在地質(zhì)學(xué)領(lǐng)域中,砂巖薄片的鑒定對于油氣勘探具有重要的指導(dǎo)意義。當(dāng)前主要通過人工觀察的方式分析砂巖薄片,消耗大量時間和人力成本,并且因分析人員經(jīng)驗不同造成鑒定質(zhì)量良莠不齊。研發(fā)砂巖薄片自動化鑒定裝置,有助于節(jié)約人力并提高鑒定效率。自動化鑒定裝置的核心技術(shù)是識別和分析圖像,因此砂巖薄片圖像識別技術(shù)的研究具有重要的意義。本文針對砂巖薄片圖像確定了先分割圖像再進(jìn)行識別的思路。首先基于超像素算法對砂巖薄片圖像進(jìn)行分割,再訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型識別子圖像中組成成分類別。因此本文圍繞超像素分割算法和圖像識別模型兩部分展開研究,主要研究內(nèi)容和成果概括如下:(1)針對砂巖薄片圖像分割問題,本文基于SLIC算法提出了一個自適應(yīng)超像素數(shù)量的AS-SLIC算法,該算法可根據(jù)區(qū)域顏色直方圖動態(tài)地產(chǎn)生超像素。同時改進(jìn)了算法中的特征距離度量函數(shù),使其能夠結(jié)合多幅圖像產(chǎn)生超像素。在砂巖薄片圖像上的實驗證明,本文提出算法的邊界召回率相對SLIC算法有所提高,并且多圖像分割算法相對單圖像的分割精度更高,一定程度上緩解了傳統(tǒng)算法的欠分割問題。(2)針對超像素算法產(chǎn)生的過分割問題,本文提出了一個基于區(qū)域特征相似度的超像素合并算法,該算法提取區(qū)域特征并根據(jù)區(qū)域間特征距離來合并過分割區(qū)域。實驗結(jié)果證明本文提出的超像素合并算法能夠合并大多數(shù)過分割區(qū)域,可以大幅度提升邊界分割準(zhǔn)確率,使分割結(jié)果更接近人工分割的結(jié)果。(3)針對砂巖薄片圖像組分(組成成分)識別問題,本文設(shè)計了一個輕量級的卷積神經(jīng)網(wǎng)絡(luò)模型。本文結(jié)合深度可分離卷積、密集連接和殘差學(xué)習(xí)的思想提出了 Res2Dw模型,該模型在減少參數(shù)量的同時且具有較深的網(wǎng)絡(luò)結(jié)構(gòu)和多尺度的感受野。本文還采用圖像增強、類平衡損失函數(shù)等策略緩解數(shù)據(jù)分布不均衡問題帶來的影響。實驗結(jié)果表明,本文設(shè)計的模型參數(shù)量保持輕量級的同時獲得了比同量級的模型更高的識別精度。(4)針對模型識別精度問題,本文設(shè)計了大量實驗進(jìn)行驗證。本文研究過程中制作了兩個圖像數(shù)據(jù)集,然后通過實驗探索了如何提升模型識別精度,最終訓(xùn)練出的模型對105類砂巖組分的識別準(zhǔn)確率最高可達(dá)89.8%。
【學(xué)位單位】：中國科學(xué)技術(shù)大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2020
【中圖分類】：P618.13;TP391.41
【部分圖文】：

?第２章相關(guān)背景與技術(shù)概述???別陸源碎屑、非陸源碎屑和填隙物。結(jié)構(gòu)方面的鑒定主要是識別碎屑顆粒、填隙??物和孔隙間的結(jié)構(gòu)特征，具體包括顆粒粒度、分選性、磨圓度、支撐類型、接觸??方式、膠結(jié)類型六個方面。經(jīng)過上述分析鑒定，最終由鑒定人員編寫砂巖鑒定分??析報告，目前國內(nèi)常用的砂巖薄片鑒定分析報告模板如圖２．２所示。??委托單位?批巧?接ｉｆ丨】期?佺涮ａ期??栓涮編號?要托人?儀器變號?僅器編號??來蛘號?抒＆名樣?畫內(nèi)溫度?相對龍度???丼號糾面?咖⑴?ＬＩ．?Ｌ?｜｜???ｒ．．．．．．．ｒ￣ｆｒ—一￣￣ｉｓ?ｎ—??？?拽?Ｒ?＊?８？卜?＊??￣￣Ｚ?一￣一＂：：１?＾?火?餃結(jié)物?本珥－?鈷觸?Ｍａｎ?孔??—４?ｘ．．ｌｎ�。。�?■■■■■石》押幻？〇■?變火?２山?＊?＿＿＿＿密貨?英炎二率??英石長長?枳咕成⑴＝碎?《硓?《?泥?＾?Ｓ?度?ｎ?系?（％＞??地續(xù)年代?ｍｍ＿＿??????好準(zhǔn)方法？?９?Ａ?｝?Ａ：?Ｂ）?Ｈ－Ｊ?ｈ?Ｃｌ?Ｖ－－?ｔ?：？?（．?｝?Ｊ：ｉ?０■：?Ｖｉ?■；?）?Ｈｉ?ｌｉ?ｎ?Ｈｉ?Ｉ．?Ｉ?Ｖｉ?；?＞．－＜？???＇??ｉ??ＳＶ／Ｔ?５：ｋＷ－２０Ｊ６??定?名?妁?性?描?述??林結(jié)構(gòu)??巖梆色括＊＊＊？??好噴膠結(jié)物為＊？？？碳酸法膠結(jié)物為＊＊＊＊＊＊＊膠結(jié)？分布《＊：泥陸膠結(jié)物＊＊＊．?－＊＊１２結(jié)．??圖２．２砂巖薄片鑒定檢測報告模板??２．２超像素圖像分割??２．２．１基本概念??超像素（Ｓｕｐｅｒｐｉｘ

