基于机器学习的岩石薄片组分识别方法、装置及介质与流程

基于机器学习的岩石薄片组分识别方法、装置及介质
1.相关申请的交叉引用
2.本技术要求享有2021年02月08日提交的名称为“一种岩石薄片智能鉴定装置及方法”的中国专利申请cn 202110181773.4和2021年02月10日提交的名称为“一种碳酸盐岩薄片图像中生物的识别方法”的中国专利申请cn 202110182027.7的优先权，其全部内容通过引用并入本文中。
技术领域
3.本技术涉及石油地质勘探领域，特别涉及一种基于机器学习的岩石薄片组分识别方法、装置及介质。


背景技术：

4.在石油勘探开发的过程中，通常需要通过研究岩石的微观结构的方式，对于石油储层的分布情况进行确定。而在研究岩石的微观结构时，通常对于岩石薄片进行获取，并通过对于岩石薄片的鉴定确定岩石的微观结构。
5.相关技术中，在从岩石样本上取下岩石薄片后，通常采用偏光显微镜对岩石薄片进行成像和观察，并在岩石薄片显微成像的基础上进行组分区域的人工划分，在从岩石薄片上划分得到组分之后，通过人工识别的方式对于组分的种类进行确定，以确定岩石的微观结构和组成。
6.然而，由于岩石薄片中的组分区域较多，组分内容复杂，人工划分及识别方式的过程中存在多种不可控的影响因素，相关技术中对于岩石薄片中组分的识别效率较低。


技术实现要素：

7.本技术关于一种基于机器学习的岩石薄片组分识别方法、装置及介质，能够提高对于碎屑岩组分进行确定的效率。该技术方案如下：
8.一方面，提供了一种基于机器学习的岩石薄片组分识别方法，该方法包括：
9.获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，待测薄片图像中包括了至少一个表征组分区域的组分图像，组分区域指示一种组分；
10.将待测薄片图像输入岩石薄片图像识别模型，输出得到与待测薄片图像的对应的分割区域以及识别结果，分割区域用于指示基于组分区域的分割情况，识别结果的数量与分割区域的数量对应，识别结果用于指示分割区域的组分特征类型，岩石薄片图像识别模型为基于机器学习的神经网络模型；
11.基于分割区域与识别结果确定待测薄片样本的几何特征，几何特征用于表征待测薄片样本的二维结构。
12.另一方面，提供了一种基于机器学习的岩石薄片组分识别装置，该装置包括：
13.获取模块，用于获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进
行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，待测薄片图像中包括了至少一个表征组分区域的组分图像，组分区域指示一种组分；
14.输入模块，用于将待测薄片图像输入岩石薄片图像识别模型，输出得到与待测薄片图像的对应的分割区域以及识别结果，分割区域用于指示基于组分区域的分割情况，识别结果的数量与分割区域的数量对应，识别结果用于指示分割区域的组分特征类型，岩石薄片图像识别模型为基于机器学习的神经网络模型；
15.确定模块，用于基于分割区域与识别结果确定待测薄片样本的几何特征，几何特征用于表征待测薄片样本的二维结构。
16.另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本技术实施例中提供的碎屑岩组分的确定方法。
17.另一方面，提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本技术实施例中提供的基于机器学习的岩石薄片组分识别方法。
18.另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序指令，该计算机程序指令存储于计算机可读存储介质中。处理器从计算机可读存储介质读取该计算机指令，并执行该计算机指令，使得该计算机设备执行如本技术实施例中提供的基于机器学习的岩石薄片组分识别方法。
19.本技术提供的技术方案带来的有益效果至少包括：
20.在对于岩石样本的种类进行确定的过程中，将待测薄片图像输入岩石薄片图像识别模型，获得与待测薄片图像对应的分割区域以及识别结果，最终确定待测薄片样本的几何特征。在进行岩石鉴定的过程当中，借助基于机器学习的神经网络模型，通过对于待测薄片图像中的每个组分区域的分割以及识别，提高了对于岩石薄片中组分的识别效率。
附图说明
21.为了更清楚地说明本技术实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
22.图1示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的流程图；
