1.本发明涉及一种基于人工智能的砂岩薄片图像鉴定方法和系统，属于矿物鉴定技术领域，特别涉及智能化的砂岩薄片鉴定技术领域。
背景技术：2.砂岩薄片鉴定根据砂岩的光学性质，如晶形、干涉色、解理等确定矿物的种类、来源。砂岩是一种沉积岩，主要由砂级(主要粒径介于2
‑
0.005mm之间)沉积物经过埋藏后发生变化作用，即在温度、压力场中发生固结成岩后形成的岩石，其中，石英、长石、岩屑是砂岩的主要碎屑组成，其次是一些生物碎片与化学物质和少量粘土级、砾石级碎屑也会夹杂其中。砂岩是油气等能源和矿产赋存的主要场所，因此对砂岩的鉴定分类有助于能源和矿产的勘探开发。现有的砂岩薄片鉴定多采用人工，不仅需要专业的鉴定专家，且价格高昂、效率低；鉴定工作也有赖于鉴定专家的个人经验，不可复制；每种矿物及碎屑的含量是由专家目估，存在较大系统误差。
技术实现要素：3.针对上述问题，本发明的目的是提供了一种基于人工智能的砂岩薄片图像鉴定方法和系统，其依靠计算机图像的目标检测与识别技术对砂岩薄片图像进行鉴别与分类，完全替代了人工鉴定分类，提高了效率，节约了人力成本，可重复性强。
4.为实现上述目的，本发明采取以下技术方案：一种基于人工智能的砂岩薄片图像鉴定方法，包括以下步骤：s1采集砂岩薄片的单偏光及多角度正交偏光图像，并对图像进行标注，分别形成图像库和标注库；s2将图像库中图像输入卷积神经网络生成特征图；s3根据特征图预测鉴定目标的候选区域，将对应图像输入卷积神经网络中进行特征提取；s4对步骤s3中提取的特征进行分类；s5测定砂岩薄片中各类别矿物的视面积含量。
5.进一步，步骤s2中特征图生成方法为：将图像库中的每一张图像输入多层卷积神经网络，将图像的红、绿、蓝三个通道的颜色值转化为高维语义特征图。
6.进一步，步骤s3的具体步骤是：s3.1结合rpn预测的鉴定目标候选区域和步骤s2中的特征图，计算每个鉴定目标的子区域特征；s3.2将步骤s3.1中获得的每个鉴定目标的子区域特征输入若干个不同的神经网络分支，分别对鉴定目标的不同特性进行预测；s3.3对步骤s3.2中的预测结果中过滤掉重叠部分，得到分割预测结果；s3.4结合标注库对步骤s3.3进行优化，得到最终的分割预测结果。
7.进一步，鉴定目标的不同特性至少包括目标的类别、位置和分割区域。
8.进一步，步骤s3.1中rpn预测鉴定目标候选区域的方法为：通过rpn网络设定多个不同尺寸和长宽比的anchor box，使用滑动窗的方式判断步骤s2的特征图上每一个位置是否存在anchor尺寸的物体，若存在，则使用roi align方法计算每个物体的子区域特征。
9.进一步，roi align方法具体步骤包括：将rpn网络设定的物体检测框平均分为a
×
b个子区域，在每个子区域内选取c个采样点，将每个采样点映射至原特征图中后，使用双线
性插值计算采样点处的特征向量值，最后使用max pooling将多个采样点的特征融合为子区域特征。
10.进一步，步骤s4中对提取的特征进行分类的方法为：对提取的特征使用基于权重的特征聚合模型进行聚合，从而得到描述砂岩薄片图像的特征向量；然后结合标注库利用梯度下降算法对特征聚合模型进行优化。
11.进一步，基于权重的特征聚合模型假设每张图像提取的特征向量为x
i
，图像数为n，则特征融合过程通过对输出特征求加权和实现；分类器为全连接网络，假设图像类别数为m，输出层特征为z，输出层权重为w
i
，则第i类的概率预测值为：
[0012][0013]
其中，t是转置矩阵，分类器的参数θ通过优化交叉熵损失函数进行训练：
[0014]
进一步，步骤s5中的可视化显示为将分类结果进行智能旋转
‑
拼接
‑
合成，并将各类别矿物的视面积含量对应投在砂岩分类三角图的相应位置。
[0015]
本发明还公开了一种基于人工智能的砂岩薄片图像鉴定系统，包括：图像采集模块，用于采集砂岩薄片的单偏光及多角度正交偏光图像，并对图像进行标注，分别形成图像库和标注库；特征图生成模块，用于将图像库中图像输入卷积神经网络生成特征图；图像分割模块，用于根据特征图预测鉴定目标的候选区域，并将其与专家标注的结果进行对比，以计算其置信度，若置信度高于阈值，则将对应图像输入卷积神经网络中进行特征提取；图像分类模块，用于对图像分割模块中提取的特征进行分类，结合标注库中的标注对分类进行修正；可视化模块，用于测定砂岩薄片中各类别矿物的视面积含量，根据图像分割模块中鉴定目标的候选区域和图像分割模块中的分类结果，将砂岩薄片中各类别矿物进行可视化显示。
