一种基于卷积神经网络的显微镜下岩性识别方法技术

本发明专利技术涉及对岩石岩性的分类识别，具体涉及一种基于卷积神经网络的显微镜下岩性识别方法，包括：获取数个待识别的岩石薄片显微图像作为样本集；将上述样本集输入训练完毕的卷积神经网络，输出上述样本集的分类信息；其中，采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集，该岩石薄片显微图像集组成上述样本集。本方法利用计算机通过学习自动获得图像的特征描述并自动分类，对于人力成本和学习成本有着显著的降低，对于岩性鉴别速度有着较大的提升，通过本方法高效性和便利性提升油气勘探开发效益，降低开发成本的优势。

【技术实现步骤摘要】
一种基于卷积神经网络的显微镜下岩性识别方法
本专利技术涉及对岩石岩性的分类识别，具体涉及一种基于卷积神经网络的显微镜下岩性识别方法。
技术介绍
在地质工作中对岩性的识别首先是用肉眼和放大镜进行初步鉴定。但是肉眼鉴定结果往往不够精确，因此需要将岩石样本带回实验室磨成岩石薄片在偏光显微镜下进行观察描述。以确定其矿物的成分及其相对含量，结构的组成等各种镜下光学形态来综合判断岩性。对于任何一个地质工作者镜下鉴定的技术是一切工作的基础，但是人工鉴定镜下岩石薄片对于鉴定人员前期需要储存大量的矿物知识，而且镜下鉴定的工作量大，人力物力成本高，再加上每个人认知的差距，导致鉴定结果往往有一定的差距。
技术实现思路
本专利技术的目的在于提供一种更加高效的岩性识别方法。为了实现上述目的，本申请采用的技术方案是一种基于卷积神经网络的显微镜下岩性识别方法，包括：获取数个待识别的岩石薄片显微图像作为样本集；将上述样本集输入训练完毕的卷积神经网络，输出上述样本集的分类信息；其中，采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集，该岩石薄片显微图像集组成上述样本集。本方法利用计算机通过学习自动获得图像的特征描述并自动分类，对于人力成本和学习成本有着显著的降低，对于岩性鉴别速度有着较大的提升，通过本方法高效性和便利性提升油气勘探开发效益，降低开发成本的优势。进一步地是，上述分类信息包括得到的与上述样本集对应的多个不同岩石类别下的岩石类别分数结果，取多个岩石类别分数结果中的其中一个为上述待识别的岩石薄片显微图像的分类结果。进一步地是，对于同时采用正交偏振光、单偏振光的岩石薄片显微图像，获取分类结果包括以下操作：将正交偏振光的图像和单偏振光的图像分别使用上述卷积神经网络处理，得到上述样本集对应的多个正交偏振光图像的岩石类别分数信息和上述样本集对应的多个单偏振光图像的岩石类别分数信息；对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理，得到上述样本集对应的该岩石类别下的岩石类别分数结果。进一步地是，上述训练完毕的卷积神经网络输出的分类信息为：与岩石类别相关的权重数值；对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理为：求得同一岩石类别中多个正交偏振光图像的岩石类别权重数值和多个单偏振光图像的岩石类别权重数值中的平均值，该平均值为上述该岩石类别下的岩石类别分数结果。进一步地是，上述的卷积神经网络以图片库中带有标注的图片进行第一次训练得到预训练模型；进一步地是，上述预训练模型根据需要分类的岩石类型，采集对应的多个类别的岩石薄片显微图像，并将该多个岩石薄片显微图像根据岩石类型、正交偏振光、单偏振光的不同进行分类，根据分类的不同，进行类别标注以进行第二次训练，得到所述训练完毕的卷积神经网络。在进行第二次训练时，将上述样本集根据岩石类别与显微镜下光源类别进行标注。这的有标注的图片即各类别的带有岩石名称的图像，在输入上述卷积神经网络时对应的标签为设置的数字，如有N个类别，标签可以为0-(N-1)的数字与岩石名称对应。使用过程中，当岩石名称、类别、分类方式出现变化时，按需要给与获取的图像进行数字标签化，即使用时，可先根据不同的图像分类方式、名称命名方式自定义标签，这样以对应因岩石类别名称，分类方式的不同进行调整，即调整后对卷积神经网络训练一次，完成调整。进一步地是，上述图片库包含ImageNet图片库。ImageNet是一个计算机视觉系统识别项目名称，是目前世界上图像识别最大的数据库。Imagenet数据集有1400多万幅图片，涵盖2万多个类别；其中有超过百万的图片有明确的类别标注和图像中物体位置的标注。进一步地是，上述卷积神经网络采用残差神经网络架构。进一步地是，上述残差神经网络架构后连接softmax层。进一步地是，上述残差神经网络架构为残差神经网络-18架构。上述残差神经网络-18架构包括17个为卷积层和1个为全连接层，每个卷积层后都连接归一化层和以ReLU为激活函数的激活层。进一步地是，上述卷积神经网络的训练采用梯度下降算法。下面结合附图和具体实施方式对本专利技术做进一步的说明。本专利技术附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显。或通过本专利技术的实践了解到。附图说明构成本专利技术的一部分的附图用来辅助对本专利技术的理解，附图中所提供的内容及其在本专利技术中有关的说明可用于解释本专利技术，但不构成对本专利技术的不当限定。在附图中：图1为实施方式中采用的ResNet-18的架构示意图；图2为一个基本模块的结构和ReLU函数及其示意图；图3为实施方式中八个分类的训练集图片；图4为实施方式中训练集、测试集识别正确率和训练交叉熵变化示意图；图5为实施方式中变质岩测试集错误图像；图6为实施方式中火山岩测试集错误图像；图7为实施方式中碎屑岩测试集错误图像；图8为实施方式中碳酸盐测试集错误图像；图9为实施方式中从样本集获得分类结果的流程示意图；图10为实施方式中当同时采用正交偏振光、单偏振光的得到的样本集获得分类结果的流程示意图。具体实施方式下面结合附图对本专利技术进行清楚、完整的说明。本领域普通技术人员在基于这些说明的情况下将能够实现本专利技术。在结合附图对本专利技术进行说明前，需要特别指出的是：本专利技术中在包括下述说明在内的各部分中所提供的技术方案和技术特征，在不冲突的情况下，这些技术方案和技术特征可以相互组合。此外，下述说明中涉及到的本专利技术的实施例通常仅是本专利技术一分部的实施例，而不是全部的实施例。因此，基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应当属于本专利技术保护的范围。关于本专利技术中术语和单位。本专利技术的说明书和权利要求书及有关的部分中的术语“包括”以及它的任何变形，意图在于覆盖不排他的包含。一种基于卷积神经网络的油气勘探岩性识别方法，包括：获取数个待识别的岩石薄片显微图像作为样本集；将上述样本集输入训练完毕的卷积神经网络，输出上述样本集的分类信息；其中，采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集，该岩石薄片显微图像集组成上述样本集。本方法利用计算机通过学习自动获得图像的特征描述并自动分类，对于人力成本和学习成本有着显著的降低，对于岩性鉴别速度有着较大的提升，通过本方法高效性和便利性提升油气勘探开发效益，降低开发成本的优势。上述分类信息包括得到的与上述样本集对应的多个不同岩石类别下的岩石类别分数结果，取多个岩石类别分数结果中的其中一个为上述待识别的岩石薄片显微图像的分类结果。参照图9，例如得到8分数结果，每个分数结果对应某类别岩石，从中选择分数最高者为待识别的岩石薄片显微图像本文档来自技高网...

