CN115797767A - 一种基于深度残差网络的花岗岩矿物识别方法 - Google Patents

Abstract

本发明公开了一种基于深度残差网络的花岗岩矿物识别方法，本发明属于花岗岩非均质结构智能图像识别领域，包括：采集岩石样本；基于所述岩石样本获得岩石图像和矿物标签及矿物含量；基于所述矿物标签，对所述岩石图像进行分割，得到数据集，数据集包括训练数据集和验证数据集；基于深度残差网络，构建矿物识别模型，将所述训练数据集输入到所述矿物识别模型中进行训练，更新参数，得到训练模型；将所述验证数据集输入到训练模型，优化所述参数，得到高精度识别模型；基于所述高精度识别模型，识别待测岩石图像，获取矿物空间分布。本发明利用图像数据对花岗岩矿物进行精确识别，并刻画其空间结构，对非均质岩石的三维细观结构建立具有重要意义。

Description

一种基于深度残差网络的花岗岩矿物识别方法

技术领域

本发明属于花岗岩非均质结构智能图像识别领域，特别是涉及一种基于深度残差网络的花岗岩矿物识别方法。

背景技术

花岗岩是一种典型的天然非均质岩石，具有强度高，硬度大，耐久性好的特点，广泛运用于建筑行业，也被认为是核废料深地质储存、二氧化碳地质封存以及氢能地质储存的优选地质围岩。溶质在花岗岩中的反应运移模拟目前仍是研究者们面临的挑战之一。

溶质在非均质岩层的迁移机理与过程极为复杂，可能发生诸如对流、弥散等物理过程，也存在吸附等化学反应。准确的溶质反应运移模拟依赖于岩层非均质结构的准确刻画。岩石中不同的矿物相具有不同的物理化学性质，其复杂的空间分布会使岩石表现出明显的非均质性。因此，精确识别岩石的主要矿物组分，并对其空间分布进行刻画，获取较为可靠的地质解译信息，对于非均质岩石中溶质反应迁移的模拟预测尤为重要。为了提高岩石非均质结构刻画的准确性，利用岩石高清图像，使用深度学习方法对矿物进行识别是目前一种十分有效的方法。

发明内容

本发明的目的是提供一种基于深度残差网络的花岗岩矿物识别方法，以解决上述现有技术存在的问题。

为实现上述目的，本发明提供了一种基于深度残差网络的花岗岩矿物识别方法，包括以下步骤：

采集岩石样本，其中，所述岩石包括花岗岩；基于所述岩石样本获得岩石图像、矿物标签和矿物含量；

基于所述矿物标签，对所述岩石图像进行预分割，得到数据集，其中，所述数据集包括训练数据集和验证数据集；

基于深度残差网络构建矿物识别模型，将所述训练数据集输入到所述矿物识别模型中训练，更新参数，得到训练模型；将所述验证数据集输入到训练模型，优化所述参数，得到高精度识别模型；

基于所述高精度识别模型，识别待测岩石图像，得到矿物识别结果，基于所述矿物含量对所述矿物识别结果进行验证，得到矿物空间分布。

可选的，基于X射线衍射测试试验获得岩石组成矿物类别和所述矿物含量；基于所述岩石组成矿物类别获得所述矿物标签。

可选的，获取所述数据集的过程包括：

基于所述岩石图像，对所述岩石图像进行预分割得到矿物图像，每一张所述矿物图像只包括一种主矿物；

基于所述矿物标签，对所述矿物图像的主矿物标注，得到标注图像；

对所述标注图像进行图像处理，得到图像样本；

对所述图像样本进行数据增强，得到数据集。

可选的，对所述标注图像进行图像处理的过程包括：

所述标注图像设置统一尺寸，所述尺寸为224*224像素；

对所述标注图像进行灰度化处理，图像灰度化公式为：

Gray＝R*0.299+G*0.587+B*0.114

其中Gray表示灰度值，RGB分别表示红、绿、蓝的颜色值。

可选的，所述数据增强的手段包括：对所述图像样本进行水平及垂直镜像、随机旋转、灰度变换以及添加高斯噪声。

可选的，构建所述矿物识别模型的过程包括：以TensorFlow 1.14.0为框架搭建深度残差网络，其中，所述深度残差网络为ResNet50，基于所述ResNet50构建所述矿物识别模型。

