CN114972913A - 结合深度学习与xrf的岩屑识别方法、系统、介质及设备 - Google Patents

结合深度学习与xrf的岩屑识别方法、系统、介质及设备 Download PDF

Info

Publication number
CN114972913A
CN114972913A CN202210577117.0A CN202210577117A CN114972913A CN 114972913 A CN114972913 A CN 114972913A CN 202210577117 A CN202210577117 A CN 202210577117A CN 114972913 A CN114972913 A CN 114972913A
Authority
CN
China
Prior art keywords
rock debris
xrf
deep learning
module
layer
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
CN202210577117.0A
Other languages
English (en)
Inventor
阎荣辉
周光平
张小刚
黄子舰
刘杰
方铁园
田青青
李艳霞
焦艳爽
刘涛
王海涛
张春朋
赵培鹏
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.)
Panjin Zhonglu Oil & Gas Technology Services Co ltd
Original Assignee
Panjin Zhonglu Oil & Gas Technology Services Co ltd
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 Panjin Zhonglu Oil & Gas Technology Services Co ltd filed Critical Panjin Zhonglu Oil & Gas Technology Services Co ltd
Priority to CN202210577117.0A priority Critical patent/CN114972913A/zh
Publication of CN114972913A publication Critical patent/CN114972913A/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
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks

Landscapes

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

Abstract

本发明公开了一种结合深度学习与XRF的岩屑识别方法、系统、介质及设备，使用XRF技术确定岩屑中主要元素的种类和含量，在利用神经网络提取特征的过程中通过对数据进行通道扩充和通道压缩并在改变通道过程中嵌入改进的SE模块对特征图进行修正，使得本发明提出的一维卷积神经网络可以自主学习特征图中各通道的重要程度，从而得到泛化性更好的岩性识别模型。本发明能够快速准确的进行岩性识别，节省人力成本，对整个录井过程起到重要作用。

