隨著計算機(jī)技術(shù)的崛起,地質(zhì)調(diào)查工作方式產(chǎn)生了巨大的變革。巖石圖像識別是地質(zhì)學(xué)研究的一個重要領(lǐng)域,也是地質(zhì)調(diào)查工作的一項(xiàng)重要內(nèi)容。在目前的巖性識別工作中,仍需專業(yè)人員對野外獲取的巖石標(biāo)本制備巖石薄片進(jìn)行分析,整個流程工作量大,時間周期長。為優(yōu)化此流程,本文提出基于深度學(xué)習(xí)的巖石圖像識別方法,探索巖石新鮮剖面圖像的自動識別。一方面,本文提出了基于深度學(xué)習(xí)的巖石巖性自動識別方法。針對巖石新鮮剖面圖像,結(jié)合遷移學(xué)習(xí)方法,通過對預(yù)訓(xùn)練模型的凍結(jié)與微調(diào),實(shí)現(xiàn)了基于VGG、Res Net和Dense Net的巖石圖像識別模型,獲得了巖石巖性識別最佳實(shí)踐。對比分析表明,Dense Net網(wǎng)絡(luò)結(jié)構(gòu)深度大、連接稠密,作為模型的特征提取器,可以在巖石新鮮剖面數(shù)據(jù)集上獲得最佳識別效果,其中模型my Dense Net-all在測試集上的F1為89.84%,準(zhǔn)確率為94.48%。另一方面,針對地質(zhì)人員野外離線作業(yè)環(huán)境,本文研究了巖石識別模型的壓縮和移動端部署。通過輕量化模型設(shè)計、網(wǎng)絡(luò)剪枝和模型量化的思想,設(shè)計并實(shí)現(xiàn)了巖石圖像識別的壓縮模型,大幅降低模型大小。實(shí)驗(yàn)表明,先進(jìn)行0.1閾值的通道稀疏化,再量化整個模型...

【文章頁數(shù)】：59 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究進(jìn)展
        1.2.1 巖石圖像識別
        1.2.2 深度學(xué)習(xí)技術(shù)
    1.3 研究內(nèi)容
    1.4 論文技術(shù)路線
    1.5 論文組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
    2.1 深度學(xué)習(xí)基礎(chǔ)
        2.1.1 從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)
        2.1.2 從人腦視覺機(jī)理到計算機(jī)視覺
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.2 巖石巖性基礎(chǔ)
        2.2.1 巖石巖性
        2.2.2 巖石巖性識別
    2.3 本章小結(jié)
3 基于深度學(xué)習(xí)的巖石圖像識別方法研究
    3.1 識別方法設(shè)計
        3.1.1 遷移學(xué)習(xí)
        3.1.2 特征提取器
        3.1.3 損失函數(shù)和優(yōu)化器
        3.1.4 分類器
        3.1.5 評價指標(biāo)
    3.2 數(shù)據(jù)集的建立
        3.2.1 數(shù)據(jù)來源
        3.2.2 數(shù)據(jù)標(biāo)注
        3.2.3 數(shù)據(jù)集劃分
        3.2.4 數(shù)據(jù)增強(qiáng)
    3.3 實(shí)驗(yàn)過程
        3.3.1 實(shí)驗(yàn)環(huán)境
        3.3.2 模型建立
    3.4 實(shí)驗(yàn)結(jié)果與對比分析
    3.5 本章小結(jié)
4 巖石識別模型壓縮研究
    4.1 壓縮方法設(shè)計
        4.1.1 基于深度可分離卷積的壓縮方法
        4.1.2 基于網(wǎng)絡(luò)剪枝和模型量化的壓縮方法
    4.2 實(shí)驗(yàn)過程
        4.2.1 實(shí)驗(yàn)環(huán)境
        4.2.2 模型建立
    4.3 實(shí)驗(yàn)結(jié)果與對比分析
    4.4 模型移動端部署與對比分析
        4.4.1 模型部署
        4.4.2 模型推理與對比分析
    4.5 本章小結(jié)
5 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
個人簡介
導(dǎo)師簡介
獲得成果目錄
致謝



本文編號：3822335