23.图2示出了本技术一个示例性实施例提供的一种岩石薄片图像识别模型的样本集制作与模型训练的流程示意图；
24.图3示出了本技术一个示例性实施例提供的一种岩石薄片图像识别模型的结构示意图；
25.图4示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的流程图；
26.图5示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的过程示意图；
27.图6示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别装置的结构示意图；
28.图7示出了本技术一个示例性实施例提供的另一种基于机器学习的岩石薄片组分识别装置的结构示意图；
29.图8示出了本技术一个示例性实施例提供的一种执行碎屑岩组分的确定方法的计算机设备的结构示意图。
具体实施方式
30.为使本技术的目的、技术方案和优点更加清楚，下面将结合附图对本技术实施方式作进一步地详细描述。
31.首先，对于本技术各个实施例中涉及的名词进行解释：
32.图像处理技术，是用计算机对图像信息进行处理的技术，图像处理技术主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。其中，图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。
33.图像分割是将图像分割成若干个特定、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割的方法包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法中的至少一种。
34.图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
35.人工智能(artificial intelligence,ai)，是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能企图了解智能的实质，并生产出一种能以人类智能相似的方式做出反应的智能机器。人工智能目的是使机器具有感知、推理与决策的功能。
36.人工智能技术是一门综合学科，涉及领域广泛。人工智能基础技术包括但不限于传感器技术、人工智能芯片技术、云计算技术、大数据处理技术、机电一体化技术。本技术实施例中所应用的人工智能技术为机器学习技术，且该机器学习设备应用于计算机设备当中机构。
37.机器学习(machine learning,ml)，是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多个学科领域。机器学习学科专门用于研究计算机怎样模拟或实现人类的学习行为，以使计算机获取新的知识，重新组织已有的知识结构，进而改善自身性能。机器学习通常与深度学习相结合，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
38.相关技术中，在岩石鉴定领域，通常基于人工经验，通过人工识别方法对于岩石图像中的组分进行识别，并确定岩石种类。当岩石图像中的岩石薄片组分较多时，人工识别的方法将不够准确，且耗时极长，致使对于岩石图像中体现的组分的识别效率较低。而本技术
提出了一种基于机器学习的岩石薄片组分识别方法，基于人工智能以及机器学习，通过计算机设备对于岩石图像进行分析以及识别，在对于岩石薄片组分进行识别的过程中，提高了对于岩石薄片组分识别的效率以及准确率。
39.图1示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的流程图，以该方法应用于计算机设备中为例进行说明，该方法包括:
40.步骤101，获取至少一张待测薄片图像，待测薄片图像中包括了至少一个表征组分区域的组分图像。
41.本技术实施例中，计算机设备为对于图片具有读取功能的终端设备。可选地，计算机设备与图像采集设备建立有通信连接，通过通信连接，计算机设备可以向图像采集设备进行控制指令的发送，并控制图像采集设备向计算机设备反馈至少一张待测薄片图像。
42.在本技术实施例中，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片。待测薄片图像中包括至少一个可视化的组分区域，组分区域可以对岩石样本中的组分进行指示。由于在待测薄片图像上，组分区域的面积较小，故需要对待测薄片图像进行放大处理，方可使组分区域可视化。故在本技术的一个示例中，图像采集设备为具有显微图像设置功能的照相机，该照相机用于对放置在工作面上的岩石薄片样本进行拍摄。
