一种适用于水电站地质勘测的岩石岩性分类方法技术

本发明专利技术提供一种适用于水电站地质勘测的岩石岩性分类方法，解决了水电站勘测领域，岩石图像存在种类多

【技术实现步骤摘要】
一种适用于水电站地质勘测的岩石岩性分类方法


[0001]本专利技术涉及水电站地质勘测领域，特别涉及一种适用于水电站地质勘测的岩石岩性分类方法
。

技术介绍

[0002]岩石岩性识别作为水电站建设
、
勘测以及设计过程中重要的步骤之一，也是影响水电站能否正常建设最关键的因素，如水电站建设过程中，不同岩石岩性与开挖钻头和填充混凝土的选择直接相关
。
因此，面向水电站勘测设计，发展先进的
、
智能的岩石岩性分类方法具有重要意义
。
[0003]总的来说，现有的岩石岩性识别方法主要有三种，即基于人工
、
基于图像处理和基于机器学习的方法
。
基于人工的岩石岩性识别主要包括肉眼观察
、
薄片鉴定和试验分析，但识别周期长，识别成本高，更重要的是识别精度依赖与工程师的主观意愿，识别结果具有较强的随机性
。
基于图像处理的方法包括提取和量化岩石图像信息，利用滤波技术进行岩石色彩和纹理分析等手段实现岩石岩性分类，其缺点在于试验数据类别和颜色通道数量，在分析中存在计算量大
、
复杂度高，难以实现岩石岩性实时分类，此外，基于图像的识别方法对具有相近颜色特征的岩石岩性误判率较高
。
相较于以上两种岩性分类方法，基于机器学习的方法由于能够深度挖掘图像背后的信息被用逐渐用于岩石岩性分类，该类方法主要通过建立神经网络实现的，具有快速
、
高效的优势
。/>[0004]然而，目前采用的基于机器视觉的岩石岩性分类方法需要利用大量的岩石图像样本进行训练，但对于水电站勘测领域，岩石图像存在种类多
、
图像数量少的特点，部分类别样本数量匮乏，样本分布非常不均匀，导致现有基于机器学习的岩石岩性模型训练不充分，岩石岩性分类精度低
。

