基于TransUNet的岩石薄片图像粒度识别方法、电子设备及存储介质技术

本公开涉及一种基于TransUNet的岩石薄片图像粒度识别方法、电子设备及存储介质，所述方法包括：采集岩心薄片图像、数据预处理、特征提取、特征映射、全局上下文建模、逐像素分类、计算损失、迭代训练以及重复执行直到损失函数停止降低时停止训练，得到岩石薄片图像粒度识别transUnet训练模型；利用得到的岩石薄片图像粒度识别transUnet训练模型对DataB数据集中图像进行粒度识别，得到粒度识别后的岩石薄片颗粒表征图像；所述全局上下文建模包括在TransUNet解码器中，进行全局上下文建模，生成增强特征图S3，使用基于Transformer的结构对经由特征映射后获得的特征图S2进行处理，以捕捉特征图S2中岩石薄片图像的全局长距离依赖关系，所述处理包括通过自注意力机制、多头自注意力、层归一化、残差连接以及前馈神经网络对特征图S2中的岩石薄片图像进行处理和分割；本公开实施例能够实现精确的特征提取和全局上下文建模，提高岩石薄片粒度识别的准确性。提高岩石薄片粒度识别的准确性。提高岩石薄片粒度识别的准确性。

【技术实现步骤摘要】
基于TransUNet的岩石薄片图像粒度识别方法、电子设备及存储介质


[0001]本公开涉及基础地质研究领域，具体而言，涉及一种对岩石薄片图像粒度进行识别的方法，适用于处理具有复杂粒度的岩石薄片图像。

技术介绍

[0002]岩石薄片分析是岩石结构和组分等地质学研究的最重要手段之一。通过岩石薄片粒度分析，可以直观的表征岩石学特征，为沉积体系和沉积环境研究提供技术支持。然而，传统的人工岩石薄片粒度识别方法在识别效率、可重复性和准确性方面存在一定的局限性。
[0003]针对这个关键问题，多位学者采用深度学习网络对岩心图像进行粒度分割研究，采用了UNet、ResUNet等方法。
[0004]如公开号为CN114387328A的中国专利文献公开了一种基于深度学习模型和钻孔岩心图像的RQD计算方法，包括：建立钻孔岩心图像数据集；提取钻孔岩心图像数据集的图像特征，将图像特征输入到UNet深度网络中进行训练，得到EUNet模型；利用EUNet分割模型对钻孔岩心图像进行语义分割，得到岩心区域、背景区域，找出单排钻孔岩心图像；提取单排钻孔岩心图像中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于TransUNet的岩石薄片图像粒度识别方法，第一步为，采集岩心薄片图像，得到显示岩石颗粒和孔隙的微观岩石薄片图像；其特征在于，所述方法还包括：第二步，数据预处理；包括从所述微观岩石薄片图像上截取N张(N>150)256*256大小不同位置的图像，将这些图像分为两类数据集，分别是DataA和DataB数据集；DataA数据集用于训练TransUNet图像分割模型；DataB数据集用于模型识别结果验证以及输出图像粒度识别结果；所述DataA和DataB数据集均包括原始图像与标签图像；第三步，特征提取；包括将卷积神经网络ResNet50作为TransUNet的编码器，将经由第二步得到的DataA数据集输入到ResNet50编码器中形成原始岩石薄片图像空间，将所述原始岩石薄片图像空间转换为特征图S1，所述特征图S1包含多个通道，每个通道捕捉到输入图像中的至少一个不同特征，所述ResNet50编码器的输出表示为一个形状为(H,W,C)的三维张量，其中H是特征图S1的高度，W是特征图S1的宽度，C是特征图S1的通道数；第四步，特征映射；包括在TransUNet中，将特征图S1展平、添加位置编码并进行线性投影，将特征映射到Transformer所需的序列形式,得到Transformer序列形式的特征图S2；第五步，全局上下文建模；包括在TransUNet解码器中，进行全局上下文建模，生成增强特征图S3；使用基于Transformer的结构对经由第四步获得的特征图S2进行处理，以捕捉特征图S2中岩石薄片图像的全局长距离依赖关系；所述处理包括通过自注意力机制、多头自注意力、层归一化、残差连接以及前馈神经网络对特征图S2中的岩石薄片图像进行处理和分割；第六步，逐像素分类；包括将经由第五步生成的增强特征图S3经过逆线性投影、移除位置编码、重塑操作、上采样和融合以及卷积层操作后得到像素级别输出特征图S4映射回所述原始岩石薄片图像空间得到像素矩阵，对所述像素矩阵中的每个像素进行逐像素分类，得到粒度类别概率图像S5；第七步，计算损失；利用损失函数计算经由第六步输出的粒度类别概率图像S5与DataA数据集中标签图像之间的损失；所述损失函数如公式(1)和(2)所示：公式(1)交叉熵损失：CE(p,q)＝
‑
Σ[y*log(y_hat)+(1
‑
y)*log(1
‑
y_hat)]；其中，y是真实标签(0或1)，y_hat是模型预测的概率值；公式(2)Dice损失：Dice_Loss＝1
‑
Dice_Coefficient；其中，Dice_Coefficient＝(2*|预测区域∩真实区域|)/(|预测区域|+|真实区域|)；所述损失函数的目标是衡量模型输出与真实标签之间的差异；第八步，迭代训练；重复执行第三步到第七步，直到所述损失函数停止降低时停止训练，得到岩石薄片图像粒度识别transUnet训练模型；第九步，利用经第八步得到的岩石薄片图像粒度识别transUnet训练模型对DataB数据集中图像进行粒度识别，得到粒度识别后的岩石薄片颗粒表征图像。2.根据权利要求1所述的一种基于TransUNet的岩石薄片图像粒度识别方法，其特征在于：在所述第二步中，将DataA数据集进行数据增广，所述数据增广方式包括优选图像随机旋转和随机翻转，以实现增强训练模型的泛化能力。
3.根据权利要求2所述的一种基于TransUNet的岩石薄片图像粒度识别方法，其特征在于：在所述第五步中，自注意力机制和多头自注意力的处理顺序位于层归一化和残差连接之前；所述自注意力机制用于计算特征图S2中的每个元素与其他元素之间的关联权重来捕捉长距离依赖关系；所述多头自注意力用...

【专利技术属性】
技术研发人员：许承武，王金焕，张金友，秦绪东，李跃，徐坚，孙文颖，付晓飞，赵玲，孙先达，李婷婷，
申请(专利权)人：东北石油大学，
类型：发明
国别省市：