43.需要说明的是，在本技术实施例中，待测薄片图像中包括至少两个表征组分区域的组分图像。在本技术中，组分即包括造岩组分，也即形成岩石的组分。可选地，组分包括碎屑组分、化学
‑
生物组分、蒸发化学组分、有机质衍变组分、火山喷发组分、宇宙物质组分中的至少一种，而各个类型的组分可被进一步划分为更小层级的组分。在待测薄片样本上包括数个组分区域，每个组分区域内的组分相同。可选地，相邻两个组分区域内的组分相同，或，相邻两个组分区域内的组分不同。可选地，在本技术实施例中，岩石薄片样本为砂岩岩石薄片样本，此时，组分图像中指示的组分即与砂岩的组分相对应。砂岩组分可被碎屑和填隙物。在此基础上，碎屑组分可被分为石英碎屑、长石碎屑、岩屑碎屑、其他矿物碎屑以及蚀变碎屑；石英碎屑中还包括燧石碎屑；长石碎屑中还包括斜长石碎屑和钾长石碎屑；岩屑碎屑中还包括沉积岩岩屑、火成岩岩屑、变质岩岩屑、火山碎屑岩岩屑、复晶石英碎屑共计五个子类。当岩石薄片样本为砂岩岩石薄片样本，即计算机设备用于通过本技术实施例对于组分图像进行识别时，组分的内容将被细分至与沉积岩岩屑等组分相同的层级。
44.步骤102，将待测薄片图像输入岩石薄片图像识别模型，输出得到与待测薄片图像的对应的分割区域以及识别结果。
45.在本技术实施例中，岩石薄片图像识别模型为基于机器学习的神经网络模型。该神经网络模型基于人工智能，通过机器学习的方式进行训练，在训练完善后，即可对应作为输入值的待测薄片图像，输出得到与待测薄片图像对应的分割区域以及识别结果。
46.在本技术的一个示例中，待测薄片图像对应的分割区域用于指示基于组分区域的分割情况，也即，待测薄片图像对应的分割区域用于通过分割标注的方式，对于待测薄片图像内的各个组分区域进行划分以及显示。在确定分割区域后，岩石薄片图像识别模型还对于该图像中的具体组分内容进行识别，得到识别结果。识别结果用于指示分割区域的组分特征类型，且每一个分割区域都对应有一个识别结果。
47.由上述内容可知，在本技术实施例的岩石薄片图像识别模型中，存在先进行分割
区域的确定，后进行识别结果的确定的过程。在本技术的其他实施例中，岩石薄片图像识别模型可以同时进行分割区域与识别结果的确定，也可以先进行识别结果的确定，再通过分割区域的划分结果对于识别结果进行验证与修正。本技术对于分割区域与识别结果的输出先后顺序不做限定。
48.步骤103，基于分割区域与识别结果确定待测薄片样本的几何特征，几何特征用于表征待测薄片样本的二维结构。
49.在本技术实施例中分割区域可以体现出与待测薄片图像对应的组分区域的数量、与待测薄片图像对应的组分区域的大小和与待测薄片图像对应的组分分布密度中的至少一种，而识别结果可以体现出待测薄片图像中所包含的组分的具体种类。基于上述二者，即可确定待测薄片样本的二维结构，也即待测薄片样本的几何特征。通过对于待测薄片样本的几何特征的确定，进而对于待测薄片样本所对应的岩石样本的定名、矿物分析、性质分析等工作起到指导作用。
50.综上所述，本技术实施例提供的方法，在对于岩石样本的种类进行确定的过程中，将待测薄片图像输入岩石薄片图像识别模型，获得与待测薄片图像对应的分割区域以及识别结果，最终确定待测薄片样本的几何特征。在进行岩石鉴定的过程当中，借助基于机器学习的神经网络模型，通过对于待测薄片图像中的每个组分区域的分割以及识别，提高了对于岩石薄片中组分的识别效率。
51.对应如上实施例中，分割区域以及识别结果的输出方式可知，岩石薄片图像识别模型具有同时或先后的，对于待测薄片图像进行组分区域的划分以及组分区域的识别的功能。故在针对岩石薄片图像识别模型的训练过程中，需要对应组分区域的划分以及选取功能，进行样本集的制作。图2示出了本技术一个示例性实施例提供的一种岩石薄片图像识别模型的样本集制作与模型训练的流程示意图，以该方法应用于计算机程序中为例进行说明，该方法包括：
52.步骤201，获取候选薄片图像，候选薄片图像中包括至少一个组分区域，候选薄片图像中包括候选薄片单偏光图像以及候选薄片正交偏光图像。
53.候选薄片图像为用于制作样本集的岩石薄片图像。该岩石薄片图像已被确定了组分区域以及识别结果。在一个示例中，候选薄片图像中已被标注的各个组分区域的位置，以及各个组分区域的识别结果。
54.在本技术实施例中，为获取更多维度的图像特征。候选薄片图像为基于同一视角对候选岩石薄片进行拍摄得到的两张图像，分别为候选薄片单偏光图像以及候选薄片正交偏光图像。
55.步骤202，基于组分区域位置，对候选薄片图像进行划分，得到样本分割区域。
56.该过程即为基于候选薄片图像已具有的分割结果，对于候选薄片图像进行划分标注的过程。在一个示例中，计算机设备基于控制信号，对候选薄片图像进行划分。在本技术实施例中，样本分割区域以标注线的形式体现在候选薄片图像上，用于体现组分区域的位置。