Description

结合深度学习与XRF的岩屑识别方法、系统、介质及设备
技术领域
本发明属于岩性识别技术领域，具体涉及一种结合深度学习与XRF的岩屑识别方法、系统、介质及设备。
背景技术
早在1912年，劳厄证实了X射线在晶体材料中的衍射。而在1922年，哈丁首先把X射线用于矿物的元素分析。我国X射线光谱分析起源于上世纪五十年代末，起步相对较晚，且起初技术不够成熟。为了跟上外国的研究步伐，推动我国矿物元素识别的发展，我国引进了相关仪器进行探究，从而建立起XRF实验室。而后期XRF与岩屑录井技术的结合，使得在录井过程中又多了一种可行的方式对岩屑进行识别，进而使得岩屑录井可靠性进一步增大。针对岩屑元素含量主要有是那种解释评价方式，主要包含：图谱法、曲线法和数值法。
其中，图谱法可以大致判断出岩屑的种类，但此种方式无法在岩屑识别过程中进行更加细致的分类。曲线法需要对当前地区有充分的了解，因此对地质人员的选择和要求比较高。而数值法根据地壳变动过程中元素间的比值变化进行分析，通过元素间的比值来衡量一些岩性的存在，但是此举在录井生产过程中所用情况不多。
近年来，深度学习技术得到了巨大的发展，并广泛应用于各个领域。相对于许多传统算法，深度学习技术从海量的训练数据中学习到的先验知识具有更强的泛化能力和更复杂的参数化表达，且无需调节算法参数以适应不同的应用场景。针对岩屑元素含量这种一维数据格式的分类问题，大多数研究者都在传统方向上进行研究，深度学习方向上很少有人涉及。考虑到岩屑元素含量彼此没有时间依赖关系，因此常规的LSTM等适用于具有时序关系序列的深度网络并不适用。
发明内容
本发明所要解决的技术问题在于针对上述现有技术中的不足，提供一种结合深度学习与XRF的岩屑识别方法、系统、介质及设备，利用深度学习算法训练模型利用岩屑元素含量对岩屑进行识别，泛化性更好，能达到快速精准识别和节约成本的效果。
本发明采用以下技术方案：
一种结合深度学习与XRF的岩屑识别方法，包括以下步骤：
S1、对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型并训练，得到基于通道注意力的一维卷积神经网络岩性识别模型M；
S2、对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入步骤S1训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
具体的，步骤S1具体为：
利用五个一维卷积模块搭建一维卷积神网络的backbone，在中间的三个一维卷积模块后各嵌入一个改进SE模块组建Conv-SE，在第五个一维卷积模块后添加两个全连接层和Softmax层，用于对预测出的各类岩屑岩性进行概率输出，构建完成结合深度学习与XRF的岩屑识别模型M。
进一步的，每个改进SE模块包括一个自适应平均池化层和两个一维卷积层，第一个一维卷积层后连接一个线性整流单元层，第二个一维卷积层后连接一个Sigmoid层。
更进一步的，两个一维卷积层的降维系数为16。
进一步的，五个一维卷积模块均进行通道改变，通道改变过程为1→16→32→64→32→16。
进一步的，每个一维卷积模块包含一个一维卷积层、一个批量正则层和一个ReLU层。
具体的，步骤S1中，采用FocalLoss损失函数对结合深度学习与XRF的岩屑识别模型M进行训练，FocalLoss损失函数具体为：
Figure BDA0003662612110000031
其中，γ为可调的focusing参数，α为平衡权重因子，p为预测的概率值。
第二方面，本发明实施例提供了一种结合深度学习与XRF的岩屑识别系统，包括：
网络模块，对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型并训练，得到基于通道注意力的一维卷积神经网络岩性识别模型M；
识别模块，对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入网络模块训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
第三方面，一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述结合深度学习与XRF的岩屑识别方法的步骤。
第四方面，本发明实施例提供了一种计算机可读存储介质，包括计算机程序，所述计算机程序被处理器执行时实现上述结合深度学习与XRF的岩屑识别方法的步骤。
与现有技术相比，本发明至少具有以下有益效果：
本发明结合深度学习与XRF的岩屑识别方法，将岩屑元素含量利用深度学习的方式进行岩屑识别，为了使模型把注意力集中在显著的岩屑元素特征信息上而忽视不重要的信息，在扩充和压缩通道间隙嵌入改进SE模块，同时保证了其对于各种岩屑元素含量有一个很好的覆盖，不会忽视某些含量较低的元素种类，使得本发明提出的模型可以自主学习特征图中各通道的重要程度，从而在通道改变过后为各通道赋予不同的权重，进而加强和当前任务相关的特征，使网络获取显著特征进行训练，同时还能避免在通道改变过程中引入与任务无关的非线性特征，相比现行传统方法，本发明通过将改进SE模块嵌入一维卷积神经网络中，大大缩短了样本识别时间，并提升了识别的准确率。
进一步的，单条岩屑元素含量的数据尺寸是1×10×1，根据以往的经验，首先会选择传统机器学习方法，例如支持向量机、最近邻算法、GBDT梯度下降树算法等。但由于数据过于简单，蕴含特征不明显，导致传统机器学习方法的准确率不高，因此通过一维卷积神经网络来进行岩屑岩性识别。由于模型输入的岩屑元素含量为单通道数据，所包含的特征过少，因此先通过通道扩充来增加特征，而后利用通道压缩进行特征融合，若通道扩增数目过多，会引入过多无用特征，但扩增数过少则不会引入重要特征。因此在经过实验后，选取五个一维卷积模块来作为backbone，在经过五个一维卷积模块对特征进行提取后，通过两个全连接层对所学到的特征继续进行学习，在此若全连接层过多会有过拟合风险；过少会导致学习不充分使得精度下滑，因此本发明经过实验选取两个全连接层进行学习，softmax层的含义在于不再唯一的确定某一个最大值，而是输出每个分类结果的概率值，本发明的模型以此作为岩屑识别模型的分类输出。
进一步的，通过将改进SE模块嵌入一维卷积神经网络中，大大缩短了样本识别时间，并提升了识别的准确率。
进一步的，降维系数的取值根据实际情况需要设置，其不宜过小，过小会导致计算量成倍增加，若降维系数过大，则会导致模型参数量变大；综合模型参数量和计算量，取降维系数为16，效果最优。
进一步的，在通道改变过程中，若一次扩增过多，则会引入大量无效特征，为了保证特征图的有效性，采取逐步扩增通道的方式，在特征融合过程中也同理。因此，本发明采用五个一维卷积模块均进行通道改变，通道改变过程为1→16→32→64→32→16。
进一步的，本模型通过引入卷积层和激活层，极大地增强了神经网络的学习能力，借助卷积层的学习能力和激活层的筛选能力。每个卷积层后的批量正则层可以加快训练速度和提高模型泛化能力，而激活层选用线性整流单元层函数，线性整流单元层函数可将小于0的神经元去掉，筛选出有效的特征，避免了梯度爆炸的问题。
进一步的，由于各类用于训练的样本数目不平衡，采用FocalLoss的话，α平衡了正负样本的重要性，它不会区别易分样本和难分样本，使得模型专注于训练难分负样本，可以解决样本数目不均衡的问。
可以理解的是，上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
综上所述，本发明不仅可以提高岩屑样本识别的准确率，而且可以快速迁移到其他类似的一维数据识别中去，具有很强的泛化性，为其他类似任务提供了一些启发。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
图1为本发明结合深度学习与XRF的岩屑识别方法流程图；
图2为本发明Conv-SE模块流程图；
图3为本发明结合深度学习与XRF的岩屑识别方法网络结构图；
图4为本发明结合深度学习与XRF的岩屑识别方法通道改变过程图；
图5为本发明一实施例提供的计算机设备的示意图。
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。
在本发明的描述中，需要理解的是，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
应当理解，尽管在本发明实施例中可能采用术语第一、第二、第三等来描述预设范围等，但这些预设范围不应限于这些术语。这些术语仅用来将预设范围彼此区分开。例如，在不脱离本发明实施例范围的情况下，第一预设范围也可以被称为第二预设范围，类似地，第二预设范围也可以被称为第一预设范围。
