共查询到20条相似文献，搜索用时 587 毫秒
1.
岩石薄片图像的复杂性和多解性,导致岩石薄片分类难度较大。尝试将深度学习方法应用于岩石薄片图像分类。实验选取了安山岩、白云岩、花岗岩等6种常见岩石种类的薄片图像,每类1000张图像作为实验数据,建立了岩石薄片分类的VGG模型,经过9万次训练后,测试集识别准确率达到了82%。对实验结果进行了分析,发现相似组成成分的岩石图像容易混淆,如白云岩与鲕粒灰岩均属于碳酸盐岩,容易相互误判。在安山岩特征图中提取出了斜长石斑晶和微晶及隐晶质或玻璃质基质,在鲕粒灰岩特征图中提取了鲕粒及填隙物中的亮晶方解石,也验证了方法的可靠性。 相似文献
2.
在地质研究中,针对岩石薄片图像分类算法可移植性不高、分类速度较慢等问题,提出将轻量级卷积神经网络结构SqueezeNet应用于岩石薄片图像分类.实验的数据集为鄂尔多斯某油田区域的10026张长石砂岩图像,图像大小均为224×224像素,通过SqueezeNet网络模型进行训练,在较短时间内实现了岩石薄片图像的分类,并取得了较好分类效果,验证集分类准确率最高可达到90.88％.实验结果表明,所提模型在保证准确率的同时,大大减少了模型参数,模型大小仅为4.78 MB,提升了岩石分类速度、增强了模型的可移植性. 相似文献
3.
基于岩石图像深度学习的岩性自动识别与分类方法 总被引：8，自引：3，他引：5
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。 相似文献
4.
针对岩石颗粒边缘模糊、结构复杂的特点,为了更有效地识别颗粒边缘,在基于特征值的C3相干算法的基础上,融合多尺度和多角度的特征表达,提出了一种改进的C3相干算法。该算法综合考虑岩石薄片图像角度域光学特征、空间尺度信息和各向异性信息,能更有效地表征颗粒边缘特征,表现出对复杂矿物结构的适应能力。在采集的岩石薄片正交偏光图像上验证提出的算法,实验结果表明,与原生C3相干算法相比,改进后的C3相干算法在全局图像上的方差和灰度差分乘积分别提升了68.41%和22.91%,信息熵下降了21.61%。 相似文献
5.
文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。 相似文献
6.
岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。 相似文献
7.
分析岩石薄片显微图像中的矿物组成、结构构造、生成顺序、围岩蚀变和次生变化等特征，可以进行岩石种类鉴定、地质构造分析、古地质环境反演等相关研究。对于岩石薄片图像的分析及信息提取目前主要依靠专家进行人工目视解译。而利用计算机技术进行自动、快速、客观、准确的岩石薄片图像智能分析，将能有效提高相关研究工作的效率，为“大数据+地球系统科学”的研究范式提供基础。本文综述了岩石薄片图像智能分析的相关工作，从技术方法的角度系统归纳和阐述了其一般原理和方法，分类总结了相关应用案例，分析和展望这一领域存在的挑战与发展方向。 相似文献
8.
岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。 相似文献
9.
<正>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,是地质工作者进行岩石命名、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~([1])。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是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,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。研究人员借助计算机技术分析岩石薄片图像并自动识别岩石种类,提高岩石薄片显微图像分类效率,节约时间和成本~([2])。 相似文献
10.
Gueret花岗岩内黑云母粒径分析的图像开操作法 总被引：2，自引：0，他引：2
应用图像分析原理中的开操作特征,利用岩石薄片作为样品,进行法国Ｇｕｒｅｒｅｔ花岗岩黑云母粒径分析,得到了极为理想的效果。这一方法的特点是只要制作某目标矿物的二值图像,即可评价体现每一矿物的粒径和分布特征,其精度取决与构成图像的像素数,该方法操作方便,成果可靠,在地学领域,尤其是在岩石结构定量分析方面,应该有很宽广的前景。 相似文献
11.
针对火山岩储层,从岩石化学成分分类和岩石结构分类两个角度出发,提出了一种利用测井资料识别火山岩岩性的方法。基于取芯薄片鉴定资料获得对应井段的常规测井数据,利用统计学习理论中的支持向量机方法对其处理,得到地质上按岩石化学成分分类的火山岩岩性类别。建立地层微电阻率成像测井图像与不同结构火山岩岩性之间的对应关系,归纳出典型的微电阻率图像模式,从而得到地质上按岩石结构分类的火山岩岩性类别,结合上述两者结论确定最终岩性,实现了运用支持向量机算法处理常规测井资料与微电阻率图像模式相结合的火山岩岩性测井识别新方法。 相似文献
12.
应用图像分析原理中的开操作特征,利用岩石薄片作为样品,进行法国Guéret花岗岩内黑云母粒径分析,得到了极为理想的效果.这一方法的特点是只要制作某目标矿物的二值图像,即可评价体现每一矿物的粒径和分布特征,其精度取决与构成图像的像素数.该方法操作方便,成果可靠,在地学领域,尤其是在岩石结构定量分析方面,应该有很宽广的前景. 相似文献
13.
