首页 > 论文范文 > 自然科学论文 > 地质学论文 > 岩石学论文 > 探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法

探讨孪生卷积神经网络及岩石新鲜面图像的岩性识别方法

2020-01-06 906 上传者：管理员

摘要：岩性识别目前需要一定的专业背景和丰富的判别经验，多基于人工判别方法。本文兼顾岩石数据的全局图像信息和局部纹理信息，提出基于岩石新鲜面图像与孪生卷积神经网络结构的深度学习岩性自动识别方法。使用野外拍摄的岩石图像作为模型验证数据，通过专家命名构建深度学习样本库对模型进行验证和分析。首先利用孪生卷积神经网络中的子通道提取岩石图像的全局和局部特征信息，再将特征信息融合以构建统一描述子，最后根据描述子信息识别岩性。实验结果表明，该文提出的基于AlexNet孪生卷积神经网络对岩石数据的适用性较强，能很好地区分岩石类型。对岩性的识别精度达89.4%。

关键词：
人工智能
卷积神经网络
大数据
岩性识别
加入收藏

岩性识别是地质学研究中的一项重要工作，目前对岩性的识别主要由人工完成，该过程存在一系列复杂的问题，受主观影响较大且费时费力，因此需要其他手段来辅助完成。许多学者借助计算机技术，利用数字图像处理的方法提取岩石图像的特征并进行分类，进而实现对岩性的自动识别。随着人工智能的发展，机器学习的出现极大提升了图像特征表达能力，在数字图像处理领域中得以成功应用。

其中，最具发展前景的深度学习可从大量数据中分析输入和输出之问的抽象关联关系，并基于这种关联关系对未知数据做出预测，已被广泛应用于语音识别、自然语言处理、计算机视觉、遥感影像信息提取等领域。另外，机器学习在岩性识别任务中也取得一定成果，例如：刘凤英等以火成岩的多个氧化物成分为变量，利用BP神经网络建立了火成岩岩石化学分类模型；刘丽婷利用深度信念网络进行鄂尔多斯盆地岩石薄片图像分类；程国建等利用卷积网络模型提取薄片图像特征，通过建立模式分类器识别薄片图像的类别；刘烨等利用支持向量机方法建立岩石分类的特征空间与其类别问的映射关系，进而对采集的铸体薄片图像进行自动分类。但上述方法仍存在以下问题：1)特征表达能力有限。上述方法多采用浅层神经网络，对图像信息的抽象程度较低。提取的特征难以充分表达岩性信息。2)分类准确度不高，实际应用能力受限。识别精度直接受特征的表达能力影响，上述方法输入的均为处理过的数据，而非野外直接采集的图像样本，在面对复杂的野外原始数据时，此类方法难以投入使用。

深度神经网络对图像有更好的表达能力，但其在野外岩石图像识别中应用较少。这是由于卷积神经网络的训练需大量样本，如AlexNet、VGG、ResNet等深度神经网络均在百万量级的hIl贯geNet数据集上训练得到。相比ImageNet数据集，现有的野外采集岩石图像数量有限且样本单一，这给岩性识别网络的训练带来一定困难。同时，岩石图像与自然场景图像（如ImageNet数据集图像)有一定的差别，单张岩石图像的组成颜色更为单一，且在光照条件多变的户外采集的岩石图像颜色误差较大，纹理细节容易丢失，而这种纹理细节对识别任务具有重要作用，采用一般的深度卷积神经网络模型难以充分提取此类细节信息。

针对以上问题，本文提出一种基于孪生卷积神经网络结构的岩性自动识别方法。为解决数据量不足的问题，在对岩石图像进行样本增强的基础上，使用迁移学习方法进一步提高模型精度；针对野外直接采集岩石样本图像特殊性问题，本文设计了孪生卷积神经网络同步学习岩石图像的全局信息及局部纹理信息；最后，通过实验证明本文方法的有效性。

1、岩性识别方法

1.1 构建岩石分类数据集实验数据为经专家标注的野外拍摄岩石照片。由于野外拍摄条件的限制，原数据集噪声较多，可用图像较少，与卷积神经网络训练所需样本量相差甚远。故先对数据进行如图1所示的预处理，在舍弃无效样本后，通过500×500像素滑动窗口进行切割，去除无关背景等噪声，使用裁剪、缩放、旋转等操作进行数据增强，增加样本量，最后将数据分为训练集和测试集，输入网络进行训练和模型精度验证。