取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。类似地，取决于语境，短语“如果确定”或“如果检测(陈述的条件或事件)”可以被解释成为“当确定时”或“响应于确定”或“当检测(陈述的条件或事件)时”或“响应于检测(陈述的条件或事件)”。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明提供了一种结合深度学习与XRF的岩屑识别方法，重点研究了基于岩屑元素含量进行岩性识别的问题，针对传统机器学习方法的局限性，本章研究提出了一种结合深度学习与XRF的岩屑识别的新方法。该方法利用通道扩充增加原始数据的非线性特征，而后进行通道压缩进行特征融合，提取有利于岩性识别任务的特征。更重要的是，在通道改变的一维卷积模块之后创新性的嵌入改进SE模块，使得神经网络提取的特征指向性更强。经过实验验证，本算法显示出比其他提到的方法更好的精度。
请参阅图1，本发明一种结合深度学习与XRF的岩屑识别方法，包括以下步骤：
S1、对SE-Net(Squeeze-and-Excitation Networks)中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型M并训练；
请参阅图2，每个一维卷积模块包括一个一维卷积层、一个批量正则层和一个ReLU层，线性整流层输出与后续改进SE模块的输入相连。每个改进SE模块由一个自适应平均池化和两个一维卷积层相连，其中第一个一维卷积层后连接一个线性整流单元层，第二个一维卷积层后连接一个Sigmoid层。最终通过快捷连接将一维卷积模块的输出和Sigmoid层的输出进行一个加权，实现一维卷积模块在改变特征图通道后的特征重标定，从而通过自主学习的方式提升有用的特征并抑制对当前岩性识别任务用处不大的特征。
请参阅图3，利用五个一维卷积模块(Conv)搭建一维卷积神网络的backbone，每个一维卷积模块包含一个一维卷积层、一个批量正则层和一个ReLU层；其中中间三个一维卷积模块后各嵌入一个改进SE模块组建Conv-SE，每个改进SE模块由一个自适应平均池化层和两个一维卷积层相连，其中第一个一维卷积层后连接一个线性整流单元层，第二个一维卷积层后连接一个Sigmoid层；在第五个一维卷积模块后添加两个全连接层和Softmax层对预测出的各类岩屑岩性进行概率输出，从而构建成结合深度学习与XRF的岩屑识别模型M。
请参阅图4，五个一维卷积模块均进行通道改变，其通道改变过程为1→16→32→64→32→16，对于1×10×1的原始元素数据输入，先通过一个卷积核大小为3的一维卷积模块conv1进行通道扩充得到尺寸为1×8×16的特征图。此后串联的三个conv-SE单元中一维卷积的卷积核大小皆为2，conv-SE中改进SE模块中两个一维卷积层卷积核大小皆为1，降维系数为r＝16；经过三个conv-SE后，特征图由1×8×16变为1×5×32；然后通过一个卷积核大小为2的一维卷积模块conv5进行通道压缩为1×4×16，最后通过两个全连接层使得特征图大小先变为由1×1×64变成1×1×32用于后续分类概率运算。
具体的，每个改进SE模块中的两个一维卷积层分别起降维和升维作用，其降维系数为16。
将岩屑元素含量数据送入结合深度学习与XRF的岩屑识别模型M，进行模型训练；为解决不同样本数目差距过大，将loss函数修改为FocalLoss对有监督岩性识别模型M进行训练；FocalLoss公式如下：
Figure BDA0003662612110000081
其中，γ≥0为可调的focusing参数，α为平衡权重因子，p为预测出来的概率值。
S2、对录井采集的混杂岩屑样本进行X射线荧光光谱分析(XRF)，得到岩屑样本中的各种元素含量占比，然后输入步骤S1建立的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
本发明再一个实施例中，提供一种结合深度学习与XRF的岩屑识别系统，该系统能够用于实现上述结合深度学习与XRF的岩屑识别方法，具体的，该结合深度学习与XRF的岩屑识别系统包括模块、模块、模块、模块以及模块。
其中，网络模块，对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型M并训练；
识别模块，对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入网络模块训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
本发明再一个实施例中，提供了一种终端设备，该终端设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于结合深度学习与XRF的岩屑识别方法的操作，包括：
对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型M并训练；对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是终端设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括终端设备中的内置存储介质，当然也可以包括终端设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(Non-Volatile Memory)，例如至少一个磁盘存储器。
可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关结合深度学习与XRF的岩屑识别方法的相应步骤；计算机可读存储介质中的一条或一条以上指令由处理器加载并执行如下步骤：
对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型M并训练；对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
请参阅图5，该实施例的计算机设备60包括：处理器61、存储器62以及存储在存储器62中并可在处理器61上运行的计算机程序63，该计算机程序63被处理器61执行时实现实施例中的结合深度学习与XRF的岩屑识别方法，为避免重复，此处不一一赘述。或者，该计算机程序63被处理器61执行时实现实施例结合深度学习与XRF的岩屑识别系统中各模型/单元的功能，为避免重复，此处不一一赘述。
计算机设备60可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。计算机设备60可包括，但不仅限于，处理器61、存储器62。本领域技术人员可以理解，图5仅仅是计算机设备60的示例，并不构成对计算机设备60的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如计算机设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器61可以是中央处理单元(Central Processing Unit，CPU)，还可以是其它通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其它可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器62可以是计算机设备60的内部存储单元，例如计算机设备60的硬盘或内存。存储器62也可以是计算机设备60的外部存储设备，例如计算机设备60上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。
进一步地，存储器62还可以既包括计算机设备60的内部存储单元也包括外部存储设备。存储器62用于存储计算机程序以及计算机设备所需的其它程序和数据。存储器62还可以用于暂时地存储已经输出或者将要输出的数据。
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中的描述和所示的本发明实施例的组件可以通过各种不同的配置来布置和设计。因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
取七类岩屑共计2934组数据进行模型训练，取测试样本七类共计326组进行测试，并选取三种传统机器学习方法进行对比实验，具体实验结果如下：
Figure BDA0003662612110000111
Figure BDA0003662612110000121
从上表可以看出，本发明提出的综合准确率为91.35％。
综上所述，本发明一种结合深度学习与XRF的岩屑识别方法及系统，利用深度学习算法训练模型对岩屑元素含量数据进行识别，泛化性更好，能达到快速精准识别和节约成本的效果。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请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，本申请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。
本申请是参照根据本申请实施例的方法、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。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。