应用图像分析原理中的开操作特征,利用岩石薄片作为样品,进行法国Ｇｕéｒｅｔ花岗岩内黑云母粒径分析,得到了极为理想的效果。这一方法的特点是只要制作某目标矿物的二值图像,即可评价体现每一矿物的粒径和分布特征,其精度取决与构成图像的像素数。该方法操作方便,成果可靠,在地学领域,尤其是在岩石结构定量分析方面,应该有很宽广的前景。 相似文献
14.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
15.
在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。 相似文献
16.
将深度学习模型引入地质图像分析中,可以大幅提高工作效率,增加研究定量化程度,开拓图像研究新领域。本文以上扬子鄂西地区下寒武统牛蹄塘组页岩的离子抛光扫描电镜图像为例,通过对图片二值化等预处理后,利用Mask-RCNN、FCN和U-Net 3种深度学习模型对页岩中主要矿物、有机质及孔隙等进行识别,比较运行时间与识别结果的准确度,讨论了不同深度学习模型在地质图像识别和处理过程中的适用性和差异性。并优选效果最优的U-Net模型与JMicroVision、Adobe Photoshop等通用图像处理软件识别结果进行孔隙识别对比。结果显示：FCN模型能够基本识别图像中的主要矿物、有机质与孔隙,但对颜色相近的组分和裂缝识别效果较差;Mask-RCNN模型可识别分割性强的主要矿物,但对分辨率较低的孔隙和裂缝识别效果较差;U-Net模型对主要矿物、有机质及孔隙识别效率大大提高,在页岩地质图像识别方面具有优势。相较于通用图像处理软件,U-Net模型识别速度提高了300多倍。基于深度学习U-Net模型识别结果,研究区牛蹄塘组页岩孔隙结构类型可分为矿物内圆状孔、矿物间随机不规则孔、有机棱角状孔和有机密集微孔。... 相似文献
17.
矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。 相似文献
18.
法国GUERET花岗岩内黑云母的结构特征研究 总被引：3，自引：0，他引：3
应用形态数学、图象分析及立体学原理，通过岩石薄片研究，对Gueret花岗岩内黑云母的结构特征进行了定量分析，揭示了黑云母矿物粒子在花岗岩中的密度、粒径、形状及空间分布的规律。根据岩石薄片上黑云母的灰度特征，应用直接成象方法获得其灰度图象，用自动阈值方法可用来提取黑云母粒子从而构成二值图象。借助MIPS图象分析系统，可以评价花岗岩薄片样本图象中所有黑云母粒子的参数，包括面积、周长等。花岗岩内黑云母矿物的密度、粒径 形状及空间分布的分析，揭示了其各向异性特征；同时，威布尔、正态及泊橙模型可分别用来描述黑云母矿物的粒径、形状及空间分布特征。 相似文献
19.
以常见的16类矿物作为研究对象,收集每一类矿物约1000张图像,按比例划分为训练集、验证集和测试集,通过图像随机选取增加数据的多样性,建立矿物识别InceptionV3模型,训练7万次在测试集上获得81%的识别正确率。通过对损失函数的改进,引入Center Loss损失函数,训练40万次识别准确率提高到86%。对分类的混淆矩阵分析发现,孔雀石等外观特征明显的矿物识别正确率很高,而闪锌矿等与其他矿物容易混淆导致正确率较低。从特征图分析看出,模型很好地提取了孔雀石的放射状特征,矿物图像特征向量聚集程度很高,也说明了模型的可靠性。 相似文献
20.
高放废物深部地质处置目前受到世界各国的高度重视。花岗岩是我国高放废物地质处置工程的候选围岩,深入了解处置库花岗岩的强度及破坏特性对于处置系统的设计及性能评价具有十分重要的意义。作为矿物颗粒的集合体,花岗岩是一种由石英、长石和黑云母等矿物组成的非均质岩石,矿物粒径对其宏观力学特性影响明显。以我国高放地质处置库预选区阿拉善花岗岩为例,选取矿物粒径差异明显的似斑状花岗岩和中粒花岗岩两类岩石,采用单轴压缩试验与数值模拟相结合的方式研究了矿物粒径对岩石力学特性的影响。单轴压缩试验在MTS815岩石力学试验系统进行,数值模拟采用基于离散元的颗粒流程序PFC2D完成。数值模拟过程中,以试件表面图像为基础,采用数字图像处理技术获取岩石内部矿物组分的实际空间分布,从而建立了精确反映花岗岩内部矿物种类及其空间位置的数值模型。利用该模型对花岗岩的单轴压缩试验进行了数值模拟,并与试验结果对比,论证了模型的可靠性。试验及模拟结果表明,阿拉善花岗岩破坏形式为脆性张拉破坏,裂纹大多平行于轴压方向,数字图像数值分析方法可真实地反映材料细观结构。矿物粒径对材料力学特性的影响主要表现为:细粒、等粒结构的岩石强度高,粗粒、不等粒结构的岩石强度低。研究成果可为掌握矿物粒径对岩石强度及变形特性的影响提供依据。 相似文献