可选的，将所述训练数据集输入到所述矿物识别模型中进行训练，采用动态学习率衰变策略，更新参数，得到所述训练模型；

基于所述训练模型，将所述验证数据集输入到所述训练模型，得到验证结果，基于所述验证结果，采用Adam算法进行参数优化，得到高精度矿物识别模型。

本发明的技术效果为：

本发明可以根据采集到的花岗岩矿物图像，对其主要矿物实现智能识别，减少花岗岩非均质结构的不确定性，从而提高非均质岩石细观结构的模拟精度。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例中的矿物识别方法流程图；

图2为本发明实施例中的矿物识别模型的网络结构示意图；

图3为本发明实施例中的残差块结构示意图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例一

本实施例中提供一种基于深度残差网络的花岗岩矿物识别方法，如图1所示，包括以下步骤：

步骤1：根据场地资料，采集需要的花岗岩样品；

步骤2：用高清相机获取花岗岩的高分辨率数字图像；

步骤3：基于采集到的花岗岩样品，进行X射线衍射测试，获取其主要组成矿物类别及含量数据；

步骤4：对步骤2获得的花岗岩图像进行预分割，使得每一张待识别矿物图像中只包含一种占据其主体的主要矿物；

步骤5：利用矿物的不同特征，对步骤4中获取的矿物图像进行人为标注；

步骤6：依据步骤5中标注后的图像样本，进行数据增强，将扩增后的数据集划分为训练集和验证集两个部分；

步骤7：基于深度残差网络，构建矿物识别模型；

步骤8：利用步骤6中获取的训练数据集，对步骤7中构建的矿物识别模型进行训练；

步骤9：利用步骤6中获取的验证数据集，对步骤8的训练结果进行验证，依据验证结果对模型参数进行优化调整；

步骤10：重复步骤8-9，直至达到可靠的验证准确度；

步骤11：基于训练后的模型，对待识别花岗岩图像进行识别；

步骤12：将矿物图像识别结果一一对应于图像的空间位置，获取矿物空间分布；

其中，步骤1仅需要采集一个花岗岩岩石样品；

步骤2中的花岗岩数字图像可根据精度需要和实际条件自主调节分辨率；

步骤3中的花岗岩X射线衍射测试得到的矿物类别用于确定数据集标签数，矿物含量数据用于模型识别结果的验证；

步骤4中对花岗岩数字图像进行预分割，使得每一张矿物图像仅包含一种占据其主体的矿物，将分割后的矿物图像按照空间位置逐一编号；

步骤4中所有的图像以统一尺寸进行处理，并将所有图像转化为可输入模型的格式和大小：224*224像素；

步骤5中根据实际采集到的矿物图像数量，选取部分图像进行标注作为训练样本，每一张矿物图像的标签唯一对应于其主体矿物；

步骤6中的数据增强手段包括对图像进行水平及垂直翻转、随机旋转、灰度变换以及添加高斯噪声等，进一步地，包括对图像进行旋转90°、180°、270°，以及左右、上下镜像翻转，以此手段实现数据集的扩充；

步骤6中数据集划分比例为训练集80％，验证集20％；

步骤7中的深度残差网络指ResNet50，如图2-3所示；

步骤8中矿物识别模型在训练过程中采用动态学习率衰变策略，当验证数据集上的准确度几乎不再改变时，减小学习率以提高模型训练效果；

步骤8中在训练矿物识别网络时，采用Adam算法对网络参数进行优化；

步骤7-9中矿物识别网络的搭建及训练均在Tensorflow框架下实现，通过编写程序，依据创建的训练数据集，以深度残差网络参数作为初始参数，自动地对矿物识别网络进行训练；

