一种基于岩石薄片显微图像深度学习的岩石分类方法

摘要

本发明公开了一种基于岩石薄片显微图像深度学习的岩石分类方法，以采集偏光显微镜下岩石薄片显微图像作为原始数据，利用数据增强技术扩大其数据量并制作RockDataset数据集，然后将RockDataset输入到改进的ResNet50模型中进行深度迁移学习训练和参数优化，最终得到高精度的岩石分类识别深度学习模型RockNet，应用RockNet可以准确预测岩石类型的名称和置信度。本发明无需专业的岩石镜下鉴定知识，可以大大提高岩石分类的效率和准确度(高达98％以上)，避免人为的错误，促进岩石薄片分类的智能化和自动化，更好地服务于地质教学、科研与生产。

说明书

技术领域

本发明属于地质学与深度学习技术交叉领域，特别是涉及一种基于岩石薄片显微图像深度学习的岩石分类方法。

背景技术

自然界的岩石根据其形成原因、构造和化学成分可分为成岩浆岩(火成岩)、沉积岩和变质岩三大类。岩石分类是地质矿产研究和矿产资源勘查的重要基础工作，岩石薄片分类鉴定在地质学人才培养中发挥了重要作用。在偏光显微镜下观察岩石薄片，对岩石结构和矿物成分进行分析和鉴定，是进行岩石命名、研究岩石成因、进行地质勘探等任务最常用的工具和方法之一。岩石薄片显微图像全面真实地反映了岩石微观的结构构造、矿物成分、粒度大小、蚀变程度等特征。目前在显微镜下观察岩石薄片主要依靠专业人员凭借多年积累的知识、经验来确定岩石薄片中的矿物组分和结构构造，受主观因素影响较大且费时费力，不同专家对分析结果也存在一定的差异。借助现代人工智能技术分析岩石薄片图像并自动识别岩石种类，可以大大提高岩石薄片显微图像分类效率和准确度，节约时间和费用成本。

发明内容

为了解决上述技术问题，本发明提供一种基于岩石薄片显微图像深度学习的岩石分类方法，无需专业的岩石镜下鉴定知识，大大提高岩石分类的效率和准确度(高达98％以上)，避免人为的错误，促进岩石薄片分类的智能化和自动化，更好地服务于地质教学、科研与生产。

为实现上述目的，本发明提出一种基于岩石薄片显微图像深度学习的岩石分类方法，具体包括以下步骤：

S1、采集和建立单偏光和正交偏光下岩石薄片显微图像的样本数据集；

S2、利用数据增强技术扩大所述岩石薄片显微图像样本数据集的数量，得到增强后的显微图像样本数据集RockDataset；

S3、将所述增强后的显微图像样本数据集RockDataset按照比例划分为训练数据集和测试数据集；

S4、构建残差神经网络ResNet50模型，并对所述残差神经网络ResNet50模型的参数进行修改，得到改进的ResNet50模型；

S5、将训练数据集输入到改进的ResNet50模型中进行训练，并利用测试数据集进行验证，直至满足测试精度，得到训练好的岩石显微薄片图像分类模型RockNet；

S6、利用所述岩石显微薄片图像分类模型对岩石薄片显微图像进行识别分类，得到岩石类型的名称和置信度。

优选地，所述样本数据包括108种岩石和324个岩石薄片的2634张偏光显微照片；所述岩石包括：28种沉积岩、40种火成岩和40种变质岩。

优选地，所述数据增强技术包括：图像水平镜像、图像垂直镜像、图像顺时针旋转90°、180°、270°及图像垂直镜像且顺时针旋转90°、图像水平镜像且顺时针旋转90°。

优选地，所述S4具体为：

构建残差神经网络ResNet50模型，并设置所述ResNet50模型的输入层图像大小、Loss损失函数学习率和偏置大小，同时将所述ResNet50模型的全连接层FC1000改为FC108。

优选地，所述S5具体为：

将所述训练集和所述测试集输入到所述改进的ResNet50模型中进行验证测试，将训练集和测试集的分类精准度与损失率跟利用测试数据集得到的测试精准度相比较，然后通过深度迁移学习算法调整深度学习训练参数直到符合精度要求，得到性能优化、准确高效的岩石显微薄片图像分类深度模型RockNet。

优选地，所述深度学习训练参数，包括：训练方法、初始化学习率、最小批大小、最大训练批次和RockNet模型参数。

优选地，所述S6具体为：所述岩石显微薄片图像分类模型RockNet对岩石薄片显微图像进行识别分类，确定岩石的具体类别名称，同时也记录岩石类型的置信度，选取最大置信度的名称作为最终的岩石类别名称。

优选地，所述S5在将所述训练数据集输入到改进的ResNet50模型中之前还需要对所述训练数据集进行图像预处理，即进行归一化处理，将每个通道平均减去训练集的通道平均值，经过残差块的连续卷积运算后，图像像素矩阵的通道数量越来越深，然后通过AveragePool层将图像像素矩阵的大小更改为指定大小数据；最后，将图像像素矩阵大小输入到所述改进的ResNet50模型全连接层FC108中。

优选地，所计算所述训练集和所述测试集的分类精准度与损失率的表达式为：

准确度：Accuracy＝(TP+TN)/(TP+TN+FP+FN)

