Lithology Recognition of Rock Image Based on Convolutional Neural ResNet50 Residual Network
-
摘要: 深度学习卷积神经网络算法广泛应用于岩石图像的岩性识别。结合卷积神经残差ResNet50网络，构建了岩石图像岩性识别模型，并依据定义的损失函数进行了网络模型的参数调优与验证；通过构建的识别模型对岩石图像岩性进行了预测，并根据识别结果进行了误差原因分析。研究表明：以深度卷积神经ResNet50残差网络为基础，按照训练集、测试集、验证集8∶1∶1的比例可以进行岩性预测模型的构建与参数调优，从而实现岩石图像的岩性预测；结合项目实例构建了黑云母花岗闪长岩、变质砂岩、石英岩、黑云母花岗岩等四种岩性的岩石图像岩性识别模型；模型的识别准确率，除构造节理发育的破碎岩体较低外，一般可达75%～90%；岩石图像识别结果的准确率受岩体构造裂隙发育及岩石图像质量影响较大，可以通过增加训练样本数量来提高识别结果准确率。Abstract: Deep learning convolutional neural network algorithm is widely used in the lithology identification of rock images. A rock image lithology recognition model was constructed by combining the convolutional neural residual ResNet50 network, and the parameters of the network model were optimized and verified according to the defined loss function. At the same time, the lithology of the rock image was predicted by the constructed recognition model, and the error causes were analyzed according to the prediction results. The research showed that based on the deep convolutional neural ResNet50 residual network, the lithology prediction model can be constructed and the parameters can be optimized according to the ratio of the training set, test set, and verification set 8: 1: 1, to realize the lithology prediction of rock image. Combined with the project example, the rock image lithology identification model of four kinds of lithology, such as biotite granodiorite, metamorphic sandstone, quartzite, and biotite granite, is constructed. The recognition accuracy of the model is generally up to 75%~90%, except for the fractured rock mass with structural joints. The accuracy of rock image prediction results is greatly affected by the development of rock mass structural fissures and the quality of rock images. The accuracy of prediction results can be improved by increasing the number of training samples.
-
Key words:
- convolutional neural network /
- ResNet50 /
- rock image /
- identification mode /
- lithology identification
-
表 1 岩石图像岩性识别结果及准确率（部分展示）
孔号 岩性 准确率/% 深度/m 孔号 岩性 准确率/% 深度/m 孔号 岩性 准确率/% 深度/m 192 黑云母花岗岩 83.40 12.0～13.0 187 黑云母花岗岩 82.10 6.0～7.0 106 黑云母花岗闪长岩 72.70 18.0～19.0 黑云母花岗岩 80.20 13.0～14.0 变质砂岩 82.20 7.0～8.0 变质砂岩 38.40 19.0～20.0 黑云母花岗岩 71.00 14.0～15.0 变质砂岩 75.30 8.0～9.0 黑云母花岗闪长岩 77.30 20.0～21.0 黑云母花岗岩 83.90 15.0～16.0 变质砂岩 77.80 9.0～10.0 黑云母花岗闪长岩 80.40 21.0～22.0 黑云母花岗岩 83.10 16.0～17.0 变质砂岩 76.30 10.0～11.0 长石斑岩 43.60 22.0～23.0 花岗斑岩 38.00 17.0～18.0 变质砂岩 80.70 11.0～12.0 变质砂岩 36.50 23.0～24.0 黑云母花岗岩 73.80 18.0～19.0 变质砂岩 78.20 12.0～13.0 黑云母花岗闪长岩 83.70 