基于岩石图像深度学习的岩性自动识别与分类方法

• 作者: 张野 李明超 韩帅
• 来源期刊: 岩石学报
• 学科: 地球科学
• 关键词: 岩石图像 深度学习算法 岩性识别 自动分类 迁移学习
• 年，卷（期）: 2018,（2）
• 页码范围: 333-342
• 页数: 10页
• 分类号: P588|P628.4
• 语种: 中文

摘要

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径.基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类.采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析.对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90％以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90％,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70％,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小.为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85％以上,说明在数据足够的状况下模型具有良好的学习能力.与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	李明超	天津大学水利工程仿真与安全国家重点实验室	59	943	19.0	29.0
2	张野	天津大学水利工程仿真与安全国家重点实验室	9	165	3.0	9.0
4	韩帅	天津大学水利工程仿真与安全国家重点实验室	9	34	2.0	5.0