57.步骤203，基于组分区域的种类以及样本分割区域，对候选薄片图像进行识别，得到样本识别结果。
58.在本技术实施例中，样本识别结果对应分割区域进行标注，用于体现组分区域的
种类。
59.步骤204，将样本识别结果与样本分割区域标注至候选薄片单偏光图像，并结合候选薄片正交偏光图像，得到样本薄片图像。
60.在本技术实施例中，候选薄片正交偏光图像用于对候选薄片单偏光图像的组分区域划分以及识别过程进行参考，故结合候选薄片正交偏光图像，对薄片单偏光图像的分割以及识别结果进行验证与修正，在验证与修正结束后，生成具有标注的样本薄片图像。
61.步骤205，将样本薄片图像存储至样本集中。
62.在本技术实施例中，计算机设备中存储有样本集，样本薄片图像即会被存储至样本集当中。
63.步骤206，对候选薄片图像进行数据增强处理，得到增强候选薄片图像。
64.在本技术实施例中，在制作样本集的过程中，受到实际条件的限制，当组分样本图像的数量较少时，需要通过数据增强的方式对于组分图像进行处理，以获取额外的，可以选入组分图像样本集的图像。在本技术实施例中，将此类通过仿射变换处理、裁剪处理、拼接处理以及均衡化增处理得到的图像确定为增强候选薄片图像。
65.在一个示例中，上述增强处理过程为针对包括一个组分区域的候选薄片图像的处理过程。
66.步骤207，将样本分割区域与样本识别结果标注至增强候选薄片图像，得到样本薄片图像。
67.在本技术实施例中，增强候选薄片图像所对应的分割区域以及识别结果即为与生成其的样本薄片图像相同。故将样本分割区域和样本识别结果直接标注至增强候选薄片图像当中，即可获得新的样本薄片图像。
68.步骤208，从样本集中获取样本薄片图像，样本薄片图像标注有样本分割区域以及样本识别结果。
69.如上步骤201至步骤207所述为样本集的制作过程，步骤208至步骤211为岩石薄片图像模型的训练过程。
70.在训练过程中，计算机设备即进行样本薄片图像的获取，也即，从存储的样本集中进行样本薄片图像的调取。
71.步骤209，将样本薄片图像输入岩石薄片图像识别模型，输出得到预测分割区域和预测识别结果。
72.该过程即为通过训练未完成的岩石薄片图像识别模型，进行对应样本薄片图像的，分割区域和识别结果的确定过程。
73.步骤210，将预测分割区域与样本分割区域进行比对，得到第一比对结果，并将预测识别结果与样本识别结果进行比对，得到第二比对结果。
74.在本技术实施例中，预测分割区域与样本分割区域、预测识别结果与样本识别结果对应。由于模型处于训练过程中，预测分割区域与样本分割区域之间，预测识别结果与样本识别结果之间具有存在差异的可能性，故将预测分割区域与样本分割区域进行比对，得到第一比对结果，并将预测识别结果与样本识别结果进行比对，得到第二比对结果。
75.步骤211，基于第一比对结果对岩石薄片图像分割子网络进行调整，并基于第二比对结果对组分图像识别子网络进行调整。
76.在本技术实施例中，响应于第一比对结果满足第一比对条件，确定岩石薄片图像分割子网络的训练完成；响应于第二比对结果满足第二比对条件，确定组分图像识别子网络的训练完成。
77.在本技术实施例中，岩石薄片图像识别模型包括岩石薄片图像分割子网络和组分图像识别子网络，以分别执行对于样本薄片图像的分割及识别过程。
78.可选地，第一比对条件中包括第一相似度条件与第一训练次数条件。第一相似度条件即指示计算机设备中存储有第一相似度阈值，当预测分割区域与样本分割区域的相似度高于该第一相似度阈值时，即确定岩石薄片图像识别模型中与岩石薄片图像分割部分的训练完成，也即，岩石薄片图像分割子网络的训练完成。第一训练次数条件即指示计算机设备中存储与第一训练次数阈值，当岩石薄片图像识别模型的训练次数达到该训练阈值时，确定岩石薄片图像分割子网络的训练完成。
79.对应地，第二比对条件中包括第二相似度条件与第二训练次数条件，第二相似度条件与第二训练次数条件的内容在此不作赘述。
80.在此基础上，响应于第一比对结果满足第一比对条件，且第二比对结果满足第二比对条件，确定岩石薄片图像识别模型的整体训练完成。
81.需要说明的是，本技术中所涉及的，包括“相似度阈值”“训练次数阈值”在内的所有阈值，实现为计算机设备程序当中的数值。该阈值可以实现为在计算机设备执行相应步骤时，通过人工输入方式临时确定的数值，也可以实现为在计算机设备的存储器中预存的阈值。本技术对于阈值的实现方式不做限定。
82.综上所述，本技术实施例提供的方法，对应作为岩石薄片图像识别模型的输入量的待测薄片图像，进行样本集的制作，并且在样本集数量足够的前提下，进行岩石薄片图像识别模型的训练，以进一步提高对于岩石薄片中组分的识别效率。