?第２章相關(guān)背景與技術(shù)概述???向路徑不交叉。迭代的對圖像進(jìn)行垂直和水平二分之后，得到網(wǎng)格狀的超像素，??如圖２．３所示。作者分別使用了?ｓ－ｔ最小割方法和動態(tài)規(guī)劃法來搜索最優(yōu)路徑，??使得算法時間復(fù)雜度約為ｏ〇ｖ３／２／〇＾ｖ）。???Ｎ?—?－?－?／?－?－??４?〈?３?Ｍ－２?＾?Ｍ－１〈?Ｎ??圖２．３?Ｓｕｐｅｒｐｉｘｅｌ?Ｌａｔｔｉｃｅ算法超像素生成過程??該算法在分割過程中的拓?fù)浼s束條件，使得到的超像素形狀較規(guī)則、分布均??勻，并且能夠精確控制超像素數(shù)量，但分割精度依賴于建立的邊界圖，而且最優(yōu)??路徑的策略可能與局部物體邊緣不貼合。作者后續(xù)的研宄中加入了場景形狀的先??驗知識，使得每條路徑盡可能貼合局部物體的邊界，進(jìn)一步提高了分割的精度。??（３）?ＳＥＥＤＳ?算法??Ｂｅｒｇｈ等人于２０１２年提出了?ＳＥＥＤＳ算法，該算法通過顏色直方圖距離和??邊界約束條件來將像素劃分到超像素中。首先將圖像等間距的劃分為多個網(wǎng)格，??作為初始化的超像素。然后將圖像的顏色空間等間距的劃分為多個區(qū)間，統(tǒng)計超??像素中每個像素的顏色在顏色區(qū)間中出現(xiàn)的概率，計算公式如下：??ｆｓｋ（Ｊ）?＝?２?Ｘ?Ｙ＾Ｃｎ?＆?Ｈｊ＾?（２．５）??ｎｅＳｆｃ??其中Ａ表示第ｙ個顏色區(qū)間，表示第／個像素點的顏色值，＆為第ｔ個超??像素，ｙ（＿）函數(shù)用來判斷ｑ是否屬于。定義公式２．６來計算超像素內(nèi)的顏色一??致性，并定義公式２．７表示整幅圖像的顏色熵。由定義可知，熵值越高則超像素??內(nèi)部的顏色越一致。??Ｓ＾Ｓｋ）?＝?＾?（／ｓｆｃ０））?（２．６）??Ｈｊ??／／（５）＝?＾?５（５，）?（２．７

?軍，在ＩｍａｇｅＮｅｔ數(shù)據(jù)集上的ｔｏｐ－５識別錯誤率為３．５７％，甚至低于人眼識別錯誤??率。簡單的堆疊卷積層來增加深度，會導(dǎo)致梯度消失或梯度爆炸，并且隨著深度??的增加，網(wǎng)絡(luò)的性能可能會出現(xiàn)退化。Ｈｅ等人提出一種設(shè)想，當(dāng)簡單的卷積層??堆疊導(dǎo)致網(wǎng)絡(luò)過深，若其中某一層提取到的特征已經(jīng)是最優(yōu)狀態(tài)，那么后面的層??就不應(yīng)該再對其做出改變，所以后面的層應(yīng)學(xué)習(xí)到恒等映射（ｉｄｅｎｔｉｔｙ?ｍａｐｐｉｎｇ）??的能力。因此，作者提出了殘差學(xué)習(xí)模塊（ｒｅｓｉｄｕａｌｌｅａｍｉｎｇ），模塊結(jié)構(gòu)如圖２．５??所示。??ｗｅｉｇｈｔ?ｌａｙｅｒ?＼??７（ｘ）?｜ｒｅｌｕ?Ｊ?ｘ??ｗｅｉｇｈ｜ｌａｙｅｒ?１?Ｊ?ｉｄｅｎｔｉｔｙ??稱Ｘ??圖２．５殘差學(xué)習(xí)模塊??ＲｅｓＮｅｔ的思想是增加直連接通道，與ＨｉｇｈｗａｙＮｅｔ［３７１的思想類似。在殘差學(xué)??習(xí)模塊中，首先將輸入復(fù)制一份直接連接到輸出，這樣當(dāng)某一層的特征表達(dá)最優(yōu)??時，直連接部分起到恒等映射的作用，使模塊內(nèi)的卷積操作失去作用。假設(shè)殘差??學(xué)習(xí)模塊的輸入為ＡＳ?；Ｆ（；〇為模塊內(nèi)的特征變換，則輸出為：Ｆ（；〇＋Ｘ。當(dāng)淺層的??特征已足夠優(yōu)秀時，對特征的任何改變都將使全局損失增大，此時訓(xùn)練過程中將??使：Ｆ（；〇逐漸趨向于０，而輸入特征Ｘ將繼續(xù)向后面的層傳遞。恒等映射的操作有??利于梯度反向傳播，通過將多個殘差學(xué)習(xí)模塊進(jìn)行堆疊，甚至可以使網(wǎng)絡(luò)達(dá)到??１５０余層的深度。ＲｅｓＮｅｔ為進(jìn)一步加深網(wǎng)絡(luò)深度提供了新的思路，是目前圖像識??別領(lǐng)域中最常用的模型之一。??１７??
【參考文獻(xiàn)】

相關(guān)期刊論文 前2條

1 宋克臣;顏云輝;陳文輝;張旭;;局部二值模式方法研究與展望[J];自動化學(xué)報;2013年06期

2 徐安娜,穆龍新,裘懌楠;我國不同沉積類型儲集層中的儲量和可動剩余油分布規(guī)律[J];石油勘探與開發(fā);1998年05期

本文編號：2891679