[发明专利]基于深度学习和迁移学习的岩层结构智能检测分类方法

权利要求书

1.一种岩层结构智能检测分类方法，其特征在于，所述岩层结构智能检测分类方法包括：

基于地质勘探中获取的大量多源钻孔数据资料，采用基于深度学习的方法，构建岩层结构分类特征深度感知模型；对构建的岩层结构分类特征深度感知模型进行深度学习和迁移学习，获取适应性更强更智能的深层感知模型，并进行孔内岩层结构的智能识别与实时分类。

2.如权利要求1所述岩层结构智能检测分类方法，其特征在于，所述岩层结构智能检测分类方法包括：

步骤一，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；

步骤二，基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；

步骤三，通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；

步骤四，基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。

3.如权利要求2所述岩层结构智能检测分类方法，其特征在于，步骤一中，所述对获取的相应资料进行处理，构建带标签特征数据库包括：

整理获取的钻孔图像数据和声波测井资料，分割钻孔图像资料，得到统一规划的特征图像数据；根据各自特征图像数据，分类归入各种标签库；得到带标签的特征数据库。

4.如权利要求2所述岩层结构智能检测分类方法，其特征在于，步骤二中，所述基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习包括：

定义合适的损失函数、选取合适的优化算法和超参数，基于标注好的训练集上，采用监督学习的方式训练神经网络，不断优化神经网络参数。

5.一种岩层结构智能检测分类系统，其特征在于，所述岩层结构智能检测分类系统包括：

数据获取模块，用于获取现有的钻孔图像数据和声波测井资料；

数据处理模块，用于对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；

模型构建训练模块，用于基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；

模型验证优化模块，用于通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；

检测分类模块，用于基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。

6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～4任意一项所述岩层结构智能检测分类方法。

7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～4任意一项所述岩层结构智能检测分类方法。

8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～4任意一项所述岩层结构智能检测分类方法。