技术实现思路

[0005]本申请的目的是提供一种适用于水电站地质勘测的岩石岩性分类方法，解决了现有水电站勘测设计过程中，由于图像存在种类多
、
图像数量少的特点，部分类别样本数量匮乏，样本分布非常不均匀，导致现有基于机器学习的岩石岩性模型训练不充分，岩石岩性分类精度低的问题，实现了小样本
、
样本不平衡下的水电站勘测过程岩石岩性高精度分类
。
[0006]本专利技术提供一种适用于水电站地质勘测的岩石岩性分类方法，该方法包括如下步骤：
[0007]步骤1通过各种途径获得不同类别的目标岩石图像数据，建立模型数据集；
[0008]步骤2根据获得的岩石图像数据集，岩石类型进行标签标记，并随机循环抽相同
、
不同类别岩石图像，构建目标岩石图像数据正
、
负样本对；
[0009]步骤3搭建孪生
‑
残差神经网络模型架构，并将构建好的样本对分为训练集和测试集，基于训练集，通过最小化损失函数对所述孪生
‑
残差神经网络模型进行训练，得到训练好的孪生
‑
残差神经网络模型；
[0010]步骤4以测试集图像样本对为输入，通过训练好的孪生
‑
残差神经网络模型获得岩石岩性分类概率，对岩石岩性进行分类
。
[0011]优选地，步骤1中获得不同类别的目标岩石图像数据是指通过文献图像资料或现场拍摄得到原始岩石图像后，采用图像缩放
、
旋转以或仿射变换对图像数据集进行处理；所述原始岩石图像包括角砾岩
、
千枚岩
、
花岗岩
、
泥岩
、
页岩以和玄武岩
。
[0012]优选地，构建目标岩石图像数据正
、
负样本对是根据岩性的种类类别
m
个，每个类别有
n
个样本，生成的样本对为
N
；分别定义
N/2
个为正样本对，
N/2
个负样本对；
[0013]正样本对和负样本对都是从
m
个类别中允许重复选择的随机选择
N
个类别；对前
N/2
个类别，在每个类别样本中随机选择2个样本，形成正样本对；在后
N/2
个类别样本中随机选择1个样本，并随机选取一个不同类别样本，组合形成负样本对
。
[0014]优选地，赋予样本对不同的标签是在一组训练的样本对中，一半样本对是正样本对，另一半样本对是负样本对；当给定一个样本对
{k1,k2}
，所述样本对的真实标签定义为：
[0015][0016]式中：
y
为所述样本对的真实标签；为狄拉克
δ
函数；当
k1,k2属于同一个岩性时的值为1，属于不同岩性时的值为
0。
[0017]优选地，搭建孪生
‑
残差神经网络模型架构包括以孪生
‑
残差网络结构为核心的特征学习模块和以全连接网络为核心度量学习模块两部分；
[0018]在特征学习模块中，构建了孪生神经网络架构，孪生网络结构上下分别由2n
个卷积层
、2
n
个池化层交替的卷积神经网络组成；并在孪生神经网络中加入残差模块，构建孪生
‑
残差网络学习模块，建立孪生
‑
残差神经网络模型，提取岩石图像数据的卷积纹理特征；在度量学习模块中，采用基于卷积层和全连接层的神经网络对孪生
‑
残差神经网络中上
、
下部分提取的岩石图像数据的卷积纹理特征进行相似性度量计算；
[0019]将数据样本对输入到孪生
‑
残差网络神经网络的输入层，设孪生
‑
残差神经网络架构上
、
下部分提取的岩石图像数据的卷积纹理特征描述为
k1和
k2,
基于度量学习模块输出的相似性为：
[0020]Similarity
＝
ξ
(f
θ
(k1,k2))
[0021]式中：
f
θ
(
·
)
为提取特征的孪生
‑
残差神经网络模型；
ξ
为相似性度量函数，
θ
为神经网络权值；
[0022]在本专利技术中，为进一步提升分类精度，在度量学习模块中采用余弦距离来度量数据样本特征之间相似性时，即：
[0023][0024]式中：
T
为函数的转置，
||
·
||
为函数的模
。
[0025]优选地，构建孪生
‑
残差神经网络模型的损失函数，用于残差孪生神经网络训练；
[0026]定义样本的标签为0或1，采用二分类交本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种适用于水电站地质勘测的岩石岩性分类方法，其特征在于，所述方法包括如下步骤：步骤1通过各种途径获得不同类别的目标岩石图像数据，建立模型数据集；步骤2根据获得的岩石图像数据集，岩石类型进行标签标记，并随机循环抽相同
、
不同类别岩石图像，构建目标岩石图像数据正
、
负样本对；步骤3搭建孪生
‑
残差神经网络模型架构，并将构建好的样本对分为训练集和测试集，基于训练集，通过最小化损失函数对所述孪生
‑
残差神经网络模型进行训练，得到训练好的孪生
‑
残差神经网络模型；步骤4以测试集图像样本对为输入，通过训练好的孪生
‑
残差神经网络模型获得岩石岩性分类概率，对岩石岩性进行分类
。2.
根据权利要求1所述的一种适用于水电站地质勘测的岩石岩性分类方法，其特征在于，步骤1中获得不同类别的目标岩石图像数据是指通过文献图像资料或现场拍摄得到原始岩石图像后，采用图像缩放
、
旋转以或仿射变换对图像数据集进行处理；所述原始岩石图像包括角砾岩
、
千枚岩
、
花岗岩
、
泥岩
、
页岩以和玄武岩
。3.
根据权利要求1所述的一种适用于水电站地质勘测的岩石岩性分类方法，其特征在于，所述构建目标岩石图像数据正
、
负样本对是根据岩性的种类类别
m
个，每个类别有
n
个样本，生成的样本对为
N
；分别定义
N/2
个为正样本对，
N/2
个负样本对；正样本对和负样本对都是从
m
个类别中允许重复选择的随机选择
N
个类别；对前
N/2
个类别，在每个类别样本中随机选择2个样本，形成正样本对；在后
N/2
个类别样本中随机选择1个样本，并随机选取一个不同类别样本，组合形成负样本对
。4.
根据权利要求1所述的一种适用于水电站地质勘测的岩石岩性分类方法，其特征在于，赋予样本对不同的标签是在一组训练的样本对中，一半样本对是正样本对，另一半样本对是负样本对；当给定一个样本对
{k1,k2}
，所述样本对的真实标签定义为：式中：
y
为所述样本对的真实标签；为狄拉克
δ
函数；当
k1,k2属于同一个岩性时的值为1，属于不同岩性时的值为
0。5.
根据权利要求1所述的一种适用于水电站地质勘测的岩石岩性分类方法，其特征在于，所述搭建孪生
‑
残差神经网络模型架构包括以孪生
‑
残差网络结构为核心的特征学习模块和以全连接网络为核心度量学习模块两部分；在特征学习模块中，构建了孪生神经网络架构，孪生网络结构上下分别由2n
个卷积层
、2
n
个池化层交替的卷积神经网络组成；并在孪生神经网络中加入残差模块，构建孪生
‑
残差网络学习模块，建立孪生
‑
残差神经网络模型，提取岩石图像数据的卷积纹理特征；在度量学习模块中，采用基于卷积层和全连接层的神经网络对孪生
‑
残差神经网络中上
、
下部分提取的岩石图像数据的卷积纹理特征进行相似性度量计算；将数据样本对输入到孪生
‑
残差网络神经网络的输入层，设孪生
‑
残差神经网络架构上
、
下部分提取的岩石图像数据的卷积纹理特征描述为
k1和

【专利技术属性】
技术研发人员：辛存，刘晓东，黄勇，贾新会，郭园，宋璇，寇一丹，刘清义，
申请(专利权)人：中国电建集团西北勘测设计研究院有限公司，
类型：发明
国别省市：