一种脆性矿物颗粒鉴定方法技术

本发明专利技术公开了一种脆性矿物颗粒鉴定方法，属于岩石薄片鉴定技术领域。包括：一、实验材料阶段的数据采集、数据标注、数据增强；二、建立矿物颗粒实例分割模型，包括以主干网络为VGG16或ResNet

【技术实现步骤摘要】
一种脆性矿物颗粒鉴定方法


[0001]本专利技术涉及岩石薄片鉴定
，尤其是涉及一种脆性矿物颗粒鉴定方法。

技术介绍

[0002]薄片鉴定在地质、地矿等众多领域中发挥着重要作用，对于石油地质部门，薄片鉴定发挥着关键作用，影响着油田开发部门的决策；传统的薄片鉴定方法要求研究人员在光学显微镜下，通过矿物不同的光学性质，对不同矿物进行识别与统计，依靠人工进行显微镜下岩石薄片的鉴定与分析工作；传统的方法一方面受制于专家效率和经验，另一方面针对大规模样品的研究工作，不同人员的研究成果往往缺乏统一标准而难以进行横向对比及综合使用，增加了人力物力。
[0003]语义分割是计算机视觉领域重要研究方向，将整个图像分成众多像素组，并对其从像素级别对图像中的各个事物进行标记并分类。语义分割可以确定检测对象的类型归属，确定检测对象的位置，并把每个检测对象的轮廓在背景中标记出来，最终将所有对象进行分类，将同一类别的对象赋予同一颜色。深度学习(Deep Learning)是一类能自动从数据集中学习特征表示的机器学习方法，这极大的提升了语义分割在实际运用中的表现；语义分割广泛于自动驾驶、人机交互、行人检测、人脸识别等领域；深度学习在岩石薄片图像矿物自动识别中显示了巨大的潜力和优势，但仍面临诸多挑战。
[0004]岩石图像具有与常规图像不同的特征，这也使得常用的方法无法直接迁移至岩石图像中应用，其主要差异性表现为与其他图像分割问题不同，岩石图像中主要为前景信息，几乎不具有背景信息，会出现大量的分割目标，其次岩石的不同组分相似度较高，尺度差异也较大，对于分类模型的要求更高，最后目前主流的图像分割方法，需要大量的带标注的数据集，在岩石图像分割识别的实际应用中费时费力，为之后的研究与应用带来很大的困难。

