[发明专利]一种岩石分类方法、终端设备及存储介质

说明书

本发明涉及一种岩石分类方法、终端设备及存储介质，该方法中包括：S1：采集不同类型的纹理图像组成第一训练集，采集不同类型的岩石图像组成第二训练集；S2：构建基于残差块堆叠网络的分类模型，采用迁移学习的方法，设定第一训练集为迁移学习的源域、第二训练集为迁移学习的目标域，在只改变分类模型中的全连接层的参数的情况下对模型进行训练，将训练后的分类模型作为岩石分类模型；S3：通过岩石分类模型对待识别岩石图像进行类型识别，得到待识别岩石图像对应岩石的类型。本发明通过迁移学习来防止模型过拟合或者欠拟合，提高岩石分类识别效果。

技术领域

本发明涉及岩石分类领域，尤其涉及一种岩石分类方法、终端设备及存储介质。

背景技术

自然界中大的岩石种类非常丰富，目前被人类发现的已达到三千多种。岩石岩性的识别是研究地质储层特征、计算储量和地质建模工作的基础，尤其是在矿产资源勘探中，岩性识别同样发挥着重要作用。对目标区域岩石的智能识别可以帮助确定不同岩石的布局和数量，可以为区域特征的描绘提供具体的地质信息。岩石识别效率的提高代表地质勘探工作效率得到提升，因此，如何快速识别岩石岩性是一个亟需引起重视的问题。

传统岩石样本识别的方法主要有重磁、测井、地震、遥感、电磁、地球化学、手标本及薄片分析等方法，传统的岩石样本识别都是以人眼观察、手工操作和经验分类为主，是由专业人员通过专业设备从岩石图像中提取有效信息特征来分类，主要依靠的是分类人的经验和设备灵敏度，这种方法存在着无法定量分析、效率较低、受人为主观因素影响较大、专业程度比较高和难以普及等问题。

发明内容

为了解决上述问题，本发明提出了一种岩石分类方法、终端设备及存储介质。

具体方案如下：

一种岩石分类方法，包括以下步骤：

S1：采集不同类型的纹理图像组成第一训练集，采集不同类型的岩石图像组成第二训练集；

S2：构建基于残差块堆叠网络的分类模型，采用迁移学习的方法，设定第一训练集为迁移学习的源域、第二训练集为迁移学习的目标域，在只改变分类模型中的全连接层的参数的情况下对模型进行训练，将训练后的分类模型作为岩石分类模型；

分类模型的网络结构由一层卷积层、一层最大池化层、32层残差块、一层平均池化层和一层全连接层组成，其中每个残差块由2个卷积核大小为3×3的卷积层组成，残差块的输出由残差块的输入x与经过残差块内的两层卷积层的残差映射F(x)相加得到；

S3：通过岩石分类模型对待识别岩石图像进行类型识别，得到待识别岩石图像对应岩石的类型。

进一步的，步骤S1中采集的纹理图像为Texture Library纹理数据集中的图像。

进一步的，步骤S1中第一训练集中的图像包括对纹理图像进行图像切分处理后的子图像；第二训练集中的图像包括对岩石图像切分处理后的子图像。

进一步的，步骤S1中第一训练集中的图像还包括对纹理图像的子图像进行数据增强处理后的各图像；第二训练集中的图像还包括对岩石图像的子图像进行数据增强处理后的各图像。

进一步的，分类模型的网络结构中的32层残差块分为4个模块，每个模块中残差块个数分别为3、4、6、3，分别为3个包含64个卷积核的残差块、4个包含128个卷积核的残差块、6个包含256个卷积核、3个包含512个卷积核的残差块。

进一步的，分类模型的分类器采用Softmax，优化器采用自适应矩估计算法。

进一步的，分类模型的网络结构中在每个卷积层后均设置一个BN层。

进一步的，分类模型的评价指标采用分类准确度与损失值，损失值由损失函数计算获得，损失函数采用交叉熵函数。