[發明專利]一種沉積巖類別識別方法、裝置、電子設備和存儲介質

在審

• 申請號: 202111114982.3
• 申請日: 2021-09-23
• 公開（公告）號: CN113807449A
• 公開（公告）日: 2021-12-17
• 發明（設計）人: 馬雷;李科;馬澤棟;姚偉;王培丁;王鑫宇
• 申請（專利權）人: 合肥工業大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京超凡宏宇專利代理事務所(特殊普通合伙) 11463
• 代理人: 劉鳳

1.一種沉積巖類別的識別方法，其特征在于，所述方法包括：

獲取待識別沉積巖的巖石圖像，對所述巖石圖像進行擴充處理，得到對應所述巖石圖像的圖像集；

將所述圖像集輸入類別識別模型中的提取層得到所述圖像集的特征信息；所述類別識別模型是通過對ResNet50模型進行改造并訓練得到的；

將所述特征信息輸入所述類別識別模型中的自建卷積神經網絡，得到各個類別巖石對應的分類得分值；

根據各個類別巖石對應的分類得分值，確定所述沉積巖巖石的預測類別。

2.根據權利要求1所述的沉積巖類別識別方法，其特征在于，在所述獲取待識別沉積巖的巖石圖像的步驟之前，還包括：

基于清晰度閾值對采樣圖像進行篩選處理，得到分辨率大于清晰度閾值的圖像，其中，所述采樣圖像為通過采樣設備獲取到圖像；

識別分辨率大于清晰度閾值的圖像的圖片內容，基于所述圖片內容和預設規則對分辨率大于清晰度閾值的圖像進行二次篩選，確定用于模型訓練的樣本圖像，其中，所述預設規則以使所述初始圖像滿足典型性要求。

3.根據權利要求1所述的沉積巖類別識別方法，其特征在于，根據以下步驟構建預設類別識別模型：

刪除ResNet50模型中的全連接層，得到初始ResNet50模型；

提取初始ResNet50模型的剩余層，得到ResNet50模型提取層；

根據卷積神經網絡模型的模型結構依次連接卷積神經網絡結構的輸入層、ResNet50模型提取層、卷積層、池化層和全連接層，得到所述預設類別識別模型。

4.根據權利要求1所述的沉積巖類別識別方法，其特征在于，采用下述方法訓練所述預設類別識別模型：

將訓練數據集導入所述預設類別識別模型，得到對應所述訓練數據集的分類得分值；

通過線性分類器將分類得分值轉化為分類概率值，得到預測結果，其中，所述預測結果為對應所述訓練數據集的類別；

通過交叉熵損失函數評估所述預測結果，得到評估結果；

基于所述評估結果采用迭代優化的方式根據Adam優化器優化梯度下降法修正參數，得到完成訓練后的所述類別識別模型。

5.根據權利要求4所述的沉積巖類別自動識別方法，其特征在于，所述基于所述評估結果采用迭代優化的方式根據Adam優化器優化梯度下降法修正參數的步驟，包括：

基于修正后的類別識別模型獲取評估結果；

基于所述評估結果計算修正后的類別識別模型的準確度；

若所述準確度小于準確度閾值，則繼續對修正后的類別識別模型進行訓練；

若所述準確度大于等于準確度閾值，或達到最大迭代次數，則將所述修正后的類別識別模型作為完成訓練的類別識別模型。

6.一種沉積巖類別識別裝置，其特征在于，包括：

圖像處理模塊，用于獲取待識別沉積巖的巖石圖像，對所述巖石圖像進行擴充處理，得到對應所述巖石圖像的圖像集；

特征提取模塊，用于將所述圖像集輸入類別識別模型中的提取層得到所述圖像集的特征信息，所述類別識別模型是通過對ResNet50模型進行改造并訓練得到的；

計算模塊，用于將所述特征信息輸入所述類別識別模型中的所述自建卷積神經網絡，得到各個類別巖石對應的分類得分值；

預測模塊，用于根據各個類別巖石對應的分類得分值，確定所述沉積巖巖石的預測類別。

7.根據權利要求6所述的一種沉積巖類別識別裝置，其特征在于，還包括：

篩選模塊，用于基于清晰度閾值對采樣圖像進行篩選處理，得到分辨率大于清晰度閾值的圖像，其中，所述采樣圖像為通過采樣設備獲取到圖像。

8.根據權利要求7所述的一種沉積巖類別識別裝置，其特征在于，所述篩選模塊，還用于識別分辨率大于清晰度閾值的圖像的圖片內容，基于所述圖片內容和預設規則對分辨率大于清晰度閾值的圖像進行二次篩選，確定用于模型訓練的樣本圖像，其中，所述預設規則以使所述初始圖像滿足典型性要求。