[0016]
本发明由于采取以上技术方案，其具有以下优点：本发明首先对砂岩薄片图像进行分割，再从图像分割中选择确定性矿物及碎屑进行分类训练。采用两步法的训练方法，在一定程度上减少了不确定性颗粒用来分类训练，从而提高了分类模型的精度；此外也能够解决石英、长石、岩屑类数据不均衡等问题。在保证分类准确率的情况下，提升了召回率；同时充分利用了专家标注的经验，提取确定性矿物和颗粒的光学特征，适用于砂岩薄片图像的自动鉴定及分类。实验数据表明，本发明方法对砂岩薄片图像鉴别具有较高的准确性，包括召回率和精度；另外，随着图像的不断增加，训练模型更加增强，可以进一步提高砂岩薄片图像的鉴定及分类的准确性。
附图说明
[0017]
图1是本发明一实施例中图像分割模块处理方法的流程图；
[0018]
图2是本发明一实施例中图像分类模块处理方法的流程图；
[0019]
图3是本发明一实施例中基于权重的特征聚合模型的结构示意图；
[0020]
图4是本发明一实施例中不同类型砂岩薄片的各特征对应权重的示意图；
[0021]
图5是本发明一实施例中通过标签库优化特征聚合模型的示意图；
[0022]
图6是本发明一实施例中砂岩分类三角图，其中，q是石英，f是长石，r是岩屑，i
‑
石英砂岩，ii
‑
长石石英砂岩，iii
‑
岩屑石英砂岩，iv
‑
长石砂岩，
ⅴ‑
岩屑长石砂岩，vi
‑
长石岩屑砂岩，
ⅶ‑
岩屑砂岩。
具体实施方式
[0023]
为了使本领域技术人员更好的理解本发明的技术方案，通过具体实施例对本发明进行详细的描述。然而应当理解，具体实施方式的提供仅为了更好地理解本发明，它们不应该理解成对本发明的限制。在本发明的描述中，需要理解的是，所用到的术语仅仅是用于描述的目的，而不能理解为指示或暗示相对重要性。
[0024]
本发明涉及一种基于人工智能的砂岩薄片图像鉴定方法和系统，其首先对砂岩薄片图像进行分割，再从图像分割中选择确定性矿物及碎屑进行分类训练。采用两步法的训练方法，在一定程度上减少了不确定性颗粒用来分类训练，从而提高了分类模型的精度；此外也能够解决石英、长石、岩屑类数据不均衡等问题。下面结合附图，通过两个实施例对本发明的技术方案进行详细阐述。
[0025]
实施例一
[0026]
本实施例公开了一种基于人工智能的砂岩薄片图像鉴定方法，如图1、2所示，包括以下步骤：
[0027]
s1采集砂岩薄片的单偏光及多角度正交偏光图像，并对图像进行标注，分别形成图像库和标注库。
[0028]
本实施例多角度正交偏光图像中多角度包括但不限于0
°
、15
°
、30
°
、45
°
和90
°
，图像选择高清图像，将图像转换为位图格式，通常建议采用tiff格式。每一种图像包括r个像素，每个像素包括红、绿、蓝三个颜色值。
[0029]
s2将图像库中图像输入卷积神经网络生成特征图。
[0030]
其中，特征图生成方法为：将图像库中的每一张图像输入多层卷积神经网络，将图像的红、绿、蓝三个通道的颜色值转化为高维语义特征图。
[0031]
s3根据特征图预测鉴定目标的候选区域，并将其与专家标注的结果进行对比，以计算其置信度，若置信度高于阈值，则将对应图像输入卷积神经网络中进行特征提取。
[0032]
其具体包括：s3.1将图像输入rpn网络中，对鉴定目标候选区域进行预测，结合rpn预测的鉴定目标候选区域和步骤s2中的特征图，计算每个鉴定目标的子区域特征。rpn预测鉴定目标候选区域的方法为：通过rpn网络设定多个不同尺寸和长宽比的anchor box，使用滑动窗的方式判断步骤s2的特征图上每一个位置是否存在anchor尺寸的物体，若存在，则使用roi align方法计算每个物体的子区域特征。roi align方法具体步骤包括：将rpn网络设定的物体检测框平均分为a
×
b个子区域，在每个子区域内选取c个采样点，将每个采样点映射至原特征图中后，使用双线性插值计算采样点处的特征向量值，最后使用max pooling将多个采样点的特征融合为子区域特征。经过上述方法处理的特征图特征图尺寸、通道数均一致。
[0033]