Claims (10)

1.一种结合深度学习与XRF的岩屑识别方法，其特征在于，包括以下步骤：
S1、对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型并训练，得到基于通道注意力的一维卷积神经网络岩性识别模型M；
S2、对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入步骤S1训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
2.根据权利要求1所述的结合深度学习与XRF的岩屑识别方法，其特征在于，步骤S1具体为：
利用五个一维卷积模块搭建一维卷积神网络的backbone，在中间的三个一维卷积模块后各嵌入一个改进SE模块组建Conv-SE，在第五个一维卷积模块后添加两个全连接层和Softmax层，用于对预测出的各类岩屑岩性进行概率输出，构建完成结合深度学习与XRF的岩屑识别模型M。
3.根据权利要求2所述的结合深度学习与XRF的岩屑识别方法，其特征在于，每个改进SE模块包括一个自适应平均池化层和两个一维卷积层，第一个一维卷积层后连接一个线性整流单元层，第二个一维卷积层后连接一个Sigmoid层。
4.根据权利要求3所述的结合深度学习与XRF的岩屑识别方法，其特征在于，两个一维卷积层的降维系数为16。
5.根据权利要求2所述的结合深度学习与XRF的岩屑识别方法，其特征在于，五个一维卷积模块均进行通道改变，通道改变过程为1→16→32→64→32→16。
6.根据权利要求2所述的结合深度学习与XRF的岩屑识别方法，其特征在于，每个一维卷积模块包含一个一维卷积层、一个批量正则层和一个ReLU层。
7.根据权利要求1所述的结合深度学习与XRF的岩屑识别方法，其特征在于，步骤S1中，采用FocalLoss损失函数对结合深度学习与XRF的岩屑识别模型M进行训练，FocalLoss损失函数具体为：
Figure FDA0003662612100000021
其中，γ为可调的focusing参数，α为平衡权重因子，p为预测的概率值。
8.一种结合深度学习与XRF的岩屑识别系统，其特征在于，包括：
网络模块，对SE-Net中的SE模块进行改进，并将改进SE模块嵌入一维卷积神经网络中，构建结合深度学习与XRF的岩屑识别模型并训练，得到基于通道注意力的一维卷积神经网络岩性识别模型M；
识别模块，对混杂岩屑样本进行X射线荧光光谱分析，得到岩屑样本中的各种元素含量占比，然后输入网络模块训练后的基于通道注意力的一维卷积神经网络岩性识别模型M中，得到岩性分类结果。
9.一种存储一个或多个程序的计算机可读存储介质，其特征在于，所述一个或多个程序包括指令，所述指令当由计算设备执行时，使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备，其特征在于，包括：
一个或多个处理器、存储器及一个或多个程序，其中一个或多个程序存储在所述存储器中并被配置为所述一个或多个处理器执行，所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
CN202210577117.0A 2022-05-25 2022-05-25 结合深度学习与xrf的岩屑识别方法、系统、介质及设备 Pending CN114972913A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210577117.0A CN114972913A (zh) 2022-05-25 2022-05-25 结合深度学习与xrf的岩屑识别方法、系统、介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210577117.0A CN114972913A (zh) 2022-05-25 2022-05-25 结合深度学习与xrf的岩屑识别方法、系统、介质及设备

