基于多尺度深度卷积神经网络的锆石分类方法技术

本发明专利技术公开了一种基于多尺度深度卷积神经网络的锆石分类方法，包括：

【技术实现步骤摘要】
基于多尺度深度卷积神经网络的锆石分类方法


[0001]本专利技术涉及地质学领域，特别涉及一种基于多尺度深度卷积神经网络的锆石分类方法
。

技术介绍

[0002]锆石是一个很好的地质年代计，因为它在结晶过程中可以纳入铀而排除铅，并且对化学和物理风化具有很高的耐久性，以保持这些同位素比率的稳定性
。
因此，锆石在确定地质年代
、
火成岩和变质岩的生成以及确定沉积岩的源区和最大沉积年龄方面具有重要意义
。
[0003]火成岩
、
变质岩和热液锆石是常见的锆石类型，对这些类型进行分类是进一步进行地质年代学和地球化学分析的前提步骤
。
因为从火成岩和变质岩锆石颗粒获得的年龄分别反映了岩浆结晶和变质的时间
。
为了获得特定地质活动的准确年龄，需要对锆石类型进行准确划分
。
此外，将热液锆石颗粒从火成岩和变质岩锆石颗粒中区分出来也很重要
。
首先，热液锆石的相对丰度反映了已报道的与不同类型经济矿床有关的热液事件的活动
。
其次，去除热液锆石有时对许多研究很重要，因为热液锆石颗粒可能含有非辐射性
Pb
，并经历了
Pb
流失，这两种情况都会降低这些锆石颗粒的有用性
。
[0004]目前的锆石分类方法有：
1、
在显微镜下分选锆石，并根据
Th/U
比值对锆石类型进行分类，但是在手工挑选过程中，锆石地质年代学可能会提升偏差；
2、
阴极发光
(CL)
或背散射电子
(BSE)
成像方法，其可以充分研究锆石的内部结构，从而在地质年代和同位素分析之前对锆石类型进行分类
。Corfu
等人
(2003)
发现，在区分锆石颗粒方面，
CL
比
BSE
更有用，因为
CL
图像能更好地探测到锆石颗粒的内部结构
、
裂隙和其他矿物的包裹体
。
所以，
CL
成像是更广泛使用的成像技术，用于锆石分类和选择分析的靶区
。
[0005]传统的在
CL
图像中对锆石进行分类的方式是基于锆石颗粒的形态特征和岩石样品地质背景的先验知识的手工作业
。
这种程序是劳动密集型的，需要专业的知识，其准确性取决于解释者的专业知识和谨慎性
。
人工选择目标在地球科学任务中很常见，由于样品的复杂性和个人知识的局限性，这些人工程序不可避免地产生偏差
。CL
图像中锆石的分类也不例外
。
因此，一个自动的
、
无偏见的锆石
CL
图像的分类方法是必要的，而深度学习技术是一个最佳的解决方案
。
[0006]基于上述情况，专利技术人曾在
2022
年提出了一种基于深度学习的阴极发光图像锆石分类方法
(Zircon classification from cathodoluminescenceimages using deep learning
，
Dongyu Zheng
等，
《Geoscience Frontiers》
，
2022
年第
13
卷第6期，以下简称“现有技术”)
，采用深度卷积神经网络
(DCNNs)
和迁移学习的方法对常见的锆石类型
(
即岩浆锆石
、
变质锆石和热液锆石
)
进行了划分
。
根据现有技术“结论”部分的记载可知，
DCNNs
模型能够划分出大部分热液锆石，但对于岩浆与变质锆石的划分仍有一定的挑战，即
DCNN
对于部分具有相似特征的岩浆锆石与变质锆石的区分难度很大，比如具有继承岩浆锆石核的变质锆石与普通岩浆锆石
。
[0007]经深入分析，专利技术人发现，这是因为
DCNN
受限于卷积核的大小，只能在图像的小区域内进行关注，无法准确提取不同锆石类别的特征结构
。
例如，
DCNN
仅会关注锆石
CL
图像的局部特征，容易造成模型的误判；再例如，对于具有继承岩浆锆石核的变质锆石，往往由于模型仅能提取岩浆锆石核信息，而忽视了变质锆石整个颗粒，从而将这类变质锆石划分为了普通岩浆锆石
。
[0008]所以，基于以上因素的影响，现有技术对锆石分类的预测精度和预测稳定性存在一定程度上的不确定性，需要对此做出进一步的改进
。

