一种沉积岩类别识别方法、装置、电子设备和存储介质制造方法及图纸

本申请提供了一种沉积岩类别自动识别方法，包括：获取待识别沉积岩的岩石图像，对所述岩石图像进行扩充处理，得到对应所述岩石图像的图像集；将所述图像集输入类别识别模型中的提取层得到所述图像集的特征信息；所述类别识别模型是通过对ResNet50模型进行改造并训练得到的；将所述特征信息输入所述类别识别模型中的自建卷积神经网络，得到各个类别岩石对应的分类得分值；根据各个类别岩石对应的分类得分值，确定所述沉积岩岩石的预测类别。避免了人工经验识别方法带来的识别准确率不稳定的问题，同时避免传统实验室识别方法准确性有保障但花费高昂且周期较长的问题，也避免了现有技术中采用的VGG模型无法很好针对小数据集，特征提取效果不佳的问题。特征提取效果不佳的问题。特征提取效果不佳的问题。

【技术实现步骤摘要】
一种沉积岩类别识别方法、装置、电子设备和存储介质


[0001]本申请涉及岩石识别
，尤其是涉及一种沉积岩类别识别方法、装置、电子设备和存储介质。

技术介绍

[0002]野外地质调查和钻探是地质、矿产、水文地质和工程地质等专业的重要的工作，在这项工作中，沉积岩类别识别是工作的重中之重。在野外能够快速准确地识别出沉积岩类别，是野外工作正常开展和推进的基石。
[0003]目前沉积岩类别识别主要依靠人工经验识别和传统实验室识别。人工经验识别是通过工作者的经验对沉积岩类别做出判断，受经验差异、环境因素、主观视觉等各种因素干扰，其识别准确率不稳定。传统实验室识别是将沉积岩样本送样至实验室，实验室人员对样本进行切片观察分析，准确性有保障但花费高昂且周期较长，解决现有技术中采用的VGG等模型无法很好针对小数据集，特征提取效果不佳，在进行沉积岩类别识别时，识别不准确的问题。

技术实现思路

[0004]有鉴于此，本申请的目的在于提供一种沉积岩类别识别方法、装置、电子设备和存储介质，运用了迁移学习以及各种图像增强的方法，输入沉积岩图像后本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种沉积岩类别的识别方法，其特征在于，所述方法包括：获取待识别沉积岩的岩石图像，对所述岩石图像进行扩充处理，得到对应所述岩石图像的图像集；将所述图像集输入类别识别模型中的提取层得到所述图像集的特征信息；所述类别识别模型是通过对ResNet50模型进行改造并训练得到的；将所述特征信息输入所述类别识别模型中的自建卷积神经网络，得到各个类别岩石对应的分类得分值；根据各个类别岩石对应的分类得分值，确定所述沉积岩岩石的预测类别。2.根据权利要求1所述的沉积岩类别识别方法，其特征在于，在所述获取待识别沉积岩的岩石图像的步骤之前，还包括：基于清晰度阈值对采样图像进行筛选处理，得到分辨率大于清晰度阈值的图像，其中，所述采样图像为通过采样设备获取到图像；识别分辨率大于清晰度阈值的图像的图片内容，基于所述图片内容和预设规则对分辨率大于清晰度阈值的图像进行二次筛选，确定用于模型训练的样本图像，其中，所述预设规则以使所述初始图像满足典型性要求。3.根据权利要求1所述的沉积岩类别识别方法，其特征在于，根据以下步骤构建预设类别识别模型：删除ResNet50模型中的全连接层，得到初始ResNet50模型；提取初始ResNet50模型的剩余层，得到ResNet50模型提取层；根据卷积神经网络模型的模型结构依次连接卷积神经网络结构的输入层、ResNet50模型提取层、卷积层、池化层和全连接层，得到所述预设类别识别模型。4.根据权利要求1所述的沉积岩类别识别方法，其特征在于，采用下述方法训练所述预设类别识别模型：将训练数据集导入所述预设类别识别模型，得到对应所述训练数据集的分类得分值；通过线性分类器将分类得分值转化为分类概率值，得到预测结果，其中，所述预测结果为对应所述训练数据集的类别；通过交叉熵损失函数评估所述预测结果，得到评估结果；基于所述评估结果采用迭代优化的方式根据Adam优化器优化梯度下降法修正参数，得到完成训练后的所述类别识别模型。5.根据权利要求4所述的沉积岩类别自动识别方法，其...

【专利技术属性】
技术研发人员：马雷，李科，马泽栋，姚伟，王培丁，王鑫宇，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：