基于岩石图像迁移学习的岩性智能识别

摘要：

岩性快速识别具有重要的基础地质研究意义与工程应用价值,本文提出了一种基于岩石图像迁移学习的岩性智能识别方法.首先,利用深度监督目标检测网络(DSOD)对图像中的岩石进行检测,通过获取岩石的位置信息并自动剪裁,建立高质量的岩石图像数据集.然后,结合ResNet网络构建岩石图像深度学习迁移模型,利用残差网络提取岩石特征信息.再利用迁移学习的方法,通过加载预训练权重对模型进行训练,从而实现岩性智能识别.此外,本文采用混淆矩阵、准确率(ACC)、P、R和F1值作为模型准确率的评价指标,对基于ResNet-101和ResNet-50的模型开展了对比分析,结果表明,基于ResNet-101的岩石图像深度学习迁移模型ACC最高可达90.21％,P最高可达91.29％,F1最高可达90.7％.相较于基于ResNet-50的模型,其识别精度更高且对每类岩石识别的稳定性更好.实验和可靠性分析表明,本文提出的岩性智能识别方法具有良好的鲁棒性和泛化性能,可用于地质、测井、交通、水利等工程中的岩性快速智能识别.

关键词：岩石图像;深度学习;岩性识别;迁移学习;人工智能;图像分类

所属期刊栏目：29

分类号：U458(隧道工程)

资助基金：国家自然科学基金优秀青年科学基金项目;国家自然科学基金青年基金项目;山东省自然科学基金杰出青年科学基金项目

在线出版日期：2021-10-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共18页

页码：1075-1092