Publications (1)

Publication Number Publication Date
CN114972913A true CN114972913A (zh) 2022-08-30

Family

ID=82956527

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210577117.0A Pending CN114972913A (zh) 2022-05-25 2022-05-25 结合深度学习与xrf的岩屑识别方法、系统、介质及设备

Country Status (1)

Country Link
CN (1) CN114972913A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937568A (zh) * 2022-09-29 2023-04-07 中国地质大学（北京） 一种玄武岩构造背景分类方法、系统、装置及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115937568A (zh) * 2022-09-29 2023-04-07 中国地质大学（北京） 一种玄武岩构造背景分类方法、系统、装置及存储介质
CN115937568B (zh) * 2022-09-29 2024-05-07 中国地质大学（北京） 一种玄武岩构造背景分类方法、系统、装置及存储介质

Similar Documents

Publication Publication Date Title
WO2018112900A1 (zh) 一种车牌识别方法及装置、用户设备
WO2019179403A1 (zh) 基于序列宽深学习的欺诈交易检测方法
CN112541532B (zh) 基于密集连接结构的目标检测方法
CN103632168A (zh) 一种机器学习中的分类器集成方法
CN103049733B (zh) 人脸检测方法和人脸检测设备
CN111191735B (zh) 基于数据差异和多尺度特征的卷积神经网络影像分类方法
CN108416775B (zh) 一种基于深度学习的矿石粒度检测方法
CN108520215B (zh) 基于多尺度联合特征编码器的单样本人脸识别方法
Liang et al. Comparison detector for cervical cell/clumps detection in the limited data scenario
CN111814889A (zh) 一种使用无锚框模块和增强分类器的单阶段目标检测方法
Zhang et al. An efficient lightweight convolutional neural network for industrial surface defect detection
CN112001253A (zh) 基于改进Fast R-CNN的煤尘颗粒图像识别方法
CN113592060A (zh) 一种神经网络优化方法以及装置
CN101187984A (zh) 一种图像检测方法及装置
Li et al. SLViT: Shuffle-convolution-based lightweight Vision transformer for effective diagnosis of sugarcane leaf diseases
CN114972913A (zh) 结合深度学习与xrf的岩屑识别方法、系统、介质及设备
CN114897802A (zh) 一种基于改进Faster RCNN算法的金属表面缺陷检测方法
CN112308825A (zh) 一种基于SqueezeNet的农作物叶片病害识别方法
CN117789038B (zh) 一种基于机器学习的数据处理与识别模型的训练方法
CN109558803B (zh) 基于卷积神经网络与np准则的sar目标鉴别方法
CN113496260B (zh) 基于改进YOLOv3算法的粮库人员不规范作业检测法
Rethik et al. Attention Based Mapping for Plants Leaf to Classify Diseases using Vision Transformer
Li et al. GADet: A Geometry-Aware X-ray Prohibited Items Detector
CN112084941A (zh) 一种基于遥感图像的目标检测与识别方法
CN117152823A (zh) 一种基于动态空洞卷积金字塔注意力的多任务年龄估计方法

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