1.2 孪生卷积神经网络模型

针对野外采集岩石数据的单一性和色彩误差性，本文提出了顾及岩石图像全局信息和局部纹理参数、优化网络。通道2实现对图像局部纹理信息信息的孪生卷积神经网络模型，以实现岩石图像的的抽象，通过将一张岩石图像裁剪为多张局部采样综合信息提取。该神经网络由通道1和通道2组成图像同时输入网络；在保证样本输入大小一致的情(图2)。通道1中，首先输入完整的岩石图像，通过况下，通道2通过裁剪方式保留了更多的细节纹理卷积操作获得对应的特征图，再经过池化降采样降信息，以提高模型对纹理特征的学习效率。为节省低计算复杂度，最终获得岩石图像的全局特征；通道计算开销，通道1和通道2使用相同的网络模型结1通过重设样本大小缩小输入样本尺寸，以减少模型构(表1)，并共享网络间参数。图1数据集制作；图2孪生卷积神经网络；表1网络结构

本文使用全连接层对上述综合信息进行特征提取，使用softmax分类器(式(2))实现最终的分类。

表示图像被预测为第i类的概承K表示训练样本类别数，本文数据集共有25种岩石类型，故K=25；ai表示模型最后一层网络rfc81的输出。深度学习过程为优化期望输出和真实输出之问的误差损失，本文选用交叉熵作为损失函数：

式中Yi是期望输出；Pi是实际网络输出为i类的概率值，即式(2)输出值；C为损失值。本文使用Adam(Adaptivemomentestimation)算法优化模型。Adam算法是一种白适应参数更新算法，通过更新和计算影响模型训练和输出的网络参数，使其逼近最优解，从而最小化损失值。其更新参数方法为：

2、实验与分析

2.1 数据集本文实验采用的岩石图像数据集为人工标注的野外实地拍摄岩石新鲜面图像(图3a)，采集仪器为NIKOND750，分辨率大小为6016×4016像素。实验中首先通过裁剪去除原始图像中无关背景f图3b)，然后进行旋转等操作增加实验样本数量。从拍摄图像中共筛选出2525张有效图像，经数据增强处理后得到289322张图像(表2)，按照随机取样方法分为训练图像227689张、测试图像61633张。

(a)新鲜面图像(b)裁剪后图像带权平均和带权有偏方羞mt、移t分别是对mt、仇的偏差校E；g。表示时间t的梯度；r1、￡为初始化参数；q为t时刻参数，e}+，为f+1时刻更新参数。

2.2 实验设置

本文实验均在4XGPUT1TANX机器上完成，训练阶段将batch-size设置为32，迭代次数为40次，所有模型的初始化学习率均为0.001。为防止训练过拟合，模型每完成10次迭代后，将学习率除以10。在测试阶段采用两种测试方法：1)未增强测试，直接从测试图像中裁剪一定大小区域得到测试结果；2)增强测试，从测试图像中裁剪4张同等大小图像，将4张图像的平均值作为测试结果。

2.3 实验结果与讨论

本文选用精度(P)、召回率rR)和F1得分以评价不同网络模型在岩石数据集上的优劣。

首先在数据集上对不同的网络模型进行实验，并在测试阶段使用未增强测试方法，实验结果如表3所示。从表3可以看出，网络层数较深的ResNet模型在本文岩石数据集上并没有取得最好的结果。而相对简单的VGG结构模型精度相对较高，且更简单的AlexNet模型比VGG模型识别精度提高了4%，说明网络结构相对简单的模型能够得到相对较高的识别精度；同时，各模型的岩性识别精度均不理想。

以训练好较深的网络结构；由于岩石图像的特殊性，单一模型并不能很好地提取图像的特征，导致岩性识别精度较低。迁移学习是深度学习领域中一种重要方法，可将从其他数据集学习到的权重迁移到现有神经网络中，降低了现有神经网络从零开始训练的开销。由于本文数据集中岩石图像数量较少，从零开始训练模型并不能取得理想精度。为了证明迁移学习对本文岩石数据的适用性，本文比较了基于ImageNet公开数据集迁移学习方法下不同模型的精度、召回率和F1得分(表4)。表4迁移学习模型对比结果

表4中对应深度卷积神经网络在使用迁移学习方法后，模型精度显著提高，证明了迁移学习在本文数据集上的适用性。通过表4可发现，采用AlexNet模型作为网络结构的精度与F1得分最高，因此，后续实验选用AlexNet模型作为基础网络结构。