【技术保护点】
1.一种基于卷积神经网络的显微镜下岩性识别方法，其特征在于，包括：/n获取数个待识别的岩石薄片显微图像作为样本集；将所述样本集输入训练完毕的卷积神经网络，输出所述样本集的分类信息；/n其中，采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集，该岩石薄片显微图像集组成所述样本集。/n

【技术特征摘要】
1.一种基于卷积神经网络的显微镜下岩性识别方法，其特征在于，包括：
获取数个待识别的岩石薄片显微图像作为样本集；将所述样本集输入训练完毕的卷积神经网络，输出所述样本集的分类信息；
其中，采用正交偏振光或单偏振光或两者均采用的方式得到岩石薄片显微图像集，该岩石薄片显微图像集组成所述样本集。


2.如权利要求1所述的一种基于卷积神经网络的显微镜下岩性识别方法，其特征在于，所述分类信息包括得到的与所述样本集对应的多个不同岩石类别下的岩石类别分数结果，取多个岩石类别分数结果中的其中一个为所述待识别的岩石薄片显微图像的分类结果。


3.如权利要求2所述的一种基于卷积神经网络的显微镜下岩性识别方法，其特征在于，对于同时采用正交偏振光、单偏振光的岩石薄片显微图像，获取分类结果包括以下操作：
将正交偏振光的图像和单偏振光的图像分别使用所述卷积神经网络处理，得到所述样本集对应的多个正交偏振光图像的岩石类别分数信息和所述样本集对应的多个单偏振光图像的岩石类别分数信息；
对同一岩石类别中多个正交偏振光图像的岩石类别分数信息和多个单偏振光图像的岩石类别分数信息进行处理，得到所述样本集对应的该岩石类别下的岩石类别分数结果。


4.如权利要求3所述的一种基于卷积神经网络的显微镜下岩性识别方法，其特征在于，所述训练完毕的卷积神经网络输出的分类信息为：与岩石类别相关的权重数值；
对同一岩石类别中多个正交偏振光图像...

【专利技术属性】
技术研发人员：徐宇轩，汪浩洋，张宇杰，
申请(专利权)人：徐宇轩，
类型：发明
国别省市：四川;51