检索结果-南通市图书馆

在线全文

学校读者我要写书评

暂无评论

基于超像素与半监督的岩石图像分割与识别

工程科学与技术 2023年第2期55卷 171-183页

作者：刘烨吕锦涛西安石油大学计算机学院陕西西安710065

岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注... 详细信息

岩石薄片图像的分析往往依赖于专业人员在显微镜下观察并给出鉴定结果,不但费时费力,并且受设备影响较大。近些年,针对薄片图像的自动识别方法已经被提出。然而,这些方法大多采用监督学习与深度学习相结合的方式,由于需要大量人工标注而受到限制,为方法的推广与应用带来巨大困难。此外,模型在不同的地层、岩性等目标应用时,由于不同地质环境中岩石的差异性,其泛化性也受到极大限制。本文针对该问题提出了一种简单线性迭代聚类算法(simple linear iterative cluster,SLIC)与半监督自训练结合的方法,仅依靠6%的人工标注便能够实现岩石图像的自动化分割与组分识别,极大地增强岩石图像自动识别方法在实际应用中的价值。该方法首先使用超像素算法SLIC对岩石图像进行预分割,随后基于分割片的颜色特征进行粗合并,并根据最小外接矩形进行切割;切割下来的岩石组分分割图像作为后续处理的基础数据集,这里仅需要人工标注6%的岩石组分数据;随后,这些数据通过一个改进的半监督自训练方法,以改进的VGG16模型作为主模型、ResNet18模型作为评判模型,不断生成高置信度的伪标签,利用迭代优化调整,将其扩展到整个数据集,最终获得一个具有较高的稳定性、准确性及一致性的组分识别模型。实际数据的测试与分析表明,本文所提出SLIC和半监督自训练结合的方法,对6类岩石组分的识别准确率可达到96%。该方法能够在数据差异不大的条件下,帮助用户基本实现自动化的组分识别。而当数据集产生较大差异时,仅需标注小部分样品即可实现自动组分识别。本方法具有较高的泛化性和可靠性,能够在实际应用提供足够的准确性与便利性。

关键词：简单线性迭代聚类算法 VGG16 ResNet18 岩石图像图像分割半监督学习自训练超像素

同方期刊数据库

基于多尺度分割的岩石图像矿物特征提取及分析

在线全文

学校读者我要写书评

暂无评论

吉林大学学报（地球科学版） 2011年第4期41卷 1253-1261页

作者：叶润青牛瑞卿张良培中国地质大学地球物理与空间信息学院武汉430074 武汉大学测绘遥感信息工程国家重点实验室武汉430079

针对传统岩石薄片鉴定以肉眼观察和描述为主,存在主观性强、定量困难等问题,将数字图像处理方法引入岩石矿物研究,提出了基于多尺度分割的岩石图像矿物特征信息提取方法。以铁质石英砂岩薄片显微镜下单偏光图像为实验对象,获取了石英颗... 详细信息

针对传统岩石薄片鉴定以肉眼观察和描述为主,存在主观性强、定量困难等问题,将数字图像处理方法引入岩石矿物研究,提出了基于多尺度分割的岩石图像矿物特征信息提取方法。以铁质石英砂岩薄片显微镜下单偏光图像为实验对象,获取了石英颗粒的边界及其体积分数、大小、周长、长轴长度和方位、长轴和短轴比、圆度和形态指数等信息。其中：石英颗粒的体积分数为47.07%,小于基质的体积分数,在基质中呈漂浮状,为杂基支撑结构,表明形成于沉积同生期;长轴的范围为50-604像素,表明石英颗粒大小不均、分选性差;颗粒的圆度为0.27-1.82,形态指数值为1.19-2.46,圆度和形态指数值较小,表明石英颗粒有一定的磨圆度。这种信息的获取和定量分析方法有助于对岩石图像的地学理解。

关键词：岩石图像多尺度分割图像处理矿物特征提取

基于介观岩石图像深度学习的便携式岩性智能识别

在线全文

学校读者我要写书评

暂无评论

应用基础与工程科学学报 2024年第4期32卷 911-925页

作者：马文李珊赵新鹏郑艳伟于东晓林鹏王旭龙许振浩隧道工程灾变防控与智能建养全国重点实验室山东济南250061 山东大学齐鲁交通学院山东济南250061 山东大学计算机科学与技术学院山东青岛266237

针对传统岩性识别依赖人工经验、主观性强、耗时耗力的问题,提出了一种基于介观岩石图像深度学习的现场岩性智能识别方法.采用卷积神经网络并结合迁移学习方法,构建了岩性识别模型.采用身份采样器以多样化的方式选择样本构建训练批次,... 详细信息

针对传统岩性识别依赖人工经验、主观性强、耗时耗力的问题,提出了一种基于介观岩石图像深度学习的现场岩性智能识别方法.采用卷积神经网络并结合迁移学习方法,构建了岩性识别模型.采用身份采样器以多样化的方式选择样本构建训练批次,保证了模型不会偏向数据量较多的样本,提高了推理的准确性.将经过训练的Pytorch模型转换成ONNX模型部署到便携式设备上,设计和开发了一款专用于岩性识别的软件.在此软件中,电子放大镜可用于拍摄介观岩石图像,实现了对岩石岩性的准确判识.研究结果表明,该方法的识别准确率最高可达99%,可满足地质调查人员在野外作业中快速获取岩石岩性的需求.