83.如上所述，岩石薄片图像识别模型包括岩石薄片图像分割子网络和组分图像识别子网络，以分别执行对于样本薄片图像的分割及识别过程。在图像分割子网络中，还包括了特征图像生成网网络、区域建议网络以及结果生成网络，以适配由样本输入图像或待测薄片图像的输入到分割图像的输出的过程。请参考图3，岩石薄片图像识别模型300中包括岩石薄片图像分割子网络311和组分图像识别子网络312。其中，岩石薄片图像分割子网络311中包括特征图像生成网络321、区域建议网络322以及结果生成网络323。上述三个子网络在岩石薄片图像分割模型中相互连接。其中，特征图像生成网络321中包括特征提取子网络3211以及特征强化子网络3212，结果生成网络323中包括区域分类分支网络3231以及边框回归分支网络3232。
84.基于上述图3所示的岩石薄片图像识别模型300，图4示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的流程图，以该方法应用于计算机设备中为例进行说明，该方法包括。
85.步骤401，获取至少一张待测薄片图像。
86.在本技术实施例中，如步骤201中所示，待测薄片图像的数量为两张。两张待测薄片图像分别为与待测薄片对应的单偏光图像与正交偏光图像。在单偏光图像与正交偏光的照射下，待测薄片将会体现出不同的颜色，此时，图像采集设备也即获取到不同的待测薄片图像。故，在本技术实施例中，图像采集设备实现为偏光显微镜。
87.需要说明的是，在本技术实施例中，岩石样本为碎屑岩岩石样本，此时，待测薄片图像即为与碎屑岩对应的图像。两张待测薄片图像为与碎屑岩的待测薄片对应的单偏光图像以及正交偏光图像。
88.步骤402，将待测薄片图像输入特征提取子网络，输出得到表层特征图像。
89.在本技术实施例中，岩石薄片图像识别模型包括岩石薄片图像分割子网络和组分图像识别子网络；岩石薄片图像分割子网络用于对待测薄片图像进行分割；组分图像识别子网络用于对待测薄片图像中的分割区域进行组分识别。
90.步骤402至步骤407即为通过岩石薄片图像分割子网络，获取分割区域的过程。
91.在本技术实施例中，岩石薄片图像分割子网络为基于mask
‑
rcnn网络构建的。待测薄片图像将会被首先输入特征提取子网络，在特征提取子网络中，两张待测薄片图像的图像特征将会被初步提取，以得到表层特征图像。在本技术实施例中，表层特征图像可以体现为具有多个层级的特征图的集合。
92.步骤403，将表层特征图像输入特征强化子网络，输出得到特征图像。
93.在本技术实施例中，特征强化子网络可以实现为特征金字塔网络，该特征金字塔网络用于提高特征融合的准确性。将表层特征图像输入特征强化子网络后，即可得到特征增强后的特征图像。
94.步骤404，将特征图像输入区域建议网络，输出得到与待测薄片的初步分割特征图像。
95.在本技术实施例中，区域建议网络用于对于分割的区域进行初步确定，也即，区域建议网络用于基于特征图像确定待测薄片图像中可能被划分出组分区域的部分。
96.步骤405，确定第一插值方向以及第二插值方向。
97.在本技术实施例中，在通过区域建议网络确定初步分割特征图像后，对应特征向量，选取其中的两个向量方向作为插值方向。
98.步骤406，按第一插值方向以及第二插值方向对初步分割特征图像进行边界细化处理。
99.可选地，在如步骤405所述的插值方向确定过程之后，通过双线性插值的方式，对于初步分割特征图像进行边界细化处理，以排除像素点偏移的干扰。
100.步骤407，将初步分割特征图像输入区域分类分支网络中，通过区域分类分支网络对于初步分割特征图像进行性质分类，并通过边框回归分支网络对初步分割特征图像进行边界修正，输出得到分割区域。
101.在本技术实施例中，岩石薄片图像分割模型中包括结果生成网络。该结果生成网络中与进行初步分割特征图像的性质分类以及边界修正，以在输出的分割图像上对于分割区域进行精确显示。在该过程中，初步分割特征图像的性质分类由区域分类分支网络执行，初步分割特征图像的便捷修正由边框回归分支网络执行。
102.步骤408，通过组分图像识别子网络对待测薄片图像中的分割区域进行组分识别，得到识别结果。
103.在本技术中，组分图像识别子网络为通过数据集进行训练得到的网络。可选地，在mobilenet网络，resnet网络，vgg网络等分类网络中进行组分种类识别模型的选型确定，并构建相关参数通过组分图像识别子网络。
104.在本技术实施例中，岩石薄片图像识别模型为经过样本集训练的基于深度学习的模型。组分图像识别子网络以及岩石薄片图像分割子网络均为岩石薄片图像识别模型当中的一部分。
105.步骤409，基于分割区域与识别结果确定待测薄片样本的几何特征。
