一种岩芯自动识别方法、装置、电子设备及存储介质与流程

1.本发明涉及岩芯识别领域，尤其涉及一种岩芯自动识别方法、装置、电子设备及存储介质。


背景技术：

2.岩芯是地质钻探取芯过程中利用钻头(或其它取芯工具)从孔内取出的圆柱状岩石样品，它能直观反映地层沉积规律、岩性、地质构造、裂隙发育状况和风化信息等地层信息，是科研、生产和管理人员在地质勘测过程中了解地层信息的重要依据，在工程建设前期地质勘察、地质评价和场地适宜性研究中扮演着不可替代的重要角色。
3.岩芯的地质编录工作是地质勘察中的基础工作之一，目前现有地质工程中的岩芯编录方法主要依赖对拍摄的放入岩芯盘内的岩芯进行识别，也就是说，先对放入岩芯盘内的岩芯进行拍摄，得到相对应的图像，然后对图像进行岩芯识别，实现岩芯地质编录。当前岩芯识别主要采用人力手工标注方法，依赖于人工测量和人工统计，不仅严重浪费劳动力资源，并且还会影响岩芯编录数据准确性。
4.因此，现有技术在处理岩芯的地质编录工作中，由于识别精度低，存在无法自动识别岩芯外包络的问题。


技术实现要素：

5.有鉴于此，有必要提供一种岩芯自动识别方法、装置、电子设备及存储介质，用以解决现有技术在处理岩芯的地质编录工作中，由于识别精度低导致无法自动识别岩芯外包络的问题。
6.为了解决上述问题，本发明提供一种岩芯自动识别方法，包括：
7.获取岩芯图片样本；
8.建立初始岩芯识别模型，其中，初始岩芯识别模型包括依次连接的骨干网络、主干网络和头部网络；将岩芯图片样本输入至骨干网络，提取岩芯图片样本的图像特征；将图像特征输入至主干网络，得到岩芯图片样本的多维度特征图，多维度特征图包括底层特征图和高层特征图；将底层特征图输入至头部网络，得到岩芯图片样本的岩芯外包络，将高层特征图输入至头部网络，得到岩芯图片样本的外部信息；迭代训练至第一预设次数，得到训练完备的岩芯识别模型；
9.获取岩芯图片，基于训练完备的岩芯识别模型，确定岩芯图片的岩芯外包络和外部信息。
10.进一步地，岩芯外包络包括岩芯/岩饼/碎石的形状和位置，外部信息包括岩芯箱、隔板的形状和位置以及标签内容。
11.进一步地，确定岩芯图片的岩芯外包络和外部信息，还包括：
12.建立坐标系，确定岩芯图片中的点坐标；
13.根据点坐标，确定岩芯/岩饼/碎石，岩芯箱和隔板的位置坐标。
14.进一步地，头部网络包括并列连接的多个子头部网络，且多个子头部网络包括：岩芯箱目标检测头部网络、隔板目标检测头部网络和岩芯目标检测头部网络；
15.其中，岩芯箱目标检测头部网络和隔板目标检测头部网络用于处理高层特征图，得到岩芯图片样本的外部信息；岩芯目标检测头部网络用于处理高层特征图和底层特征图，得到岩芯图片样本的岩芯外包络。
16.进一步地，初始岩芯识别模型还包括标签识别网络，通过光学字符识别技术，确定岩芯图片样本中的标签内容。
17.进一步地，获取岩芯图片样本，包括：
18.获取初始岩芯图片样本，去除异常图片，通过筛选得到过滤岩芯图片样本；
19.根据过滤岩芯图片样本，通过数据合成技术，得到人造岩芯图片样本；
20.根据过滤岩芯图片样本和人造岩芯图片样本，确定岩芯图片样本。
21.进一步地，迭代训练至第一预设次数，得到训练完备的岩芯识别模型，包括：
22.将岩芯图片样本输入至初始岩芯识别模型，迭代训练至第一预设次数，并利用损失函数计算训练结果的损失值，得到训练完备的岩芯识别模型。
23.为了解决上述问题，本发明还提供一种岩芯自动识别装置，包括：
24.样本获取模块，用于获取岩芯图片样本；
25.岩芯识别模型建立模块，用于建立初始岩芯识别模型，其中，初始岩芯识别模型包括依次连接的骨干网络、主干网络和头部网络；将岩芯图片样本输入至骨干网络，提取岩芯图片样本的图像特征；将图像特征输入至主干网络，得到岩芯图片样本的多维度特征图，多维度特征图包括底层特征图和高层特征图；将底层特征图输入至头部网络，得到岩芯图片样本的岩芯外包络，将高层特征图输入至头部网络，得到岩芯图片样本的外部信息；迭代训练至第一预设次数，得到训练完备的岩芯识别模型；
