[发明专利]一种基于人工智能的砂岩薄片图像鉴定方法和系统

说明书

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，包括：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，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；S4对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；S5测定砂岩薄片中各类别矿物的视面积含量，根据鉴定目标的候选区域和分类结果，将砂岩薄片中各类别矿物进行可视化显示。其采用两步训练方法，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。

技术领域

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

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。

发明内容

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。

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。

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。

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。

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。

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。

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。

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。