106.在本技术实施例中，识别结果与分割区域对应，也即，一个分割区域对应一个识别结果，结合分割区域与识别结果，即可确定待测薄片样本的几何特征。该几何特征可以对碎屑岩组分的确定提供指导，进而对岩石种类的定名提供帮助。
107.综上所述，本技术实施例提供的方法，在对于岩石样本的种类进行确定的过程中，将待测薄片图像输入岩石薄片图像识别模型，获得与待测薄片图像对应的分割区域以及识别结果，最终确定待测薄片样本的几何特征。在进行岩石鉴定的过程当中，借助基于机器学习的神经网络模型，通过对于待测薄片图像中的每个组分区域的分割以及识别，提高了对于岩石薄片中组分的识别效率。
108.图5示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别方法的过程示意图，该过程包括：
109.步骤501，获取碎屑岩薄片显微图像。
110.该过程即为获取待测薄片图像以及样本薄片图像的过程。在本技术实施例中，待测薄片图像与样本薄片图像均为与碎屑岩对应的显微图像。
111.可选地，图像特征要求统一，每一组碎屑岩薄片显微图像应含同一视域对应的单偏光、正交偏光图像各一张，图像数据特征需涵盖碎屑岩不同的结构特征和组分特征。
112.在一个示例中，待测薄片图像与样本薄片图像通过偏光显微镜，在对应至少五倍物镜，位于白光源或黄光源的光源环境的情况下进行拍摄得到。
113.在本技术实施例中，从碎屑颗粒类型的覆盖、碎屑颗粒的大小、碎屑颗粒具体形态、相邻碎屑颗粒之间的接触关系、填隙物的种类、填隙物的含量维度、碎屑颗粒与填隙物之间的胶结方式中的至少两个维度进行样本集的选取与生成。在一个示例中，基于颗粒类型的覆盖以及填隙物的种类维度进行样本集的选取，共计选取600张样本薄片图像。
114.步骤502，制作碎屑岩薄片显微图像像素级实例分割数据集，通过特制的图像标注软件，在碎屑岩薄片显微图像中绘制不同种类的颗粒和填隙物轮廓，并制定标注规则进行统一标注。
115.在本技术实施例中，通过计算机设备中给的软件对于样本进行标注。
116.在标注过程中，应基于如下标注规则进行标注：
117.标注规则之一，针对某一张碎屑岩薄片图像进行标注操作时，应使用多边形尽可能准确的勾勒出颗粒的轮廓，并使每一个颗粒轮廓形成闭合；
118.标注规则之二，针对某一张碎屑岩薄片图像进行标注操作时，应一次性标注出该图像中所有的颗粒；
119.标注规则之三，针对某一张碎屑岩薄片图像进行标注操作时，针对颗粒的命名应完全相同，例如统一标注为“颗粒”；
120.标注规则之四，针对某一张碎屑岩薄片图像进行标注操作时，可以同样的方法标注出图像中所有的填隙物，也可在图像中只标注出颗粒，再通过后续处理，将图像分割为颗粒和填隙物两个部分，从而将颗粒分割问题转化为一个二分类问题，为节省时间，本项目采
用的是第二种方式；
121.标注规则之五，鉴于碎屑岩薄片单偏光图像和正交偏光图像的特征，统一对每一组图像中的单偏光图像进行标注；
122.标注规则之六，鉴于碎屑岩薄片单偏光图像和正交偏光图像的特征，在单偏光图像上进行标注时，应实时对照正交偏光图像，以增加标注的准确性；
123.标注规则之七，数量应至少大于150张，以保证数据集的完备性。
124.步骤503，对于数据集中的组分区域进行命名标注。
125.对于步骤502中分割得到的组分区域，在遵循如下规则的前提下进行命名：
126.命名规则之一：首先应将所有颗粒和填隙物进行统一分类，并在后续的标注过程中按该类别统一命名，不应出现规定类别之外的名称。
127.本步骤执行过程中，考虑到数据集中图像涵盖的岩石种类，对岩石种类进行分类如下：
128.石英、石英—燧石、长石
‑‑
钾长石、长石—斜长石、岩屑—沉积岩岩屑、岩屑—复晶石英、岩屑—火成岩岩屑、岩屑—变质岩岩屑、岩屑—火山碎屑岩岩屑、其他矿物碎屑、蚀变碎屑、胶结物—粘土矿物、胶结物—碳酸盐类、胶结物—硅质、胶结物—硫酸盐类、胶结物—沸石类、杂基、其他填隙物。
129.命名规则之二，针对所有图像中的颗粒，应全部绘制并按上述种类命名。
130.命名规则之三，针对同一种颗粒出现了多次的情况，直接用同样的名称标注出来即可，在一个示例中，石英出现了三次，直接全部标注为“石英”即可，而不用标注为“石英1”、“石英2”、“石英3”。
131.步骤504，对样本薄片图像进行数据增强操作，并划分数据集。
132.在本步骤中，先通过图层映射，将单偏光图像标注数据映射到正交偏光图像，使数据集扩充一倍，再通过数据清洗和数据增强之后，获得最终的碎屑岩薄片显微图像实例分割数据集，并划分数据集。
133.该过程即为对样本薄片图像进行变换，以扩充与样本薄片图像对应的数据集的过程。在该过程中，通过图层映射、数据清洗、数据增强以及数据集划分的组合，进行对应的数据集的扩充。
