一种野外露头岩石图像岩性识别方法技术

本发明专利技术涉及一种野外露头岩石图像岩性识别方法，属于岩性识别领域。本发明专利技术提供的一种野外露头岩石图像岩性识别方法通过PascalVOC数据集的基本文件结构和目标检测评价标准，使用LabelImg工具建立了岩石目标检测数据集；基于Faster

【技术实现步骤摘要】
一种野外露头岩石图像岩性识别方法


[0001]本专利技术涉及一种野外露头岩石图像岩性识别方法，属于岩性识别领域。

技术介绍

[0002]在地质学领域中，岩石是构成地球岩石圈的主要物质成分之一。对岩石的种类进行鉴定与识别是地质工作中不可或缺的重要内容。通过对岩石性质、构造、成因和成分分类等方面进行深入研究，可以为地质演化、区域地质情况、矿产资源寻找、工程建设条件评估、地质灾害预测等工作提供有力的支持和指导。因此，在地质工作相关领域，需要对岩石种类进行准确鉴定和识别，从而保证地质工作的准确性和可靠性。岩性识别可以通过手标本鉴定、薄片鉴定、元素测试、矿物测试等多种方法进行。此外，还有其他的间接辅助识别手段如重磁技术、地震技术等。手标本鉴定，薄片鉴定是最为简单直接的方法，可以在工程中快速提供初步的识别结果。是最早且较为普遍的方法之一，但其对研究人员的专业知识和地质经验要求较高。在现有的申请号为CN114359617A的一种基于轻量级卷积神经网络识别岩石岩性的方法中，通过通过采集野外岩石图像，经过再次训练之后，构建适合在地质调查现场使用的岩石识别模型对岩石的图像进行卷积训练，获得岩石识别的模型，但是现有技术中所采用的图像采集的流程复杂，且野外的露头岩石图像往往因为背景多样、含有较多冗余信息影响分类效果，导致模型的精度不高，耗时较多。