技术实现思路

[0009]针对上述现有技术的不足，本专利技术提供了一种基于多尺度深度卷积神经网络的锆石分类方法，其通过采用新的训练网络，实现锆石分类预测精度和预测稳定性的进一步改善
。
[0010]为实现上述目的，本专利技术采用的技术方案如下：
[0011]基于多尺度深度卷积神经网络的锆石分类方法，包括以下步骤：
[0012](1)
对已知的锆石
CL
图像进行预处理和数据增强；
[0013](2)
利用迁移学习获取锆石
CL
图像的分类特征参数，获得神经网络的预训练权重；
[0014](3)
构建双模态神经网络，该双模态神经网络包括双特征提取模块
、
通道注意力模块
、
融合信息模块和输出判断模块，其中，双特征提取模块由两个并行的卷积神经网络
(CNN)
组成，每个卷积神经网络都有两个残差卷积块和一个全局池化层；通道注意力模块包括压缩块和激励块；输出判断模块由全局池化
、
全连接和
softmax
层组成；
[0015]所述双特征提取模块用于接收原始锆石
CL
图像和原始锆石图像内显著结构特征的裁剪图像，并将其作为输入；
[0016]所述通道注意力模块中的压缩块用于将输入的
N
×
N
×
C
矩阵转换为1×1×
C
矩阵，并输出包含输入特征图信息的向量至通道注意力模块中的激励块，
N、C
均为不为0的自然数；
[0017]所述激励块用于将压缩块的输出作为输入，然后为每个特征产生一组通道权重，然后输出具有加权特征重要性的输入特征图的信息；
[0018]所述融合信息模块根据激励块的输出，执行哈达玛积，使神经网络包含来自输入锆石
CL
图像的全局和局部信息，然后输出至输出判断模块；
[0019]所述输出判断模块用于计算每个类别的预测概率，并输出概率最高的类别作为最终预测；
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于多尺度深度卷积神经网络的锆石分类方法，其特征在于，包括以下步骤：
(1)
对已知的锆石
CL
图像进行预处理和数据增强；
(2)
利用迁移学习获取锆石
CL
图像的分类特征参数，获得神经网络的预训练权重；
(3)
构建双模态神经网络，该双模态神经网络包括双特征提取模块
、
通道注意力模块
、
融合信息模块和输出判断模块，其中，双特征提取模块由两个并行的卷积神经网络组成，每个卷积神经网络都有两个残差卷积块和一个全局池化层；通道注意力模块包括压缩块和激励块；输出判断模块由全局池化
、
全连接和
softmax
层组成；所述双特征提取模块用于接收原始锆石
CL
图像和原始锆石图像内显著结构特征的裁剪图像，并将其作为输入；所述通道注意力模块中的压缩块用于将输入的
N
×
N
×
C
矩阵转换为1×1×
C
矩阵，并输出包含输入特征图信息的向量至通道注意力模块中的激励块，
N、C
均为不为0的自然数；所述激励块用于将压缩块的输出作为输入，然后为每个特征产生一组通道权重，然后输出具有加权特征重要性的输入特征图的信息；所述融合信息模块根据激励块的输出，执行哈达玛积，使神经网络包含来自输入锆石
CL
图像的全局和局部信息，然后输出至输出判断模块；所述输出判断模块用于计算每个类别的预测概率，并输出概率最高的类别作为最终预测；
(4)
识别输入的锆石
CL
图像，并将预训练权重赋值到双模态神经网络中，作为双模态神经网络的权重，然后对输入的锆石
CL
图像进行特征提取，最后根据锆石
CL
图像具体的特征反向传播，得到最合适的权重，并以此作为分类的依据；
(5)
循环执行步骤
(4)
，完成对双模态神经网络的训练；
(6)
利用训练的双模态神经网络对锆石的

【专利技术属性】
技术研发人员：吴思萱，郑栋宇，侯明才，陈安清，董凯，杨柳鑫，向坤，石炜，滕润林，
申请(专利权)人：成都理工大学，
类型：发明
国别省市：