24.0～25.0 黑云母花岗岩 71.50 19.0～20.0 变质砂岩 80.50 13.0～14.0 黑云母花岗闪长岩 90.10 25.0～26.0 黑云母花岗岩 65.60 20.0～21.0 变质砂岩 77.30 14.0～15.0 黑云母花岗闪长岩 71.40 26.0～27.0 黑云母花岗岩 73.70 21.0～22.0 变质砂岩 80.10 15.0～16.0 石英岩 80.30% 27.0～28.0 黑云母花岗岩 77.70 22.0～23.0 变质砂岩 83.80 16.0～17.0 石英岩 94.70 28.0～29.0 黑云母花岗岩 80.30 23.0～24.0 变质砂岩 86.40 17.0～18.0 石英岩 84.00 29.0～30.0 黑云母花岗岩 83.70 24.0～25.0 变质砂岩 84.00 18.0～19.0 石英岩 77.50 30.0～31.0 黑云母花岗岩 81.40 25.0～26.0 变质砂岩 82.80 19.0～20.0 石英岩 76.20 31.0～32.0 黑云母花岗岩 81.50 26.0～27.0 变质砂岩 88.00 20.0～21.0 石英岩 85.40 32.0～33.0 黑云母花岗岩 80.80 27.0～28.0 变质砂岩 81.50 21.0～22.0 石英岩 81.20 33.0～34.0 黑云母花岗岩 76.20 28.0～29.0 变质砂岩 74.90 22.0～23.0 石英岩 79.20 34.0～35.0 黑云母花岗岩 82.30 29.0～30.0 变质砂岩 83.30 23.0～24.0 石英岩 78.40 35.0～36.0 黑云母花岗岩 78.90 30.0～31.0 花岗斑岩 38.10 24.0～25.0 石英岩 68.70 36.0～37.0 黑云母花岗岩 85.10 31.0～32.0 变质砂岩 81.80 25.0～26.0 石英岩 69.90 37.0～38.0 
下载: 导出CSV
-
[1] 杨 磊, 熊 昶, 刘文超, 等. 基于改进ResNet深度残差网络的岩屑岩性识别研究[J]. 长江大学学报 (自然科学版),2023,20(2):11-19. [2] 张树义, 波 王, 马尽文. 基于深度卷积自编码器的岩性分类与识别[J]. 信号处理,2023,39(1):11-19. [3] 李新叶, 宋 维. 基于深度学习的图像语义分割研究进展[J]. 科学技术与工程,2019,19(33):21-27. [4] 马泽栋, 马 雷, 李 科, 等. 基于岩石图像深度学习的多尺度岩性识别[J]. 地质科技通报,2022,6(41):316-322. [5] 程国建, 郭文惠, 范鹏召. 基于卷积神经网络的岩石图像分类[J]. 西安石油大学学报( 自然科学版),2017,32(4):116-122. [6] 许振浩, 马 文, 李术才, 等. 岩性识别: 方法、现状及智能化发展趋势[J]. 地质评论,2022,68(6):2290-2304. [7] 张 珂, 冯晓晗, 郭玉荣, 等. 图像分类的深度卷积神经网络模型综述[J]. 中国图象图形学报,2021,26(10):2305-2325. doi: 10.11834/jig.200302 [8] 胡启成, 叶为民, 王 琼, 等. 基于地质图像大数据的岩性识别研究[J]. 工程地质学报,2020,28(6):1433-1440. [9] 马陇飞, 萧汉敏, 陶敬伟, 等. 基于深度学习岩性分类的研究与应用[J]. 科学技术与工程,2022,22(7):2609-2617. doi: 10.3969/j.issn.1671-1815.2022.07.007 [10] 熊越晗, 刘东燕, 刘东升, 等. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版),2021,51(5):1597-1604. [11] 王 琼, 杨 杰, 霍凤财, 等. 基于MobileViT的岩石薄片图像岩性识别方法研究[J]. 地质通报, 2023, 1-11. [12] 程国建, 李 碧, 万晓龙, 等. 基于SqueezeNet卷积神经网络的岩石薄片图像分类研究[J]. 矿物岩石,2021,41(4):94-101. doi: 10.3969/j.issn.1001-6872.2021.4.kwys202104009 [13] 谷宇峰, 张道勇, 鲍志东, 等. 利用GS-LinghtGBM机器学习模型识别致密砂岩地层岩性[J]. 地质科技通报,2021,40(4):224-234. [14] 杨 笑, 王志章, 周子勇, 等. 基于参数优化AdaBoost算法的酸性火山岩岩性分类[J]. 石油学报,2019,40(4):457-467. doi: 10.7623/syxb201904007 [15] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM,2017,60(6):1-9. [16] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition.2016. [17] 冯雅兴, 龚 希, 徐永洋, 等. 基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究[J]. 地理与地理信息科学,2019,35(5):89-94. doi: 10.3969/j.issn.1672-0504.2019.05.015 [18] 张 野, 李明超, 韩 帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报,2018,42(2):333-342. -
图(11) / 表(1)
计量
- 文章访问数: 131
- HTML全文浏览量: 44
- PDF下载量: 27
- 被引次数: 0