技术实现思路

[0003]本专利技术为解决上述现有技术中存在的问题，提供了一种野外露头岩石图像岩性识别方法，本专利技术能够为野外露头岩石图像岩性识别问题提供一种精度更高，时间成本更低的解决方案，为岩性识别得进一步研究分析与利用提供了保障。
[0004]为实现上述目的，本专利技术提供的技术方案为：一种野外露头岩石图像岩性识别方法，包括如下步骤：
[0005](1)生成岩石检测训练数据集：通过ImageLable工具对岩石样本进行图像采集生成岩石检测训练数据集，并根据Pascal VOC数据集标准，对采集到的岩石图像样本进行数据集标注，其中岩石图像样本至少包括大理石、石灰岩、石英岩和砂岩四类岩石；
[0006](2)建立建立用于迁移的预训练模型：将Faster
‑
RCNN网络模型作为目标检测主体框架，将ResNet50网络作为前置分类网络，利用步骤(1)中的岩石检测训练数据集上进行迁移学习；
[0007](3)野外露头岩石图像预处理：利用目标检测模型对采集到的岩石图像样本进行图像检测，按照公
[0008]式1根据图像检测结果对野外露头岩石图像进行裁剪，生成野外露头岩石图像数据集；
[0009][0010]式中：Bottomx、Bottomy、Upx、Upy分别表示岩石目标矩形框在计算机图形学坐标系下右下及左上坐标，Width及Height表示完整图像数据的长度和宽度，Pi表示该目标矩形框检测为岩石的概率；
[0011](4)野外露头岩石图像岩性识别算法模型构建：通过ResNet50模型对野外露头岩石图像进行岩性识别；
[0012](5)模型结构优化调整：根据步骤(4)中岩性识别的结果进行分析，根据分析后的结果对ResNet50模型进行修正，卷积层修改为多尺度卷积并加入CBAM混合注意力模块对模型进行改进，对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码；
[0013](6)野外露头岩石图像岩性识别：运用优化过后的模型对野外露头岩石图像进行岩性识别。
[0014]在步骤(1)中按以下步骤进行操作：
[0015]1)数据集文件夹预处理：按照PascalVOC格式新建数据集中文本及xml等预备文件；
[0016]2)数据集标注：使用ImaLable标注工具打开岩石检测训练数据集目录依次进行框选和标注。
[0017]在步骤(2)中首先在预训练模型上训练RPN网络，接着对于得到的proposals训练FastRCNN网络，根据损失函数对模型微调迭代两次以得到最终的模型，所述的模型主体为Faster R
‑
CNN网络模型，至少包括Fast R
‑
CNN和RPN模块，选择resnet50+FPN的预训练权重作为特征提取的分类网络，在Pytorch平台下通过import detection.faster_rcnn语句导入模型。
[0018]在步骤(3)中按以下步骤进行操作：
[0019]1)通过已经训练完成的检测网络对岩石数据集进行检测以生成包含若干岩石目标检测框的图像集；
[0020]2)选取最佳检测目标：通过以岩石像素大小Si及检测概率Pi为核心的自定义计算公式在单幅图像中的若干检测框中选择最优岩石目标；
[0021]3)使用脚本批量对图像中步骤2)选择的最优岩石目标裁剪并生成最终野外露头岩石岩性目标检测数据集。
[0022]在步骤(4)中基于具有残差结构的ResNet50卷积神经网络对经过目标检测预处理的野外露头岩石图像数据集进行岩性识别。
[0023]所述步骤(5)中按以下步骤进行操作：
[0024]1)多尺度卷积：在ResNet50网络卷积层将原7*7卷积核替换为三个大小为1*1，3*3和5*5的多尺度卷积，使用不同小卷积核，对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码；
[0025]2)混合注意力机制：以ResNet
‑
50作为基础网络结构，分别将CBAM混合注意力模块嵌入网络第一层和网络中卷积层的最后一层，并在训练时使用预训练参数进行训练；
[0026]3)运用优化过后的模型对野外露头岩石图像进行岩性识别。
[0027]根据上述技术方案可知，本专利技术提供的一种野外露头岩石图像岩性识别方法通过Pascal VOC数据集的基本文件结构和目标检测评价标准，使用LabelImg工具建立了岩石目标检测数据集；基于Faster
‑
RCNN的岩石目标检测算法，以ResNet50网络作为前置分类网
络，进行迁移学习；设计加权公式实现自动化脚本实现批量裁剪最优检测目标，制作高质量野外露头岩石岩性识别图像数据集；设计实现多尺度卷积岩性识别模型，将原7*7卷积核替换为三个大小为1*1，3*3和5*5的多尺度卷积，使用小不同卷积核，对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码；将CBAM混合注意力模块分别嵌入网络第一层和网络中卷积层的最后一层，并在训练时使用预训练参数进行迁移训练。与现有的技术方案相比，本技术方案具有以下优点：
[0028](1)因为本技术方案通过目标检测算法解决了解决了野外露头岩石图像背景多样、含有较多冗余信息影响分类效果的问题。有效提高岩性识别模型的收敛速度和识别的准确率。
[0029](2)由于本技术方案中提出的多尺度卷积和混合注意力机制的合理利用，有效解决了多尺度多粒度岩石图像数据的特征学习，有效提高岩石分类准确率，对识别度较低岩石准确率具有明显改善。
附图说明
[0030]图1目标检测进行岩石图像预处理的流本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种野外露头岩石图像岩性识别方法，其特征在于包括如下步骤：(1)生成岩石检测训练数据集：通过ImageLable工具对岩石样本进行图像采集生成岩石检测训练数据集，并根据PascalVOC数据集标准，对采集到的岩石图像样本进行数据集标注，其中岩石图像样本至少包括大理石、石灰岩、石英岩和砂岩四类岩石；(2)建立建立用于迁移的预训练模型：将Faster
‑
RCNN网络模型作为目标检测主体框架，将ResNet50网络作为前置分类网络，利用步骤(1)中的岩石检测训练数据集上进行迁移学习；(3)野外露头岩石图像预处理：利用目标检测模型对采集到的岩石图像样本进行图像检测，按照公式1根据图像检测结果对野外露头岩石图像进行裁剪，生成野外露头岩石图像数据集；式中：Bottomx、Bottomy、Upx、Upy分别表示岩石目标矩形框在计算机图形学坐标系下右下及左上坐标，Width及Height表示完整图像数据的长度和宽度，Pi表示该目标矩形框检测为岩石的概率；(4)野外露头岩石图像岩性识别算法模型构建：通过ResNet50模型对野外露头岩石图像进行岩性识别；(5)模型结构优化调整：根据步骤(4)中岩性识别的结果进行分析，根据分析后的结果对ResNet50模型进行修正，卷积层修改为多尺度卷积并加入CBAM混合注意力模块对模型进行改进，对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码；(6)野外露头岩石图像岩性识别：运用优化过后的模型对野外露头岩石图像进行岩性识别。2.根据权利要求1所述的一种野外露头岩石图像岩性识别方法，其特征在于：步骤(1)中按以下步骤进行操作：1)数据集文件夹预处理：按照PascalVOC格式新建数据集中文本及xml等预备文件；2)数据集标注：使用ImaLable标注工具打开岩石检测训练数据集目录依次进行框选和标注。3.根据权利要求1所述的一种野外露头岩石图像岩性识别方法...

【专利技术属性】
技术研发人员：张夏林，藤世磊，张明林，李章林，刘洋，翁正平，袁良军，王震江，张遂，吴冲龙，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：