26.信息获取模块，用于获取岩芯图片，基于训练完备的岩芯识别模型，确定岩芯图片的岩芯外包络和外部信息。
27.为了解决上述问题，本发明还提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如前文所述的岩芯自动识别方法。
28.为了解决上述问题，本发明还提供一种计算机可读存储介质，存储介质存储有计算机程序指令，当计算机程序指令被计算机执行时，使计算机执行如前文所述的岩芯自动识别方法。
29.采用上述技术方案的有益效果是：本发明提供一种岩芯自动识别方法、装置、电子设备及存储介质，该方法通过构建岩芯识别模型，其中岩芯识别模型包括依次连接的骨干网络、主干网络和头部网络；先由骨干网络提取出岩芯图片的图像特征，实现初步提取特征，再根据主干网络得到多维度特征图，对岩芯的特征进行分类，最后由头部网络对多维度特征图进行细致探索，提取出岩芯外包络，从而实现自动获取岩芯图片中的外包络。本技术在主干网络将各图像特征进行分类的基础上，由于头部网络的识别精度较高，能够较好地获取到岩芯的边缘，从而实现了高精度自动识别岩芯外包络，提高了岩芯识别的效率；另外，通过岩芯识别模型获取到的岩芯外包络数据的可靠度高，条理清晰，分类方便，有利于提高岩芯外包络数据整理的便利性，提高识别结果的条理性和完整性。
附图说明
30.图1为本发明提供的岩芯自动识别方法一实施例的流程示意图；
31.图2为本发明提供的获取岩芯图片样本一实施例的流程示意图；
32.图3为本发明提供的初始岩芯识别模型一实施例的结构示意图；
33.图4为本发明提供的岩芯自动识别装置的结构示意图；
34.图5为本发明提供的电子设备一实施例的结构框图。
具体实施方式
35.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
36.在陈述实施例之前，先对岩芯识别进行阐述：
37.岩芯样品是用特殊钻机从地下取出供测试用的，是大致呈圆柱形的地下物质试块。
38.本技术中的岩芯识别是指对岩芯样品的尺寸、结构等特征进行识别，对标识结果进行标注统计，从而实现岩芯的地质编录工作。
39.特别地，申请中的岩芯外包络是指岩芯外表面的形状以及岩芯与其他部分的分界线。
40.目前，岩芯识别主要采用人力手工的标注方法，存在的缺陷有：
41.1.所有岩芯的长度需要人工测量，测量工作量大，劳动力资源浪费严重；
42.2.手工测量不可避免地存在着测量误差，影响岩芯编录数据准确性；
43.3.测量结果数据存储没有统一管理系统，数据转化步骤复杂，数据安全性低，数据遗失、混乱风险大。
44.因此，存在无法自动识别岩芯的问题。
45.为了解决现有技术中，在处理岩芯的地质编录工作时，无法自动识别岩芯的问题，本发明提供了一种岩芯自动识别方法及装置，以下分别进行详细说明。
46.如图1所示，图1为本发明提供的岩芯自动识别方法一实施例的流程示意图，包括：
47.步骤s101：获取岩芯图片样本。
48.步骤s102：建立初始岩芯识别模型，其中，初始岩芯识别模型包括依次连接的骨干网络、主干网络和头部网络；将岩芯图片样本输入至骨干网络，提取岩芯图片样本的图像特征；将图像特征输入至主干网络，得到岩芯图片样本的多维度特征图，多维度特征图包括底层特征图和高层特征图；将底层特征图输入至头部网络，得到岩芯图片样本的岩芯外包络，将高层特征图输入至头部网络，得到岩芯图片样本的外部信息；迭代训练至第一预设次数，得到训练完备的岩芯识别模型。
49.步骤s103：获取岩芯图片，基于训练完备的岩芯识别模型，确定岩芯图片的岩芯外包络和外部信息。
50.本实施例中，首先，获取岩芯图片样本；其次，通过初始岩芯识别模型对岩芯图片样本进行处理，先提取出岩芯图片样本的图像特征，再根据图像特征得到多维度特征图，然后通过多维度特征图得到岩芯外包络，迭代训练初始岩芯识别模型，使得初始岩芯识别模型能够根据岩芯图片得到岩芯外包络，从而得到训练完备的岩芯识别模型；最后，基于训练
完备的岩芯识别模型对岩芯图片进行处理，实现自动获取岩芯图片中的岩芯外包络。