s3.2将步骤s3.1中获得的每个鉴定目标的子区域特征输入三个不同的神经网络分支，class预测、box预测和mask预测，分别对鉴定目标的类别、位置和分割区域进行预测。
[0034]
本实施例中使用nms(non
‑
maximum suppression)对预测结果中的重叠目标进行
过滤处理，得到分割预测结果；然后，结合标注库利用梯度下降算法对分割模型进行优化得到最终的分割预测结果。nms的主要功能是过滤预测结果中重叠严重的冗余结果。nms算法选取置信度最高的检测结果，移除剩余结果中与最高检测结果的iou(intersection over union)大于阈值的部分。
[0035]
s4对步骤s3中提取的特征进行分类，结合标注库中的标注对分类进行修正。
[0036]
其中，对提取的特征进行分类的方法为：对提取的特征使用基于权重的特征聚合模型进行聚合，该特征聚合模型的结构如图3所示，从而得到描述砂岩薄片图像的特征向量；然后结合标注库利用梯度下降算法对特征聚合模型进行优化。
[0037]
图3是基于权重的特征聚合模型的结构示意图，假设每张图像提取的特征向量为x
i
，图像数为n，则特征融合过程通过对输出特征求加权和实现；分类器为全连接网络，假设图像类别数为m，输出层特征为z，输出层权重为w
i
，则第i类的概率预测值为：
[0038][0039]
其中，t是转置矩阵，分类器的参数θ通过优化交叉熵损失函数进行训练：
[0040]
图4是不同类型砂岩薄片的各特征对应权重的示意图。不同类型的砂岩薄片中不同特征的鉴定权重不同，如双晶、多晶是矿物或碎屑岩的识别特征，即该特征在该类砂岩薄片中鉴定权重高。
[0041]
结合标注库利用梯度下降算法对特征聚合模型进行优化的优化过程如图5所示。经过对比研究表明，基于石英、长石和岩屑3类模型训练时，部分砂岩薄片的分类精度明显偏低，而基于单矿物或岩屑(如石英、燧石、正长石、钠长石等)模型训练进而综合的优化流程精度更高。
[0042]
s5测定砂岩薄片中各类别矿物的视面积含量，根据步骤s3中鉴定目标的候选区域和步骤s4中的分类结果，将砂岩薄片中各类别矿物进行可视化显示。其中，可视化显示为将分类结果和各类别矿物的视面积含量对应投在如图6所示的砂岩分类三角图。
[0043]
本发明方法计算简单高效：实验中输入2000余张砂岩薄片图像，耗时约5000秒；训练分类器仅耗时100秒。在特征提取过程中，本发明充分利用了多角度砂岩薄片图像的特性，最大程度利用矿物多角度光性特征，适用于砂岩薄片图像的自动鉴别；同时所采用的“两步法”鉴别方法，可以解决了因矿物和碎屑数量少造成的数据不平衡问题，在保证分割精度的前提下，增加了分类模型训练的精度；实验数据表明本发明方法对砂岩薄片图像鉴别具有较高的准确性，能够满足地质勘探中岩石鉴别的基本要求，其中分割的召回率达到90％，分类精度达到86.9％，与分割
‑
分类“一步法”相比，精度提高了20％。另外，本发明方法具有较好的扩展性：通过砂岩薄片图像的不断扩充，可以进一步提高模型的训练精度和砂岩薄片图像分类的准确性。
[0044]
实施例二
[0045]
基于相同的发明构思，本实施例公开了一种基于人工智能的砂岩薄片图像鉴定系
统，包括：
[0046]
图像采集模块，用于采集砂岩薄片的单偏光及多角度正交偏光图像，并对图像进行标注，分别形成图像库和标注库；
[0047]
特征图生成模块，用于将图像库中图像输入卷积神经网络生成特征图；
[0048]
图像分割模块，用于根据特征图预测鉴定目标的候选区域，并将其与专家标注的结果进行对比，以计算其置信度，若置信度高于阈值，则将对应图像输入卷积神经网络中进行特征提取；
[0049]
图像分类模块，用于对图像分割模块中提取的特征进行分类，结合标注库中的标注对分类进行修正；
[0050]
可视化模块，用于测定砂岩薄片中各类别矿物的视面积含量，根据图像分割模块中鉴定目标的候选区域和图像分割模块中的分类结果，将砂岩薄片中各类别矿物进行可视化显示。
[0051]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本技术的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应以权利要求的保护范围。