134.步骤505，使用碎屑岩薄片显微图像实例分割数据集，训练预设的mask
‑
rcnn模型，以确定岩石薄片图像分割子网络。
135.该过程即为岩石薄片图像分割子网络的生成以及训练过程。
136.在该过程中，首先选择神经网络骨干模型，并设置神经网络超参数，以建立对应岩石薄片分割模型的底层架构。在一个示例中，该网络为resnet网络。
137.其次，基于神经网络，将样本薄片图像输入该网络当中，进行特征图像的神成，以及特征图像层级的确定，以提高特征融合的准确性。
138.之后，通过生成检测框，并对应生成区域建议网络的方式，确定与样本薄片图像对应的初步分割特征图像。初步分割图像的大小对应检测框的尺寸。
139.基于上述初步分割特征图像、检测框等参数，结合中间层、窗口结构、窗口坐标等参数，将形成区域建议网络。在通过该区域建立网络后，通过结果生成网络，进行对于分割图像中的区域的边界坐标修正以及分割结果的计算验证。
140.在上述过程中各个子网络以及整体模型的参数设置完成后，即可建立岩石薄片图像分割子网络。
141.此时，即可通过岩石薄片图像分割子网络对待测薄片图像进行图像分割。
142.步骤506，针对砂岩薄片图像分割任务，通过多次实验，设计并修改训练过程的超参数。
143.该过程即对应通过样本集，对于岩石图像分割模型的训练过程。在一个示例中，基于训练轮数对于图像分割任务进行确定，训练轮数为至少50轮；在另一个示例中，基于感兴趣区域设定对于训练结果的确定；在另一个示例，通过对于待检测的样本数量的设定对于训练结果进行确定。该过程中，可采用设置每轮固定抽取的样本图像的方式，控制总训练轮次，以提高子网络的训练效率。
144.步骤507，通过训练完成的岩石薄片图像识别模型进行待测薄片图像的识别。
145.综上所述，本技术实施例提供的方法，在对于岩石样本的种类进行确定的过程中，将待测薄片图像输入岩石薄片图像识别模型，获得与待测薄片图像对应的分割区域以及识别结果，最终确定待测薄片样本的几何特征。在进行岩石鉴定的过程当中，借助基于机器学习的神经网络模型，通过对于待测薄片图像中的每个组分区域的分割以及识别，提高了对于岩石薄片中组分的识别效率。
146.图6示出了本技术一个示例性实施例提供的一种基于机器学习的岩石薄片组分识别装置的结构示意图，该装置包括：
147.获取模块601，用于获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，待测薄片图像中包括了至少一个表征组分区域的组分图像，组分区域指示一种组分；
148.输入模块602，用于将待测薄片图像输入岩石薄片图像识别模型，输出得到与待测薄片图像的对应的分割区域以及识别结果，分割区域用于指示基于组分区域的分割情况，识别结果的数量与分割区域的数量对应，识别结果用于指示分割区域的组分特征类型，岩石薄片图像识别模型为基于机器学习的神经网络模型；
149.确定模块603，用于基于分割区域与识别结果确定待测薄片样本的几何特征，几何特征用于表征待测薄片样本的二维结构。
150.在一个可选的实施例中，岩石薄片图像识别模型包括岩石薄片图像分割子网络和组分图像识别子网络；
151.岩石薄片图像分割子网络用于对待测薄片图像进行分割；
152.组分图像识别子网络用于对待测薄片图像中的分割区域进行组分识别。
153.在一个可选的实施例中，岩石薄片图像分割子网络包括依次连接的特征图像生成网络、区域建议网络以及结果生成网络；
154.输入模块602，还用于将待测薄片图像输入特征图像生成网络，输出得到与待测薄片图像对应的特征图像；
155.将特征图像输入区域建议网络，输出得到与待测薄片图像对应的初步分割特征图像；
156.将初步分割特征图像输入结果生成网络，输出得到分割区域。
157.在一个可选的实施例中，结果生成网络中包括区域分类分支网络以及边框回归分
支网络；
158.输入模块602，还用于将初步分割特征图像输入区域分类分支网络中，通过区域分类分支网络对于初步分割特征图像进行性质分类，并通过边框回归分支网络对初步分割特征图像进行边界修正，输出得到分割区域。
159.在一个可选的实施例中，特征图像生成网络中包括依次连接的特征提取子网络以及特征强化子网络；
160.输入模块602，还用于将待测薄片图像输入特征提取子网络，输出得到表层特征图像；
161.将表层特征图像输入特征强化子网络，输出得到特征图像。
162.在一个可选的实施例中，获取模块601，还用于从样本集中获取样本薄片图像，样本薄片图像标注有样本分割区域以及样本识别结果；
163.输入模块602，还用于将样本薄片图像输入岩石薄片图像识别模型，输出得到预测分割区域和预测识别结果；
