[发明专利]一种基于注意力的自适应元学习岩性识别方法及装置

说明书

本发明公开公开一种基于注意力的自适应元学习岩性识别方法及装置，设计了一个元学习岩性识别模型，采用情景训练策略模拟少样本场景，该模型主要分为两部分：骨干网络部分和超参数生成网络。骨干网络部分为融合多层注意力机制的残差网络进行特征提取，利用注意力机制从特征图中提取线性与非线性信息，再利用softmax函数进行归一化分类。超参数生成网络动态生成两个重要的超参数：学习率与权重衰减系数，实现更好的训练和泛化。本发明针对岩石图像量少，岩石特征差异性较小的特点设计了注意力特征提取模型，得到的特征具有更强的分辨能力，能够提高分类精度。利用超参数生成网络动态生成超参数，使得在元学习场景下每个内环迭代都能适应给定的任务。

技术领域

本发明涉及一种基于注意力的自适应元学习岩性识别方法及装置，具体是一种岩石图像数据量少，岩石特征差异性较小的岩石岩性分类方法，属于地质工程勘查技术领域。

背景技术

岩石作为地壳的主要成分，是组成地球岩石圈的物质之一。它是由矿物和天然玻璃组成的，具有固定外形的稳态集合体。岩石的种类非常丰富，在自然界中，目前被人类探明的种类达到三千多种。岩石岩性的识别是准确确定岩石孔隙度和含油饱和度的前提，也是研究地质储层特征、计算储量和地质建模工作的基础

在矿产资源勘探中，尤其是在固体金属矿产资源勘探中，岩性识别同样发挥着不可比拟的重要作用。对目标区域的岩性识别可以帮助确定不同岩性空间展布和数量，可以为区域地质特征的描绘提供具体的地质信息。同时，岩石岩性识别可以为判定岩石的含矿种类、品位等微观信息，获取复杂构造下的岩石运移状态奠定坚实的理论基础。结合成矿理论和成矿模式，岩性识别可以提供置信度高的找矿指示和优良的靶区预测，与此同时，也可以为后期储量估算和三维地质体建模工作给出辅助参考。岩石岩性的分类是地质勘查工作中重要的研究内容，岩性识别历来是地质学、资源勘查、隧道与地下工程不良地质识别与灾变防控等领域非常重要而基础的问题，准确高效地识别岩性具有重要的应用价值。

专业的地质人员在野外勘查时，可以通过肉眼观察结合自身经验对岩石样本进行分类鉴定，但是由于野外缺少相应专业设备的精确鉴定，或是受制于地质专业人员的经验以及专业知识，只能对岩石样本进行粗略的分类识别。而为了实现精度更高的岩性鉴定，常见的方法是将待测岩石制成薄片，在偏光显微镜先进行微观鉴定，这一方法可以观察到岩石样本的内部微观结构，因此分类结果更加准确，粒度更加精细，除此之外，可能需要化学实验进行辅助分析。但是，这些分类方法受限于专业的鉴定环境和专业人员的技术水平，对于大规模的岩石分类任务来说，分类效率低，难以达到野外地质人员快速鉴定的需求。如果能实现岩性的智能识别，必将大幅度减少分析者的工作量，增加结果的客观性。因此，如何克服传统岩性识别方法存在的缺点，使更多非专业地质工作者等可以获取快速准确的岩性识别结果具有重要的研究意义。

发明内容

发明目的：针对现有岩性自动识别工作中，岩石图像数据量少，特征差异性较小的小样本分类问题，本发明提供了一种基于注意力的自适应元学习岩性识别方法及装置，提高在少样本场景下，岩性识别的分类性能，辅助野外地质勘查工作，提高野外地质工作者的效率。

技术方案：一种基于注意力的自适应元学习岩性识别方法，包括如下步骤：

步骤1)获取地质勘查领域的常见岩石图像，采集不同类型的岩石图像，进行图像预处理，结合地质知识对岩石图像进行标注，构建岩性识别专用数据集；

步骤2)将ResNet-12作为基准网络，利用多重注意力机制，将通道注意力和空间注意力以联合的方式加权嵌入到基准网络，作为元学习中基础学习者的骨干网络，获取图像特征；

步骤3)引入一个小型的超参数元网络作为元学习中的元学习者，该网络使用每个步骤的当前权重和梯度值自适应生成两个重要的超参数：学习率与权重衰减系数，使得元学习训练过程中每个内部循环迭代能够适应给定的任务；

步骤4)将步骤2)中的骨干网络作为元学习的基础学习者，步骤3)中的元网络作为元学习者，构建岩性识别元学习模型；