[發明專利]一種巖石識別深度學習模型巖石分類約束繼承性損失方法

在審

• 申請號: 202010029404.9
• 申請日: 2020-01-15
• 公開（公告）號: CN111191741A
• 公開（公告）日: 2020-05-22
• 發明（設計）人: 李超嶺;孫鈺;劉園園;李豐丹;韓雪;劉暢;于杲彤;袁明帥;呂霞;劉璇昕
• 申請（專利權）人: 中國地質調查局發展研究中心
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請公開了一種巖石識別深度學習模型巖石分類約束繼承性損失方法，包括：根據巖石樣本的多級標簽構建巖石樣本數據集D，構建深度神經網絡，將待訓練巖石樣本圖像輸入深度神經網絡，網絡輸出針對分類樹各層級的最后一級標簽預測；計算分類樹各層級的預測概率P_i；將所述分類樹各層級的預測概率P_i分別對照對應的層級標簽進行逐級計算，獲得各層級交叉熵損失；將各層級交叉熵損失相加，得到輸入的巖石樣本圖像的巖石分類約束繼承性損失；對所述巖石分類約束繼承性損失進行判斷是否滿足收斂條件。本發明的優點是：實現簡單，充分利用巖石分類樹中包含的層間從屬關系和類間異同信息，優化巖石識別模型的精度。

技術領域

本發明涉及一種巖石識別深度學習模型巖石分類約束繼承性損失方法。

背景技術

在地質行業中，區域地質調查是地質工作的先行步驟，又是地質工作的基礎工作。它是指在選定地區的范圍內或按照不同比例尺精度(如：1∶50000、1∶200000、1∶250000等)，在充分研究和運用已有資料的基礎上，采用必要的手段，進行全面系統的綜合性的野外實地地質調查研究工作。其主要任務是，通過地質填圖、找礦和綜合研究，闡明區域內的巖石、地層、構造、地貌、水文地質等基本地質特征及其相互關系，研究礦產的形成條件和分布規律。為進一步的地質找礦工作提供基礎地質資料。要實現上述目標，最基本最主要的工作方法是野外實地勘查和觀測研究，而巖石學礦物學是地質學最基礎的知識，一到野外首先遇到的就是礦物巖石。因此，認識巖石是每一個地質工作者最基本的專業能力。目前，據大多專業地質人員提供經驗數據表明，一個專業人員在野外正確識別標本的能力，準確率達60-80％算是較高至高的水平了。因此，在野外準確的識別巖石和定名，不僅是對專業人員最大的挑戰，也是體現一個專業人員水平的尺子。因此隨著人工智能的興起，，如何把高專業人員識別巖石的能力轉成人工智能模型，讓專業人員、地學愛好者或者一般非專業人員也能準確的識別基本巖石成了地質行業最基本技能服務的最大的需求了。

目前的現有技術存在以下問題：第一，現有所涉及的巖石識別模型建模，均在項目級別或實驗室內，因而都是小樣本的方法試驗，多數文章的樣本均在千張數量級上，分類的數據也在都限于3-6類，屬于初級學習階段的產物，對于這么小的樣本和分類數目不會涉及也不需要涉及巖石分類知識加入模型計算的問題。第二，在野外實際應用中，有關國標關于的三大巖類的分類和命名的一般規則在基本名稱上給出了比較細的分類規定，但在附加修飾詞上只能給出原則性的規定，這也是因為地球上巖石的復雜性和多樣性所決定的，因此要給出完全標準化的分類命名也就非常困難。第三，目前，大多數基于深度學習的巖石識別算法，僅受限與一般的分類任務用的都是交叉熵損失特點，針對分類體系的單一層級標簽進行預測，忽略了巖石分類樹中蘊含的豐富層級信息，同時目前采用的類通常分類粒度偏大(如花崗巖、角礫巖、砂巖等)，分類種類偏少，難以滿足實際需求。雖然單一層級標簽預測也可能給出較高的模型精度，但由于巖石的復雜性和多樣性，模型很難突破泛化能力，一旦模型跳出訓練樣本本身的范圍，就失去了相應的識別能力，這就是人們通常稱為只有3歲孩子的認知能力。第四，傳統的交叉熵損失計算僅支持單一層級標簽，無法充分利用多級標簽之間的分類信息，對模型的優化具有局限性，不足以滿足類間僅有細微差距的細粒度圖像分類任務。

發明內容

本發明的目的在于克服上述不足，提供一種巖石識別深度學習模型巖石分類約束繼承性損失方法，充分利用巖石分類樹中包含的層間從屬關系和類間異同信息，解決優化巖石識別模型的精度的問題。

為了實現上述目的，本發明采用的技術本發明為：一種巖石識別深度學習模型巖石分類約束繼承性損失方法，其特征在于，包括：

第一步，根據巖石樣本的多級標簽構建巖石樣本數據集D，巖石樣本數據集D的各層級標簽所構成的分類樹共計n級，第i(1≤i≤n)級的標簽數量記作N_i；

第二步，構建深度神經網絡，將待訓練巖石樣本圖像輸入深度神經網絡，網絡輸出針對分類樹各層級的最后一級標簽預測；