[发明专利]一种岩石图像检索方法及其系统

权利要求书

1.一种岩石图像检索方法，其特征在于，所述方法包括：实时获取图像数据，将图像数据输入到训练好的深度学习网络模型中，得到检索的结果图；所述深度学习网络模型的结构包括：空间转移模块、ResNet-50特征提取结构、分块特征提取结构以及分类器；所述空间转移模块显式地允许在网络中对数据进行空间变换操作；ResNet-50特征提取结构提取进行空间变换后图像的特征；分块特征提取结构将图像特征信息进行分割，进一步提取特征和计算损失函数；分类器根据损失函数的值对图像进行分类；其中，ResNet-50表示深度学习网络中的特征提取网络；

所述空间转移模块包括本地网络、网格生成器和采样器；所述本地网络为一个子网络，包括三个卷积层和一个回归层；将数据输入到本地网络中，得到变换参数；所述网格生成器为根据本地网络层输出的变换参数构建采样网格，输入图像中的点经过采样变换后得到采样变换图；将采样网格得到的采样变换图和特征图同时输入采样器中，得到了采样变换后的特征图；

深度学习网络模型的训练过程包括：利用已收集的图像数据构建岩石图像数据集；将数据集输入到网络中，通过空间转移模块处理后，使网络能够主动地在空间上转换特征映射；将处理后的数据输入多粒度网络中，计算深度学习网络模型的总损失函数和mAP值，经过多次计算，当损失函数趋于稳定，且mAP值达到峰值时，完成深度学习网络模型的训练；

其中，mAP表示多个查询的正确率的平均值。

2.根据权利要求1所述的一种岩石图像检索方法，其特征在于，所述将处理后的数据输入多粒度网络中的过程包括：

所述多粒度网络处理数据的过程共有五个模块层，前三个模块层均由9个卷积层和3个激活层组成，第四模块层将其分支为三个独立的部分，将第二部分进行二等分切割，将第三部分进行三等分切割，且第二三部分未切割之前也保留，此时总共有8个部分，第五模块层对所有部分分别进行一次降维操作，此时每一部分维度为256；分别计算8个部分的损失函数；将8个损失函数进行联合，得到深度学习网络模型的总损失函数。

3.根据权利要求2所述的一种岩石图像检索方法，其特征在于，前三个模块的每个模块的处理数据的过程为：

stage＝Enc()+2Res()

Enc()＝2Conv()+Conv(Conv())

Res()＝3Conv()

其中，表示特征映射，s表示步长，h表示图像高度，w表示图像宽度，Enc()代表下采样操作，表示输入图像具有n个通道且分辨率为h*w，d表示维度，Res()代表残差块连接，Conv()代表卷积操作，stage表示五个模块层的层数。

4.根据权利要求2所述的一种岩石图像检索方法，其特征在于，计算8个部分的损失函数为：

将目标样本，正样本，负样本数据集分别输入到损失函数中，构建三联对比损失计算模块；将输入到L_triplet三联对比损失计算模块进行计算，得到三个部分的损失函数值；损失函数表达式为：

其中，表示第一部分全局特征，G表示第一部分，g表示全局特征，表示第二部分全局特征，p₂表示第二部分，表示第三部分全局特征，p₃表示第三部分，L_triplet表示对比损失函数，P表示类别，K表示每个类别选取的图像数量，α表示控制内部和内部距离差异的边缘参数，p表示正样本，n表示负样本，j表示变量，i表示变量，表示目标样本，表示正样本，表示负样本；

其余五个部分输入到L_softmax分类损失计算模块进行计算，其公式为：

其中，表示第二部分第一局部特征，表示第二部分第二局部特征，表示第三部分第一局部特征，表示第三部分第二局部特征，表示第三部分第三局部特征，L_softmax表示分类损失函数，表示取对数，表示目标类的权重向量，f_i表示输入的五部分数据，表示k类的权重矩阵，C表示数据集总类别数，T表示矩阵的转置。