迁移学习在一定程度上提升了模型的识别精度，但单模型并不能同时兼顾岩石图像的全局和局部特征。因此，本文采用孪生卷积神经网络模型进一步提升识别精度，以AlexNet结构作为基础网络结导致上述结果的主要原因有：本文岩石数据量不足构，测试阶段采用增强测试方法，结果如表5所示。

表5表明：采用孪生卷积神经网络模型后，识别能很好地提取图像全局特征。权衡精度和模型大精度得到进一步提高。对比模型中通道1的小，本研究选用模型c为最终模型，其识别精度达实验设置，可看出采用较大尺寸的图像进行训练。不能取得最好结果，反而会提高模型复杂度，增大模型参数量；对比模型C和模型d，在通道2实验设置相同的情况下，模型d的通道1采用较小尺寸(180"180像素)图像作为输入，精度相比模型C(200*200像素)下降了0.001，说明若通道1输入图像尺寸过小也不能很好地提取图像全局特征。权衡精度和模型大小，本研究选用模型c为最终模型，其识别精度达o.894。

模型C的误判主要由两种情况引发：1)当岩石型参数量；对比模型C和模型d，在通道2实验设置相的纹理特征较为相似时(图4a一图4d)，模型很难在同的情况下，模型d的通道1采用较小尺寸(180"180微小差别中对岩石正确分类，后续可通过大量样本像素)图像作为输入，精度相比模型C(200*200像素)的训练以获得这种细微差别；2)当野外采集图像质下降了0.001，说明若通道1输入图像尺寸过小也不量不高、出现模糊情况时(图4e、图4f)，模型难以提取有效信息，导致分类不准确，这要求在前期筛选图像时提高图像的质量，同时也是后期研究的重点。

3、结语

为将深度学习方法与地质岩性识别相结合并提高岩性识别的精度，本文提出了基于岩石新鲜面图像与AlexNet网络的孪生卷积神经网络模型。在岩石数据量较少情况下，通过裁剪、旋转等增加数据量：在网络模型设计方面，采用孪生卷积神经网络充分提取图像的全局特征和局部特征。以野外拍摄的岩石照片作为实验数据，本文方法岩性识别精度达894%，能较为准确地识别岩石类型；后期可通过增加岩石种类与数量进一步提高模型的岩石识别能力。本研究证明了深度学习网络模型在地质岩性识别中的有效性，但也存在不足：1)对于ResNet等模型在文中数据集上准确率不高的具体原因有待进一步探索；2)只针对图像视野中的岩石做了相关研究，野外实地拍摄的岩石图像可能有其他背景信息干扰，这也是下一步研究需要解决的问题。

参考文献：

[1]刘烨,程国建,马微,等.基于铸体薄片图像颜色空间与形态学梯度的岩石分类[J].中南大学学报(自然科学版),2016,47(7):2375—2382.

[2]HINTON G E,SALAKHUTDINOV R R.Reducing the dimen"sionality of data with neural networks[J].Science,2006,313(5786):504—507.

[3]ABDEL-HAMID O,MOHAMED A R,JIANG H,et a1.Applying convolutional neural network S concapts to hybrid NN"HMM madel for speech recognition[A].2012IEEEInternational Conferenec on Acoustics,Speech and Signal Processing(ICASSP)[C].2012. 4277—4280.

[4]GRAVES A,MOHAMED A R,HINTON G.Speech recognifion with deep rf,3ul'rent neural networks[A].2013 IEEE Internwtional Conference on Acoustics,Speech and Signal Processing(ICASSP)[C].2013. 6645—6649.

[5]林奕欧,雷航,李晓瑜,等.自然语言处理中的深度学习:方法及应用[J].电子科技大学学报,2017,46(6):913—919.

[6]奚雪峰,周国栋.面向自然语言处理的深度学习研究[J].自动化学报,2016,42(10): 1445—1465.

[7]TAIGMAN Y,YANGM,RANZATO M A,et a1.Decpfaec:Closing the gap to humarr level peTformanee in face verification[A].Conference on Computer Vision and Pattern Recognition (CVPR).IEEE C onputer Society[C].2014. 1701—1708.

[8]ZHAO J,MATHIEU M,LECUN Y.Energybased generative adversarial network[J].arXiv preprint arXiv:1609.03126,2016.

[9]XU Y Y,X1E Z,FENG Y X,et a1.Road extraction from high"resolution remote sensing imagery u sing deep learning[J].Remote Sensing,2018,10(9):1461.

冯雅兴,龚希,徐永洋, 等.基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究[J].地理与地理信息科学,2019,35(5):89-94.