关键词：岩性识别深度学习人工智能图像识别模型部署岩石图像

在线全文

学校读者我要写书评

暂无评论

基于卷积神经网络的岩石图像分类

西安石油大学学报（自然科学版） 2017年第4期32卷 116-122页

作者：程国建郭文惠范鹏召西安石油大学计算机学院陕西西安710065

在显微镜下分析岩石薄片并对其进行分类时,人工鉴定效率较低且易受主观因素影响,为此提出了一种基于卷积神经网络深度学习的岩石粒度自动分类方法。该方法通过卷积网络模型实现图像特征自动提取,并同时建立模式分类器,实现基于薄片图像... 详细信息

在显微镜下分析岩石薄片并对其进行分类时,人工鉴定效率较低且易受主观因素影响,为此提出了一种基于卷积神经网络深度学习的岩石粒度自动分类方法。该方法通过卷积网络模型实现图像特征自动提取,并同时建立模式分类器,实现基于薄片图像的粒度自动识别。采用鄂尔多斯盆地的4 800样品对卷积网络模型进行训练,通过1 200个样品对模型测试,测试集分类结果的准确度达到98.5%。理论分析与数据验证说明,通过深度学习所建立的卷积网络模型能够基于岩石薄片图像获得高效、准确、可靠的自动分类结果。

关键词：岩石图像图像分类岩石颗粒卷积神经网络

在线全文

学校读者我要写书评

暂无评论

基于Spark平台的岩石图像聚类分析

西安石油大学学报（自然科学版） 2016年第6期31卷 114-118页

作者：杨艳梅柳娜程国建强新建王叙乔西安石油大学经济管理学院陕西西安710065 长庆油田分公司低渗透油气田勘探开发国家工程实验室陕西西安710018 西安石油大学计算机学院陕西西安710065 长庆油田分公司第十一采油厂甘肃庆阳745000

提出了一种基于概率选择的K-means聚类算法,并将其应用到Spark平台进行图像聚类,得到的数据集远小于初始数据集,大大降低了算法的迭代次数,聚类速度非常快。在Spark平台应用改进的K-means算法进行岩石图像处理,对岩石图像进行特征提取,... 详细信息

提出了一种基于概率选择的K-means聚类算法,并将其应用到Spark平台进行图像聚类,得到的数据集远小于初始数据集,大大降低了算法的迭代次数,聚类速度非常快。在Spark平台应用改进的K-means算法进行岩石图像处理,对岩石图像进行特征提取,使得岩石图像易于区分,解决了传统的聚类算法无法确定初始中心、聚类数目K的选取不当可能导致聚类失败、算法容易受到噪声和孤立点影响等问题。

关键词：岩石图像聚类分析 Spark平台 K-means

基于Xception网络的岩石图像分类识别研究

在线全文

学校读者我要写书评

暂无评论

地理与地理信息科学 2022年第3期38卷 17-22页

作者：谭永健田苗徐德馨盛冠群马凯邱芹军潘声勇湖北省水电工程智能视觉监测重点实验室/三峡大学计算机与信息学院湖北宜昌443002 武汉市测绘研究院湖北武汉430074 中国地质大学(武汉)计算机学院湖北武汉430074 武汉中地数码科技有限公司湖北武汉430074

准确、高效地识别岩石岩性是大数据时代地球科学研究的必然趋势和发展方向。传统岩石岩性识别方法多依赖人工判别,对相关知识与判别经验的要求很高。针对这一问题,该文提出一种基于Xception网络的自动化岩石图像分类方法,将InceptionV3... 详细信息

准确、高效地识别岩石岩性是大数据时代地球科学研究的必然趋势和发展方向。传统岩石岩性识别方法多依赖人工判别,对相关知识与判别经验的要求很高。针对这一问题,该文提出一种基于Xception网络的自动化岩石图像分类方法,将InceptionV3网络中的卷积操作替换为深度可分离卷积模块,同时引入残差连接机制以大量减少模型参数与计算量,然后结合迁移学习思想提高图像分类准确率。选取嵊州地质调研中人工采集的10类岩石样本图像构建岩石图像数据集进行验证,结果表明,Xception网络模型对岩石岩性识别的准确率达86%,比其他主流的岩石图像分类模型的识别精度更高。

关键词：岩石图像岩性识别迁移学习深度可分离卷积

在线全文

学校读者我要写书评

暂无评论

多色彩空间下的岩石图像识别研究

科学技术与工程 2014年第18期22卷 247-251,255页

作者：郭超刘烨陕西延长石油(集团)有限责任公司研究院西安710075 西安石油大学计算机学院西安710065

为了实现相对简单且高效的岩石图像识别研究,提出一个岩石图像分类的自动模式识别方法。方法利用岩石的原始色彩图像结合其形态学变换,统计不同色彩通道的标准算术值来描述特征空间,通过神经网络建立特征空间与岩石图像类别之间的映射... 详细信息