51.可以理解的是，上述实施例通过构建岩芯识别模型，由岩芯识别模型提取并识别出岩芯图片中的岩芯外包络，实现了自动获取岩芯图片中的岩芯外包络，提高了岩芯识别的效率；另外，岩芯识别模型处理数据的可靠度高，有利于提高岩芯外包络数据整理的便利性，提高识别结果的条理性和完整性。
52.作为优选的实施例，在步骤s101中，为了获取岩芯图片样本，如图2所示，图2为本发明提供的获取岩芯图片样本一实施例的流程示意图，包括：
53.步骤s111：获取初始岩芯图片样本，去除异常图片，通过筛选得到过滤岩芯图片样本。
54.步骤s112：根据过滤岩芯图片样本，通过数据合成技术，得到人造岩芯图片样本。
55.步骤s113：根据过滤岩芯图片样本和人造岩芯图片样本，确定岩芯图片样本。
56.本实施例中，首先，去除了初始岩芯图片样本中的异常图片，例如：缺少岩芯的图片、无法辨识岩芯的模糊图片、岩芯不完整的图片等，得到过滤岩芯图片样本；然后，为了增加岩芯图片样本的数量，提高岩芯识别模型的训练效果，还基于过滤岩芯图片样本，通过数据合成技术，得到人造岩芯图片样本；最后，由过滤岩芯图片样本和人造岩芯图片样本，共同组成岩芯图片样本。
57.上述实施例中通过去除异常图片，提高了样本的有效性；根据过滤岩芯图片样本生成人造岩芯图片样本，增加了样本的数量，提高了样本的丰富性，有利于提高样本的可靠度。
58.进一步地，为了提高岩芯图片的质量，在步骤s111中，还可以根据岩芯图片的拍摄质量调整光照情况。
59.具体地，第一步，对岩芯进行拍摄处理，得到初始岩芯图片；第二步，根据初始岩芯图片中物体的拍摄结果，反向判断光照情况，然后再根据判断结果，为拍摄场景提供外部光照，并调整光照；第三步，基于调整好的外部光照条件，重新拍摄岩芯，得到初始岩芯图片样本，并对初始岩芯图片样本进行相应的标注，方便后期整理。
60.作为优选的实施例，在步骤s112中，为了得到人造岩芯图片样本，通过传统数据增强与岩石纹理数据合成的方法，将过滤岩芯图片样本的数据特征提取出来，并通过数据合成技术，将数据特征与大数据中的图片进行对比，按照一定的规律生成新图片，从而得到人造岩芯图片样本。
61.作为优选的实施例，在步骤s102中，需要明确最终的识别目标，也就是确定根据岩芯图片样本，最终能够得到的岩芯外包络和外部信息。
62.在一具体实施例中，岩芯外包络包括岩芯/岩饼/碎石的形状和位置，外部信息包括岩芯箱、隔板的形状和位置以及标签内容。
63.在其他实施例中，岩芯外包络还可以包括岩芯的材质、种类等，外部信息还可以包括岩芯所在空间或位置的名称等，一方面根据岩芯识别需要，调整需要识别的岩芯外包络，另一方面还可以根据岩芯识别的统计要求，对外部信息的范围进行调整。
64.进一步地，在步骤s102中，为了简化对岩芯位置的标注，便于管理和统计，还可以在对岩芯进行识别之前，以岩芯图片样本中的某一点为原点，建立坐标系，实现对整个岩芯图片样本中的点进行坐标标注。通过坐标标注，获取岩芯/岩饼/碎石、岩芯箱和隔板的位置
坐标，不仅提高了获取岩芯图片样本中特殊点的便利性，并且基于坐标表示，还能进一步提高最岩芯的识别精度。
65.进一步地，在步骤s102中，还需要对初始岩芯识别模型的结构进行详细的说明。
66.作为优选的实施例，初始岩芯识别模型中的骨干网络包括卷积层和全连接层；主干网络也包括卷积层和全连接层；头部网络包括并列连接的多个子头部网络，包括：岩芯箱目标检测头部网络、隔板目标检测头部网络和岩芯分割头部网络。其中，岩芯箱目标检测头部网络和隔板目标检测头部网络用于处理高层特征图，得到岩芯图片样本的外部信息；岩芯分割头部网络用于处理底层特征图，得到岩芯图片样本的岩芯外包络。
67.在一具体实施例中，如图3所示，图3为本发明提供的初始岩芯识别模型一实施例的结构示意图，初始岩芯识别模型300包括骨干网络301、主干网络302和头部网络303。
68.首先，以resnet作为骨干网络301，提取图像特征。如图3所示，骨干网络301包括卷积层和全连接层。将岩芯图片样本输入至卷积层，提取到岩芯图片样本的骨干卷积特征，然后再由骨干网络的全连接层将骨干卷积特征进行处理，并输出岩芯图片样本的图像特征。
