法的岩石岩性分析方法。
CN202110300802.4A 2021-03-22 2021-03-22 一种基于可视化算法的岩石岩性分析方法、装置及设备 Pending CN112926602A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110300802.4A CN112926602A (zh) 2021-03-22 2021-03-22 一种基于可视化算法的岩石岩性分析方法、装置及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110300802.4A CN112926602A (zh) 2021-03-22 2021-03-22 一种基于可视化算法的岩石岩性分析方法、装置及设备

Publications (1)

Publication Number Publication Date
CN112926602A true CN112926602A (zh) 2021-06-08

Family

ID=76175324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110300802.4A Pending CN112926602A (zh) 2021-03-22 2021-03-22 一种基于可视化算法的岩石岩性分析方法、装置及设备

Country Status (1)

Country Link
CN (1) CN112926602A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378825A (zh) * 2021-07-09 2021-09-10 中海石油(中国)有限公司 一种基于人工智能的砂岩薄片图像鉴定方法和系统

Citations (2)

* Cited by examiner, † Cited by third party
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
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
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
CN110232419A (zh) * 2019-06-20 2019-09-13 东北大学 一种边坡岩石类别自动识别的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
RAMPRASAATH R. SELVARAJU: ""Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization"", 《IEEE》, 25 December 2017 (2017-12-25), pages 1 - 9 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113378825A (zh) * 2021-07-09 2021-09-10 中海石油(中国)有限公司 一种基于人工智能的砂岩薄片图像鉴定方法和系统
CN113378825B (zh) * 2021-07-09 2024-04-05 中海石油(中国)有限公司 一种基于人工智能的砂岩薄片图像鉴定方法和系统

Similar Documents

Publication Publication Date Title
CN107665492B (zh) 基于深度网络的结直肠全景数字病理图像组织分割方法
CN112101381B (zh) 张量协作图判别分析遥感图像特征提取方法
CN110021425B (zh) 一种比较检测器及其构建方法与宫颈癌细胞检测方法
CN108846835B (zh) 基于深度可分离卷积网络的图像变化检测方法
CN107680678B (zh) 基于多尺度卷积神经网络甲状腺超声图像结节诊断系统
CN111524137B (zh) 基于图像识别的细胞识别计数方法、装置和计算机设备
CN112733800B (zh) 基于卷积神经网络的遥感图像道路信息提取方法和装置
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
US11593656B2 (en) Using a first stain to train a model to predict the region stained by a second stain
CN110853005A (zh) 一种免疫组化膜染色切片诊断方法及装置
CN113378791B (zh) 基于双注意力机制和多尺度特征融合的宫颈细胞分类方法
CN107169497A (zh) 一种基于基因影像学的肿瘤影像标记物提取方法
CN104680185B (zh) 基于边界点重分类的高光谱图像分类方法
CN113673556B (zh) 一种基于多尺度密集卷积网络的高光谱图像分类方法
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN116012653A (zh) 一种注意力残差单元神经网络高光谱图像分类方法及系统
CN111414951B (zh) 用于图像的细分类方法及装置
CN114445356A (zh) 基于多分辨率的全视野病理切片图像肿瘤快速定位方法
CN110135309B (zh) 基于深度共享表示的sar图像变化检测方法
CN113567605B (zh) 质量色谱图的自动化解释模型构建方法、装置和电子设备
CN111242028A (zh) 基于U-Net的遥感图像地物分割方法
CN112926602A (zh) 一种基于可视化算法的岩石岩性分析方法、装置及设备
CN114241309A (zh) 一种基于ShuffleNetV2-Unet的水稻纹枯病识别方法和系统
JP6842624B2 (ja) 解析装置、解析方法、およびプログラム
CN116468690A (zh) 基于深度学习的浸润性非粘液性肺腺癌的亚型分析系统

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20210608