步骤6-12是通过编写python程序自动实现。

步骤12中矿物识别模型得出的矿物空间分布与目标花岗岩结构具有相似的地质统计特征(矿物相含量数据、各方向平均延伸长度等)。

实施例二

本实施例中提供一种基于深度残差网络的花岗岩矿物识别方法，本实施例以某地区典型花岗岩为实验对象，包括：

步骤1通过野外地质勘探，采集花岗岩样品，尺寸为16*12*3.5厘米；

步骤2中，将完整的花岗岩岩样切割成4*4*2厘米和4*4*1.5厘米的小块，得到新鲜切面，以获取更多岩石图像；

步骤3中通过X射线衍射试验，得到该花岗岩的主要组成矿物成分为黑云母(10.1％)、长石(68.7％)、石英(21.2％)；

步骤4中，根据肉眼观察，三种主要矿物的延伸长度均超过0.1厘米，将花岗岩图像分割为0.1*0.1厘米的尺寸作为待识别的矿物图像，对应图像尺寸为20*20像素；

步骤5中，随机选取不同岩样切面的矿物图像(5000张)作为数据集进行人为标注，每一张矿物图像唯一对应于其主体矿物；

步骤6中，通过图像水平、垂直翻转以及顺时针旋转90°、180°、270°进行数据增强后作为矿物识别模型的训练样本集(30000张)，其中随机抽取80％作为训练集，剩余20％作为验证集；

步骤7-10中使用了Python为编程语言，以TensorFlow 1.14.0为框架搭建网络，以ResNet50为基础，搭建矿物识别模型。算法使用Adam优化器。在验证数据集中对经过训练的ResNet50模型进行验证并筛选出最优超参数，学习率初始化为0.001，如果验证准确度几乎不变就自动减小学习率以提高模型训练效果，衰减系数为0.1，共训练250个轮次，每次迭代训练120张图像。实验结果表明，模型验证精度可达95％，与训练精度相当；

步骤11将未标记的待识别矿物图像输入到模型中，即可获得对应的矿物类别，随机抽取其中一个切面，根据模型识别结果进行地质统计，得到预测花岗岩矿物含量数据为黑云母9.8％，长石64.1％，石英26.1％。矿物智能识别结果与X射线衍射试验测试结果有很好的一致性。

由此可见，本专利提供的一种基于深度残差网络的花岗岩矿物识别方法可以利用图像数据对花岗岩矿物进行精确识别，并刻画其空间结构，对非均质岩石的三维细观结构建立具有重要意义，为溶质在花岗岩中反应运移的模拟打下理论基础。

以上所述，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (7)

1.一种基于深度残差网络的花岗岩矿物识别方法，其特征在于，包括以下步骤：

采集岩石样本，其中，所述岩石包括花岗岩；基于所述岩石样本获得岩石图像、矿物标签和矿物含量；

基于所述矿物标签，对所述岩石图像进行预分割，得到数据集，其中，所述数据集包括训练数据集和验证数据集；

基于深度残差网络构建矿物识别模型，将所述训练数据集输入到所述矿物识别模型中训练，更新参数，得到训练模型；将所述验证数据集输入到训练模型，优化所述参数，得到高精度识别模型；

基于所述高精度识别模型，识别待测岩石图像，得到矿物识别结果，基于所述矿物含量对所述矿物识别结果进行验证，得到矿物空间分布。

2.根据权利要求1所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，基于X射线衍射测试试验获得岩石组成矿物类别和所述矿物含量；基于所述岩石组成矿物类别获得所述矿物标签。

3.根据权利要求1所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，获取所述数据集的过程包括：

基于所述岩石图像，对所述岩石图像进行预分割得到矿物图像，每一张所述矿物图像只包括一种主矿物；

基于所述矿物标签，对所述矿物图像的主矿物标注，得到标注图像；

对所述标注图像进行图像处理，得到图像样本；

对所述图像样本进行数据增强，得到数据集。

4.根据权利要求3所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，对所述标注图像进行图像处理的过程包括：

所述标注图像设置统一尺寸，所述尺寸为224*224像素；

对所述标注图像进行灰度化处理，图像灰度化公式为：

Gray＝R*0.299+G*0.587+B*0.114

其中Gray表示灰度值，R、G、B分别表示红、绿、蓝的颜色值。

5.根据权利要求3所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，所述数据增强的手段包括：对所述图像样本进行水平及垂直镜像、随机旋转、灰度变换以及添加高斯噪声。

6.根据权利要求1所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，构建所述矿物识别模型的过程包括：以TensorFlow 1.14.0为框架搭建深度残差网络，其中，所述深度残差网络为ResNet50，基于所述ResNet50构建所述矿物识别模型。

7.根据权利要求1所述的基于深度残差网络的花岗岩矿物识别方法，其特征在于，将所述训练数据集输入到所述矿物识别模型中进行训练，采用动态学习率衰变策略，更新参数，得到所述训练模型；

基于所述训练模型，将所述验证数据集输入到所述训练模型，得到验证结果，基于所述验证结果，采用Adam算法进行参数优化，得到高精度矿物识别模型。

Images