式中，TP为正确预测的正样本，TN为正确预测的负样本，FP为错误预测的正样本，FN为错误预测的负样本；

交叉熵损失函数：

式中，y为输出类别标签，神经元的输出为a＝σ(z)，z＝∑

与现有技术相比，本发明的有益效果在于：

本发明和现有技术相比，无需专业的岩石镜下鉴定知识，能够大大提高岩石分类的效率和准确度(高达98％以上)，避免人为的错误，促进岩石薄片分类的智能化和自动化，更好地服务于地质教学、科研与生产。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明的方法流程图；

图2为本发明改进的RockNet结构图；

图3为本发明残差结构图；

图4为本发明岩石分类测试验证结果示例图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

实施例1

参照图1所示，本发明提出一种基于岩石薄片显微图像深度学习的岩石分类方法，具体包括以下步骤：

S1、采集和建立单偏光和正交偏光显微镜下岩石薄片显微图像的样本数据集；

本发明实施例根据《岩石显微图像专题》规范系统采集和建立单偏光和正交偏光下的岩石薄片显微图像样本数据集，包括108种岩石324个岩石薄片的2634张偏光显微照片，其中含28种沉积岩699张、40种火成岩963张、40种变质岩972张，每类岩石约24～27张照片。然后将采集的数据集进行下载整理并根据命名建立108种分类标签。

S2、利用数据增强技术扩大所述岩石薄片显微图像样本数据集的数量，得到增强后的显微图像样本数据集RockDataset；

利用数据增强技术扩大样本图像的数量，建立增强的岩石薄片显微图像样本数据集(RockDataset)，以增加深度学习训练和测试样本，保证训练后模型的准确度和泛化能力；首先，将图像处于垂直镜像状态，接着保持状态不变且顺时针旋转90°，再将图像处于水平镜像状态且顺时针旋转90°；然后将图像处于水平镜像状态，接着保持状态不变并顺时针依次旋转90°、180°和270°，这样就能得到不同角度的图像。增强之后的显微图像样本数据集RockDataset包括108种岩石324个岩石薄片的20072张偏光显微照片，其中含28种沉积岩5592张、40种火成岩7704张、40种变质岩7773张，每类岩石图片扩大约192～216张。

S3、将所述增强后的显微图像样本数据集RockDataset按照8:2比例划分为训练数据集和测试数据集；

S4、构建残差神经网络ResNet50模型，并对所述残差神经网络ResNet50模型的参数进行修改，得到改进的ResNet50模型；

选择ImageNet-1000上的预训练网络ResNet50作为分类网络，ResNet50又名残差神经网络，指的是在传统卷积神经网络(CNN)中加入残差学习(residual learning)的思想，解决了深层网络中梯度弥散和精度下降(训练集)的问题，使网络能够越来越深，既保证了精度，又控制了速度。然后，修改该网络的全链接层FC1000为FC108，即输出岩石类型为108种，并将网络的前10层权重参数设为不变；并设置所述ResNet50模型的输入层图像大小、Loss损失函数学习率和偏置大小，最终得到改进的ResNet50模型。

S5、将所述训练集和所述测试集输入到所述改进的ResNet50模型中进行验证测试，将训练集和测试集的分类精准度与损失率跟利用测试数据集得到的测试精准度相比较，然后通过深度迁移学习算法调整深度学习训练参数直到符合精度要求，得到性能优化、准确高效的岩石显微薄片图像分类深度模型RockNet。

其中，计算分类精准度与损失率的表达式为：

准确度：Accuracy＝(TP+TN)/(TP+TN+FP+FN)

式中，TP为正确预测的正样本，TN为正确预测的负样本，FP为错误预测的正样本，FN为错误预测的负样本。

交叉熵损失函数：

式中，y为输出类别标签，神经元的输出为a＝σ(z)，z＝∑

所述深度学习训练参数，包括：训练方法、初始化学习率、最小批大小、最大训练批次和RockNet模型参数。

基于ResNet50训练的岩石分类模型RockNet中包含了49个卷积层和1个全连接层，其结构如图2所示，CONV是卷积操作的卷积层，BN是批量正则化处理，Relu是激活函数，AveragePool表示全局平均池化层操作，C1到C5表示残差块。其中，如图3所示为残差块内部结构图，其中ResNet包含了两种映射：一种是身份映射，是指图3中的曲线，另一种是残差映射，指的是除了“曲线”之外的部分。最终输出为身份映射。

由于ResNet50神经网络输入数据大小为224×224×3，所以需要在输入数据前面进行图像预处理，把输入图像大小处理为指定的大小的数据，进行归一化处理，针对整个训练集图片，每个通道平均减去训练集的通道平均值。经过残差块的连续卷积运算后，图像像素矩阵的通道数量越来越深，然后通过AveragePool层将图像像素矩阵的大小更改为1×2048。最后，图像像素矩阵大小输入到全连接层FC108，相应的类别置信度由softmax分类器输出。

S6、利用所述岩石显微薄片图像分类模型对岩石薄片显微图像进行识别分类，得到岩石类型的名称和置信度。

所述岩石显微薄片图像分类模型对岩石薄片显微图像进行识别分类进行识别分类，确定岩石的具体类别名称，同时也记录岩石类型的置信度，选取最大置信度的名称作为最终的岩石类别名称。如图4所示，图中P表示测试预测的岩石类别名称及其最高置信度，T表示真实的岩石命名(后面的数字表示编号及图像增强方法的简写后缀)。

综上，本发明和现有技术相比，无需专业的岩石镜下鉴定知识，可以大大提高岩石分类的效率和准确度(高达98％以上)，避免人为的错误，促进岩石薄片分类的智能化和自动化，更好地服务于地质教学、科研与生产。

以上所述的实施例仅是对本发明的优选方式进行描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。