技术实现思路

[0005]本专利技术的目的是提供一种脆性矿物颗粒鉴定方法，克服了传统方法的缺点，实现了岩石薄片中颗粒的自动分割和检测统计，提高了岩石薄片的鉴定精度，减少了鉴定成本，同时利用图像处理技术辅助完成薄片鉴定这一方向，具有重要的研究意义。
[0006]为实现上述目的，本专利技术采用了如下技术方案：
[0007]一种脆性矿物颗粒鉴定方法，包括以下步骤：
[0008]S1、数据采集：选择岩石造岩矿物中石英含量最高、长石与火成岩碎屑其次，地层普遍存在压实、压溶、溶解、交代、胶结作用的地区，采集多张清晰完整的岩石薄片图像；
[0009]S2、数据标注：采用有监督学习算法为算法模型，对采集的原始图片进行人工标注，学习样本特征，通过标注软件LableMe对每张图像中的长石与石英两种脆性矿物进行分割标注；
[0010]S3、数据增强：采用随机增加颜色、随机旋转、随机噪声对原始标注图像进行扩充；
[0011]S4、建立矿物颗粒实例分割模型；
[0012]S5、配置实验环境，采用随机梯度下降优化算法优化卷积神经网络模型，将学习率的初始值设置为0.01，学习率的下降方式设置为cos类型，num_work根据显存设置为4；
[0013]S6、设置评价指标，以均交并比作为网络衡量模型效果的主要评价指标，同时评估训练模型在验证集和测试集上的准确度、精确度、召回率、F1分数四个参数来综合评价模型性能；
[0014]S6、实验对比，通过在测试集上对比U
‑
Net下以VGG16、ResNet50为主干网络的模型和DeepLabV3+下以MobileNetV2、Xception为主干网络模型的结果，评估不同主干网络模型的优劣。
[0015]优选的，步骤S4中，矿物颗粒实例分割模型包括以主干网络为VGG16或具有残差结构的ResNet
‑
50的U
‑
Net模型和以主干网络为MobileNetV2或Xception的DeepLabV3+模型，U
‑
Net模型包括提取主干特征的左半部分、提取加强特征的右半部分和预测部分，DeepLabV3+模型包括下采样块、上采样块、ASPP和加强特征提取结构
[0016]优选的，步骤S4中，U
‑
Net模型的左半部分获得多个特征层，通过卷积和最大池化的堆叠，得到五个初步有效特征层，由两个3x3的卷积层+2x2的max polling层反复组成，每经过一次下采样，通道数翻倍。
[0017]优选的，步骤S4中，U
‑
Net模型的右半部分对主干特征提取网络中获取的初步有效特征层进行上采样和特征融合，得到含有所有特征的有效特征层，再由一个2x2的上采样卷积层+Concatenation+2个3x3的卷积层反复构成。
[0018]优选的，步骤S4中，U
‑
Net模型的预测部分通过得到的最终有效特征层，对每一个像素点进行分类，最后一层通过一个1x1卷积，将通道数变成期望的类别数。
[0019]优选的，步骤S4中，DeepLab V3+模型的基础模型设置为DeepLab系列的第四代，在编码阶段，DeepLab V3+模型分为输入流、中间流和输出流，使用深度可分离卷积，由特征提取网络输出的特征图传递给ASPP，在解码阶段接收来自输入流的低阶特征和编码端的高阶特征进行多尺度融合。
[0020]优选的，步骤S4中，在deeplabnet的ASPP层添加SE注意力机制，具体实现方法如下：
[0021]S41、在ASPP层的输出之前添加一个全局平均池化层，将每个通道的平均值作为其重要性的度量；
[0022]S42、将全局平均池化层的输出传递给两个全连接层，其中一个全连接层用于学习通道的权重，另一个全连接层用于学习通道的偏置；
[0023]S43、将通道的权重与ASPP层的输出相乘，以加权的方式将更多的注意力放在重要的通道上；
[0024]S44、最后将加权的ASPP层输出传递给后续的层进行进一步处理。
[0025]优选的，步骤S4中的DeepLab V3+模型，
[0026]下采样模块采用的主体为具备空洞卷积的DCNN，下采样模块使用空间金字塔池化模块引入多尺度信息，提取深度特征；
[0027]上采样模块接受DCNN的输入，通过1
×
1卷积完成浅层特征提取，将上采样模块提取的浅层特征与下采样模块提取的深层特征进行特征融合，经过3
×
3调整，最后通过双线性插值，得到和初始图片大小相同的分割图像。
[0028]优选的，步骤S4中的DeepLab V3+模型，ASPP即空间金字塔池化模块，ASPP包括一个1
×
1卷积层和三个3
×
3具有空洞卷积的卷积层，通过一个全局平均池化层，得到image
‑
level特征，通过1
×
1卷积层，还原到原始大小，然后将四个不同尺度的图像特征进行堆叠，再通过1
×
1卷积层完成特征融合，得到新的特征。
[0029]优选的，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种脆性矿物颗粒鉴定方法，其特征在于：包括以下步骤：S1、数据采集：选择岩石造岩矿物中石英含量最高、长石与火成岩碎屑其次，地层普遍存在压实、压溶、溶解、交代、胶结作用的地区，采集多张清晰完整的岩石薄片图像；S2、数据标注：采用有监督学习算法为算法模型，对采集的原始图片进行人工标注，学习样本特征，通过标注软件LableMe对每张图像中的长石与石英两种脆性矿物进行分割标注；S3、数据增强：采用随机增加颜色、随机旋转、随机噪声对原始标注图像进行扩充；S4、建立矿物颗粒实例分割模型；S5、配置实验环境，采用随机梯度下降优化算法优化卷积神经网络模型，将学习率的初始值设置为0.01，学习率的下降方式设置为cos类型，num_work根据显存设置为4；S6、设置评价指标，以均交并比作为网络衡量模型效果的评价指标，同时评估训练模型在验证集和测试集上的准确度、精确度、召回率、F1分数四个参数来综合评价模型性能；S6、实验对比，通过在测试集上对比U
‑
Net下以VGG16、ResNet50为主干网络的模型和DeepLabV3+下以MobileNetV2、Xception为主干网络模型的结果，评估不同主干网络模型的优劣。2.根据权利要求1所述的一种脆性矿物颗粒鉴定方法，其特征在于：步骤S4中，矿物颗粒实例分割模型包括以主干网络为VGG16或具有残差结构的ResNet
‑
50的U
‑
Net模型和以主干网络为MobileNetV2或Xception的DeepLabV3+模型，U
‑
Net模型包括提取主干特征的左半部分、提取加强特征的右半部分和预测部分，DeepLabV3+模型包括下采样块、上采样块、ASPP和加强特征提取结构。3.根据权利要求2所述的一种脆性矿物颗粒鉴定方法，其特征在于：步骤S4中，U
‑
Net模型的左半部分获得多个特征层，通过卷积和最大池化的堆叠，得到五个初步有效特征层，由两个3x3的卷积层+2x2的maxpolling层反复组成，每经过一次下采样，通道数翻倍。4.根据权利要求3所述的一种脆性矿物颗粒鉴定方法，其特征在于：步骤S4中，U
‑
Net模型的右半部分对主干特征提取网络中获取的初步有效特征层进行上采样和特征融合，得到含有所有特征的有效特征层，再由一个2x2的上采样卷积层+Concatenation+2个3x3的卷积层反复构成。5.根据权利要求4所述的一种脆性矿物颗粒鉴定方法，其特征在于：步骤S4中，U
‑
Net模型的预测部分通过得到的最终有效特征层，对每一个像素点进行分类，最后一层通过一个1x1卷积，将通道数变成期望的类别数。6.根据权利要求5所述的一种脆性矿物颗粒鉴定方法，其特征在于：步骤S4中...

【专利技术属性】
技术研发人员：杨莎莎，王驰，师良，范柏江，王松利，赵佳豪，陈晋，
申请(专利权)人：延安大学，
类型：发明
国别省市：