为了实现相对简单且高效的岩石图像识别研究,提出一个岩石图像分类的自动模式识别方法。方法利用岩石的原始色彩图像结合其形态学变换,统计不同色彩通道的标准算术值来描述特征空间,通过神经网络建立特征空间与岩石图像类别之间的映射关系。使用来自鄂尔多斯盆地的100幅岩石薄片图像对算法进行测试,其结果表明在不同色彩空间下的岩石图像自动识别正确率达95%以上。因此,基于不同色彩空间的自动分类方法能够实现快速的岩石图像类型识别,其结果具有较高的准确性与可靠性。

关键词：岩石图像模式识别色彩空间神经网络

在线全文

学校读者我要写书评

暂无评论

基于深度学习的岩石图像识别

基于深度学习的岩石图像识别

作者：李燕北京林业大学

学位级别：硕士

随着计算机技术的崛起,地质调查工作方式产生了巨大的变革。岩石图像识别是地质学研究的一个重要领域,也是地质调查工作的一项重要内容。在目前的岩性识别工作中,仍需专业人员对野外获取的岩石标本制备岩石薄片进行分析,整个流程工作量... 详细信息

随着计算机技术的崛起,地质调查工作方式产生了巨大的变革。岩石图像识别是地质学研究的一个重要领域,也是地质调查工作的一项重要内容。在目前的岩性识别工作中,仍需专业人员对野外获取的岩石标本制备岩石薄片进行分析,整个流程工作量大,时间周期长。为优化此流程,本文提出基于深度学习的岩石图像识别方法,探索岩石新鲜剖面图像的自动识别。一方面,本文提出了基于深度学习的岩石岩性自动识别方法。针对岩石新鲜剖面图像,结合迁移学习方法,通过对预训练模型的冻结与微调,实现了基于VGG、Res Net和Dense Net的岩石图像识别模型,获得了岩石岩性识别最佳实践。对比分析表明,Dense Net网络结构深度大、连接稠密,作为模型的特征提取器,可以在岩石新鲜剖面数据集上获得最佳识别效果,其中模型my Dense Net-all在测试集上的F1为89.84%,准确率为94.48%。另一方面,针对地质人员野外离线作业环境,本文研究了岩石识别模型的压缩和移动端部署。通过轻量化模型设计、网络剪枝和模型量化的思想,设计并实现了岩石图像识别的压缩模型,大幅降低模型大小。实验表明,先进行0.1阈值的通道稀疏化,再量化整个模型,可以在降低模型大小的同时,获得最佳的模型精度。模型在移动端测试集上的F1为89.02%,准确率达94.14%,大小仅18.7MB,适用于野外离线条件下,岩石图像的快速精准识别。本文通过以上两方面的研究,实现了基于深度学习的岩石新鲜剖面图像自动识别,获得了岩石岩性识别最佳实践;模型压缩与移动端部署,实现了野外离线条件下的岩石岩性自动识别,得出了野外地质调查工作中岩石识别问题的全新解决方案。

关键词：岩石图像岩性识别迁移学习模型压缩

深度学习在岩石图像超分辨率重建中的应用研究

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

深度学习在岩石图像超分辨率重建中的应用研究

作者：张晗西安石油大学

学位级别：硕士

岩石是具有稳定外形的固态集合体,地层岩性作为石油地质岩石特性的基本研究对象,能够准确反映出油气藏产能分布状况。由于不同区域各种因素的限制,获取到的岩石图像经常会出现分辨率较低的情况,无法清晰展现岩石图像细节信息。在此需求... 详细信息

岩石是具有稳定外形的固态集合体,地层岩性作为石油地质岩石特性的基本研究对象,能够准确反映出油气藏产能分布状况。由于不同区域各种因素的限制,获取到的岩石图像经常会出现分辨率较低的情况,无法清晰展现岩石图像细节信息。在此需求背景下将超分辨率重建技术应用到岩石图像中就很有必要。大多传统的超分辨率重建方法虽然充分对图像进行了分析,但由于处理数据能力的不足,重建结果仍需进一步优化,论文尝试将深度学习应用在岩石图像超分辨率重建中,探索其可行性和适用性。针对传统超分辨率算法的不足,论文利用卷积神经网络在图像处理方面的优势,验证SRCNN超分辨率重建算法在岩石图像中的可用性。随后为了克服SRCNN算法的不足,使用FSRCNN算法和基于残差网络改进的Res-SRCNN算法分别对岩石图像进行超分辨率重建,从而重建出质量更好的超分辨率重建图像。实验部分采用三种不同类型的岩石图像进行超分辨率重建训练和验证,利用主观评价方法和客观评价方法对重建之后的图像进行对比评价。结果证明了基于深度学习的算法在岩石图像超分辨率重建中的有效性,并且在深度学习方法中基于残差网络模型改进的Res-SRCNN算法在岩石图像超分辨率重建中具有更好的效果。

关键词：岩石图像深度学习卷积神经网络残差网络超分辨率重建