[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

本申請提供了一種沉積巖類別自動識別方法，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。避免了人工經驗識別方法帶來的識別準確率不穩定的問題，同時避免傳統實驗室識別方法準確性有保障但花費高昂且周期較長的問題，也避免了現有技術中采用的VGG模型無法很好針對小數據集，特征提取效果不佳的問題。

技術領域

本申請涉及巖石識別技術領域，尤其是涉及一種沉積巖類別識別方法、裝置、電子設備和存儲介質。

背景技術

野外地質調查和鉆探是地質、礦產、水文地質和工程地質等專業的重要的工作，在這項工作中，沉積巖類別識別是工作的重中之重。在野外能夠快速準確地識別出沉積巖類別，是野外工作正常開展和推進的基石。

目前沉積巖類別識別主要依靠人工經驗識別和傳統實驗室識別。人工經驗識別是通過工作者的經驗對沉積巖類別做出判斷，受經驗差異、環境因素、主觀視覺等各種因素干擾，其識別準確率不穩定。傳統實驗室識別是將沉積巖樣本送樣至實驗室，實驗室人員對樣本進行切片觀察分析，準確性有保障但花費高昂且周期較長，解決現有技術中采用的VGG等模型無法很好針對小數據集，特征提取效果不佳，在進行沉積巖類別識別時，識別不準確的問題。

發明內容

有鑒于此，本申請的目的在于提供一種沉積巖類別識別方法、裝置、電子設備和存儲介質，運用了遷移學習以及各種圖像增強的方法，輸入沉積巖圖像后，網絡模型能對其進行自動分析，快捷準確地識別出沉積巖類別，實現了沉積巖類別的快速自動識別。

本申請實施例提供了一種沉積巖類別識別方法，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。

可選的，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。

可選的，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。

可選的，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；