164.请参考图7，该装置，还包括比对模块604，用于将预测分割区域与样本分割区域进行比对，得到第一比对结果，并将预测识别结果与样本识别结果进行比对，得到第二比对结果；
165.调整模块605，用于基于第一比对结果对岩石薄片图像分割子网络进行调整，并基于第二比对结果对组分图像识别子网络进行调整。
166.在一个可选的实施例中，确定模块603，还用于响应于第一比对结果满足第一比对条件，确定岩石薄片图像分割子网络的训练完成；
167.响应于第二比对结果满足第二比对条件，确定组分图像识别子网络的训练完成；
168.响应于第一比对结果满足第一比对条件，且第二比对结果满足第二比对条件，确定岩石薄片图像识别模型的训练完成。
169.在一个可选的实施例中，从样本集中获取样本薄片图像之前，获取模块601，还用于获取候选薄片图像，候选薄片图像中包括至少一个组分区域，候选薄片图像中包括候选薄片单偏光图像以及候选薄片正交偏光图像；
170.该装置，还包括划分模块606，用于基于组分区域位置，对候选薄片图像进行划分，得到样本分割区域；
171.识别模块607，用于基于组分区域的种类以及样本分割区域，对候选薄片图像进行识别，得到样本识别结果；
172.标注模块608，用于将样本识别结果与样本分割区域标注至选薄片单偏光图像，并结合候选薄片正交偏光图像，得到样本薄片图像；
173.存储模块609，用于将样本薄片图像存储至样本集中。
174.在一个可选的实施例中，该装置，还包括处理模块610，用于对候选薄片图像进行数据增强处理，得到增强候选薄片图像，数据增强处理包括仿射变换处理、裁剪处理、拼接处理以及均衡化增强处理中的至少一种；
175.将样本分割区域与样本识别结果标注至增强候选薄片图像，得到样本薄片图像。
176.在一个可选的实施例中，岩石样本为碎屑岩岩石样本。
177.综上所述，本技术实施例提供的碎基于机器学习的岩石薄片组分识别装置，在对
于岩石样本的种类进行确定的过程中，将待测薄片图像输入岩石薄片图像识别模型，获得与待测薄片图像对应的分割区域以及识别结果，最终确定待测薄片样本的几何特征。在进行岩石鉴定的过程当中，借助基于机器学习的神经网络模型，通过对于待测薄片图像中的每个组分区域的分割以及识别，提高了对于岩石薄片中组分的识别效率
178.需要说明的是：上述实施例提供的基于机器学习的岩石薄片组分识别装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
179.图8示出了本技术一个示例性实施例提供的一种执行基于机器学习的岩石薄片组分识别方法的计算机设备的结构示意图，该计算机设备包括：
180.处理器801包括一个或者一个以上处理核心，处理器801通过运行软件程序以及模块，从而执行各种功能应用以及数据处理。
181.接收器802和发射器803可以实现为一个通信组件，该通信组件可以是一块通信芯片。可选地，该通信组件可以实现包括信号传输功能。也即，发射器803可以用于发射控制信号至图像采集设备以及扫描设备中，接收器802可以用于接收对应的反馈指令。
182.存储器804通过总线805与处理器801相连。
183.存储器804可用于存储至少一个指令，处理器801用于执行该至少一个指令，以实现上述方法实施例中的各个步骤。
184.本技术实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，以由处理器加载并执行以实现上述基于机器学习的岩石薄片组分识别方法。
185.本技术还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的基于机器学习的岩石薄片组分识别方法。
186.可选地，该计算机可读存储介质可以包括：只读存储器(rom，read only memory)、随机存取记忆体(ram，random access memory)、固态硬盘(ssd，solid state drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(reram,resistance random access memory)和动态随机存取存储器(dram，dynamic random access memory)。上述本技术实施例序号仅仅为了描述，不代表实施例的优劣。
187.本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
188.上述仅为本技术的可选实施例，并不用以限制本技术，凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。