[发明专利]一种矿物图像识别与分类方法

说明书

本发明属于图像识别技术领域，具体涉及一种矿物图像识别与分类方法，步骤为：S10：将矿物图片放大并切割成大小相等的子图；对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注；S20：对S10中分割标注的黄铁矿、干酪根和剩余矿物进行有监督训练学习，得到第一网络模型；S30：对黄铁矿的特征再次进行有监督训练学习，得到第二网络模型；S40：将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物；将一次分类黄铁矿和一次分类剩余矿物输入第二网络模型，得到二次分类黄铁矿和二次分类剩余矿物。通过二次识别与分类，将第一次分类出来的黄铁矿和剩余矿物再次进行识别与分类，提高了识别黄铁矿的精度。

技术领域

本发明属于图像识别技术领域，具体涉及一种矿物图像识别与分类方法。

背景技术

在石油地质领域中，深层页岩矿物的智能识别分析是岩石学特征研究和物性研究的基石，对石油天然气工业上下游领域均有重要意义。岩石的矿物识别研究主要包括如下三类：(1)物理实验法，是以物理学原理为基础，借助各种仪器，以鉴定和研究矿物的各种物理性质，从而进行矿物的检测识别与分析；(2)数学统计法，即通过传统的数学统计与计算分析对矿物分类特征进行识别与提取；(3)智能学习法，主要是从图像处理角度出发，利用先进的图像处理技术达到矿物识别的目的，减少对专业知识和设备的依赖。随着近年来人工智能的发展，基于图像处理技术的矿物智能识别分析越来越受到学术界与工业界的追捧。

众所周知，近年来智能学习在图像智能分析方面取得了突破性进展，如专利号为：CN201811048650.8，申请日为2018.09.10，发明名称为一种矿石矿物图像自动识别与分类方法，该发明运用计算机视觉技术和深度卷积神经网络理论，利用大数据平台Tensorflow框架，建立卷积人工神经网络模型，并针对来自吉林夹皮沟金矿等不同地区黄铁矿石镜下照片进行图像数据输入模型训练学习，从而实现镜下黄铁矿石图片中不同矿石矿物的自动识别与分类。该发明可以辅助地质工作者来对矿石矿物的镜下照片进行识别与分类，提高地质工作者的工作效率。

需要识别矿物图像来自电子显微镜获取的矿物微观图像，而黄铁矿与剩余矿物在电子显微镜图像上均显示出高亮的特征；以上述方法为代表的一类方法在对黄铁矿和剩余矿物进行识别和分类时，无法对黄铁矿和剩余矿物实现精准识别与分类。

发明内容

本发明提供了矿物图像智能识别与分类方法、系统及建立方法，旨在解决现有技术无法实现对黄铁矿和其他高密度矿物精准识别与分类的缺点。

本发明通过下述技术方案实现：

一种矿物图像识别与分类方法，包括如下步骤：

S10：收集矿物图片，将矿物图片放大并切割成大小相等的子图；对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注，其中，所述剩余矿物为矿物图片中除去黄铁矿、干酪根的矿物；

S20：对S10中分割标注的黄铁矿、干酪根和剩余矿物的特征进行有监督训练学习，得到第一网络模型；

S30：将矿物图片中黄铁矿单独截取出来，对黄铁矿的特征再次进行有监督训练学习，得到第二网络模型；

S40：将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物；将一次分类黄铁矿和一次分类剩余矿物分别单独截取出来并输入第二网络模型，得到二次分类黄铁矿和二次分类剩余矿物。

优选的，所述S20的有监督训练学习过程为：

S21：在Mask R-CNN实例分割网络模型的输入层中将子图像素固定到1024*1024，输入到ResNet网络中训练，并输出像素分别为128*128、64*64、32*32、16*16的四个特征图像；

S22：利用S21中输出的四个特征图像构建FPN网络的特征金字塔，并生成若干个的候选区域特征图像；