69.接下来，采用fpn构建主干网络302，获得不同维度的特征图，如图3所示，主干网络302包括卷积层和全连接层，其中，从p2-p5图像大小依次下采样2倍。将骨干网络301输出的图像特征，输入至主干网络302的卷积层，提取到岩芯图片样本的主干卷积特征，然后再由主干网络302的全连接层将主干卷积特征进行处理，得到岩芯图片样本的多维度特征图，其中，多维度特征图包括底层特征图和高层特征图。
70.最后，构建头部网络303，其中，头部网络303包括岩芯箱目标检测头部网络331、隔板目标检测头部网络332和岩芯目标检测头部网络333。将主干网络302输出的高层特征图，分别输入至岩芯箱目标检测头部网络331和隔板目标检测头部网络332，得到岩芯图片样本的岩芯箱信息和隔板信息；将底层特征图和高层特征图都输入至岩芯目标检测头部网络333得到岩芯图片样本的岩芯外包络。
71.其中，岩芯箱目标检测头部网络331根据高层特征图p4和p5，提取出岩芯箱分割结果。其中，岩芯箱目标检测头部网络331为了将第五层p5进行上采样到与第四层p4一致，经过一系列卷积操作得到最终的h*w*(c＝1)特征图，特征图中每个值代表图中位置是否为岩芯箱。
72.其中，隔板目标检测头部网络332根据高层特征图p4和p5，提取出隔板分割结果。其中，隔板目标检测头部网络332为了将第五层p5进行上采样到与第四层p4一致，经过一系列卷积操作得到最终的h*w*(c＝1)特征图，特征图中每个值代表图中位置是否为隔板。
73.其中，岩芯目标检测头部网络333根据所有特征图p2-p5，提取出岩芯外包络结果。
74.在一具体实施例中，设置各金字塔的尺寸区域为((1,96),(48,192),(96,384),(192,768),(384,2048))，分别对应p2-p5的fpn的输出层，即，若某实例的尺寸为90像素，则fpn的最上层和次上层负责预测该实例。优选地，将图像均匀划分为网格，且在不同fpn上采用不同的网格个数，从fpn底层到fpn高层分别为以(80，72，48，32，24)为grid_number的网格；对于每个网格，网络预测二维输出，表示该网格的类别属于背景还是岩芯。
75.在训练过程中，先将给定的岩芯标注真值掩码放入对应尺寸的fpn层级中，再将此真值掩码乘以恒定比例因子e，优选地，将e设置为0.2；如果一个网格包含了得到的真值掩码中心部分，则将该网格标记为正样本；将五层fpn特征图输入模型的头部网络，头部网络
digital，sd)卡，闪存卡(flash card)等。进一步地，存储器502还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器502用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器502还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，岩芯自动识别程序503可被处理器501所执行，从而实现本发明各实施例的岩芯自动识别方法。
88.处理器501在一些实施例中可以是一中央处理器(central processing unit，cpu)，微处理器或其他数据处理芯片，用于运行存储器502中存储的程序代码或处理数据，例如执行岩芯自动识别程序等。
89.本实施例还提供了一种计算机可读存储介质，其上存储有岩芯自动识别程序，计算机该程序被处理器执行时，实现如上述任一技术方案所述的岩芯自动识别方法。
90.本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
91.以上所述，仅为本发明较佳的具体实施方式，但本发明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发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。