基于深度学习的岩石图像识别

发布时间：2023-05-24 21:20

　　随着计算机技术的崛起,地质调查工作方式产生了巨大的变革。岩石图像识别是地质学研究的一个重要领域,也是地质调查工作的一项重要内容。在目前的岩性识别工作中,仍需专业人员对野外获取的岩石标本制备岩石薄片进行分析,整个流程工作量大,时间周期长。为优化此流程,本文提出基于深度学习的岩石图像识别方法,探索岩石新鲜剖面图像的自动识别。一方面,本文提出了基于深度学习的岩石岩性自动识别方法。针对岩石新鲜剖面图像,结合迁移学习方法,通过对预训练模型的冻结与微调,实现了基于VGG、Res Net和Dense Net的岩石图像识别模型,获得了岩石岩性识别最佳实践。对比分析表明,Dense Net网络结构深度大、连接稠密,作为模型的特征提取器,可以在岩石新鲜剖面数据集上获得最佳识别效果,其中模型my Dense Net-all在测试集上的F1为89.84%,准确率为94.48%。另一方面,针对地质人员野外离线作业环境,本文研究了岩石识别模型的压缩和移动端部署。通过轻量化模型设计、网络剪枝和模型量化的思想,设计并实现了岩石图像识别的压缩模型,大幅降低模型大小。实验表明,先进行0.1阈值的通道稀疏化,再量化整个模型...

【文章页数】：59 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
1 绪论
    1.1 研究背景及意义
    1.2 国内外研究进展
        1.2.1 岩石图像识别
        1.2.2 深度学习技术
    1.3 研究内容
    1.4 论文技术路线
    1.5 论文组织结构
2 相关理论基础
    2.1 深度学习基础
        2.1.1 从生物神经网络到人工神经网络
        2.1.2 从人脑视觉机理到计算机视觉
        2.1.3 卷积神经网络
    2.2 岩石岩性基础
        2.2.1 岩石岩性
        2.2.2 岩石岩性识别
    2.3 本章小结
3 基于深度学习的岩石图像识别方法研究
    3.1 识别方法设计
        3.1.1 迁移学习
        3.1.2 特征提取器
        3.1.3 损失函数和优化器
        3.1.4 分类器
        3.1.5 评价指标
    3.2 数据集的建立
        3.2.1 数据来源
        3.2.2 数据标注
        3.2.3 数据集划分
        3.2.4 数据增强
    3.3 实验过程
        3.3.1 实验环境
        3.3.2 模型建立
    3.4 实验结果与对比分析
    3.5 本章小结
4 岩石识别模型压缩研究
    4.1 压缩方法设计
        4.1.1 基于深度可分离卷积的压缩方法
        4.1.2 基于网络剪枝和模型量化的压缩方法
    4.2 实验过程
        4.2.1 实验环境
        4.2.2 模型建立
    4.3 实验结果与对比分析
    4.4 模型移动端部署与对比分析
        4.4.1 模型部署
        4.4.2 模型推理与对比分析
    4.5 本章小结
5 总结与展望
    5.1 总结
    5.2 展望
参考文献
个人简介
导师简介
获得成果目录
致谢



本文编号：3822335