一种基于人工智能的岩石岩性快速分类识别方法和装置制造方法及图纸

本发明专利技术公开了一种基于人工智能的岩石岩性快速分类识别方法和装置，包括：将原始岩石图像数据输入训练好的卷积神经网络Inception

【技术实现步骤摘要】
一种基于人工智能的岩石岩性快速分类识别方法和装置


[0001]本专利技术属于地球物理勘探
，具体涉及一种基于人工智能的岩石岩性快速分类识别方法和装置。

技术介绍

[0002]在进行地球物理勘探野外作业时常面临对岩石类别进行现场快速分类识别的需求，现场作业人员根据岩石物性分类分析结果，对工区施工提供参考意见。人工智能技术的快速发展为数据分类方面的数据处理提供了广阔的应用前景，而嵌入式电子技术的发展使得实时计算越来越突破空间的限制，两者结合使得在地球物理勘探野外作业现场进行岩石快速分类识别成为可能。
[0003]现有的岩石物性分类识别做法是对井中取出的岩心带回实验室进行检测，成本较高且周期较长，这种方式无法实现岩石在野外作业现场快速分类识别。

技术实现思路

[0004]为了解决现有技术中存在的技术问题，本专利技术提供一种基于人工智能的岩石岩性快速分类识别方法和装置，以实现对岩石在野外作业现场快速分类识别。
[0005]为实现上述目的，本专利技术提供了如下方案：
[0006]一种基于人工智能的岩石岩性快速分类识别方法，包括以下步骤：
[0007]步骤S1、将原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征；
[0008]步骤S2、根据所述岩石的属性分类特征选取与所述原始岩石图像数据对应的鉴定名称。
[0009]作为优选，所述将所述原始岩石图像数据输入训练好的卷积神经网络Inceptionr/>‑
v3模型，获得岩石的属性分类特征之前，还包括：
[0010]获取待处理岩石薄片图像数据；
[0011]对所述待处理岩石薄片图像数据进行预处理，获得原始岩石薄片图像数据。
[0012]作为优选，所述对所述待处理岩石图像数据进行预处理，获得原始岩石图像数据，包括：
[0013]通过差值算法对所述待处理岩石图像进行数据插值补全，获得补全后的岩石薄片图像数据；
[0014]对所述补全后的岩石图像数据进行去均值归一化，获得原始岩石薄片图像数据。
[0015]作为优选，步骤S1包括：
[0016]步骤11、将卷积神经网络Inception
‑
v3的卷积层、池化层全部提取出来，即采用Inception
‑
v3模型的参数值提取岩石图像特征；
[0017]步骤12、移除Inception
‑
v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。
[0018]作为优选，所述鉴定名称包括：晶粒属性，机械成因属性，混入物属性，碎屑属性和基本类别属性。
[0019]本专利技术还提供一种基于人工智能的岩石岩性快速分类识别装置，包括：
[0020]提取模块，用于将原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征；
[0021]分类模块，用于根据所述岩石的属性分类特征选取与所述原始岩石图像数据对应的鉴定名称。
[0022]作为优选，所述鉴定名称包括：晶粒属性，机械成因属性，混入物属性，碎屑属性和基本类别属性。
[0023]本专利技术还提供一种存储介质，所述存储介质上存储有岩石识别程序，所述岩石识别程序被处理器执行时实现岩石岩性快速分类识别方法的步骤。
[0024]本专利技术公开了以下有益效果：
[0025]本专利技术采用人工智能分类识别算法(卷积神经网络Inception
‑
v3模型)，能够实时对前端采集到的岩石物性参数进行数据处理，实时输出岩石分类识别结果。
附图说明
[0026]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0027]图1为本专利技术实施例提供的一种便携岩石岩性快速分类识别装置的方法流程示意图；
[0028]图2为本专利技术实施例提供的一种便携岩石岩性快速分类识别装置的装置结构示意图。
具体实施方式
[0029]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0030]如图1所示，本专利技术提供一种基于人工智能的岩石岩性快速分类识别方法，包括以下步骤：
[0031]步骤S1、将原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征；
[0032]步骤S2、根据所述岩石的属性分类特征选取与所述原始岩石图像数据对应的鉴定名称。
[0033]作为本实施例一种优选，步骤S1包括：
[0034]步骤11、将卷积神经网络Inception
‑
v3的卷积层、池化层全部提取出来，即采用Inception
‑
v3模型的参数值提取岩石图像特征；
[0035]步骤12、移除Inception
‑
v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。
[0036]作为本实施例一种优选，训练卷积神经网络Inception
‑
v3模型模型，具体包括：
[0037]步骤A：设置迭代步数为4000，学习率为0.01：
[0038]训练过程中每次随机选择100张图像进行训练，每张图像都会多次使用，并选择总数的10％的图像进行交叉验证，每迭代10次对训练过程进行评价；
[0039]步骤B：观察训练准确率、测试准确率和交叉熵值来估计训练结果，若测试准确率大于等于设定概率值、训练准确率大于等于测试准确率、交叉熵值低于设定值，则认为训练效果好，反之则认为训练效果差；若训练效果差，则重新设置迭代步数及学习率再重新进行训练，最终得到岩石图像自动识别与分类模型。其中，步骤B中所述的设定概率值一般情况下为70％，所述的设定值一般情况下为0.1，可根据用户实际情况自行定义。
[0040]本专利技术通过建立以深度学习模型为基础，利用卷积神经网络自动提取图像特征，从而达到对岩石图像自动识别的目的。本专利技术所提出的模型可自动识别图像中岩石特征，不需人为提取和消除噪声，减少了主观因素影响，训练过程更加自动化和智能化，对自动判断岩石岩性有重要意义。
[0041]进一步，所述将所述原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征之前，还包括：
[0042]获取待处理岩石薄片图像数据；
...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能的岩石岩性快速分类识别方法，其特征在于，包括以下步骤：步骤S1、将原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征；步骤S2、根据所述岩石的属性分类特征选取与所述原始岩石图像数据对应的鉴定名称。2.如权利要求1所述的基于人工智能的岩石岩性快速分类识别方法，其特征在于，所述将原始岩石图像数据输入训练好的卷积神经网络Inception
‑
v3模型，获得岩石的属性分类特征之前，还包括：获取待处理岩石薄片图像数据；对所述待处理岩石薄片图像数据进行预处理，获得原始岩石薄片图像数据。3.如权利要求2所述的基于人工智能的岩石岩性快速分类识别方法，其特征在于，所述对所述待处理岩石图像数据进行预处理，获得原始岩石图像数据，包括：通过差值算法对所述待处理岩石图像进行数据插值补全，获得补全后的岩石薄片图像数据；对所述补全后的岩石图像数据进行去均值归一化，获得原始岩石薄片图像数据。4.如权利要求1所述的基于人工智能的岩石岩性快速分类识别方法，其特征在于，步骤S1包括：步骤11、将卷积神经网络Inception
‑<...

【专利技术属性】
技术研发人员：王绪本，王向鹏，张翔，李小甲，杨锐，沈迪，杨钰菡，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：