基于深度神经网络的岩芯柱岩石类型识别

石天航　钟宝荣

摘要：文章阐述了使用手机摄像头对岩芯表层图像进行采集，并使用深度神经网络分类的可行性。实验对象为砂岩和灰岩两大类岩石，对建立的数据集通过网络模型的100000次训练后，模型准确度在90%以上。通过对实验结果的分析，处于过渡带的岩芯因为岩性不一致或因外力遗留在岩芯表面的痕迹会干扰网络模型的识别准确率。从整体来看，网络模型能有效提取出岩石的基本特征，验证了方法的可行性，实验数据采集流程简单，采集效率高，具备广泛推广的可能性。

关键词：岩石图像;深度学习;卷积神经网络;特征提取

中图分类号：TP311文献标识码：A

文章编号：1009-3044（2021）12-0192-03

Abstract： The article describes the feasibility of using a mobile phone camera to collect images of the core surface and using a deep neural network for classification. The experimental objects are sandstone and limestone. After 10，0000 trainings of the network model on the established data set， the accuracy of the model is above 90%. Through the analysis of the experimental results， the cores in the transition zone due to inconsistent lithology or traces left on the surface of the core due to external forces will interfere with the recognition accuracy of the network model. From an overall point of view， the network model can effectively extract the basic characteristics of the rock， verifying the feasibility of the method， the experimental data collection process is simple， the collection efficiency is high， and it has the possibility of widespread promotion.

Key words： rock image; deep learning; convolutional neural network; feature extraction

在油氣田勘探和开发过程中，岩芯往往是了解地下油层及所含流体特征最直观、最实际的地质资料，具有较高的研究价值。岩芯岩石类型的确定，对于油气田生、储、盖类型的研究具有重要的意义。岩芯表层图像，作为岩芯最直观的特征，是第一手的地层资料。在当前数据科学快速发展的背景下，利用数据科学研究方法对地质学中的大数据进行智能分析，挖掘有价值的信息，从而提高工作的效率和准确率，已经成为当前社会一种公认高效的研究方法。目前广泛应用的岩芯数字化方法大致可分三种[1]：

1） 获取实物表面图像信息，如岩芯白光扫描。

2） 获取实物表面的各类化学参数信息，如岩芯高光谱矿物扫描、岩芯XRF元素浓度分析等。

3） 获取实物内部的物理参数，如岩芯CT扫描、P波速度扫描、伽马密度扫描、磁化率扫描等。

智能手机的摄像头像素越来越高，利用智能手机拍摄岩芯表层图像，从而进行图像分析识别工作将会是一种高效的工作方式。这种方式操作简单，易于推广，同时能极大地提高工作人员的效率。

在图像识别领域，卷积神经网络有着独到的优势。国内外有许多的学者采用卷积神经网络算法处理岩石类型的分类问题。2010年，Singh等[2]以玄武岩岩石薄片图像作为输入，提取27个数值参数，输入多层感知器神经网络，通过网络训练后输出岩石类别。2017年，程国建等[3]采用卷积神经网络模型对镜像岩石薄片图像特征自动提取，并同时建立模式分类器，实现基于薄片图像的粒度自动识别。2018年，白林等[4]对15种常见岩石的图像数据基于卷积神经网络构建岩石识别深度学习模型成功提取了多种类型岩石中的矿物。2019年，陈钢花等[5]构建了一个双层的卷积神经网络模型应用于判别储层岩性，并与岩石物理相方法和支持向量机方法进行对比，分析卷积神经网络方法准确率高，速度快，岩性预测具有实时性。

综上所述，卷积神经网络在地质学上的应用得益于近几年人工智能技术的快速发展。深度学习等方法已经在岩石手标本等图像分类中得到应用，并体现出一定的效果[6]。但是由于岩芯数字化程度不高，对于岩芯表层图像识别问题的研究略显不足。

1 卷积神经网络算法

卷积神经网络（Convolutional Neural Networks， CNN）是一类包含卷积计算且具有深度结构的前馈神经网络，具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类。经典的网络模型有VGG、GoogLeNet[7-8]等算法，可直接将图像数据作为输入，无须人工对图像进行预干预和额外的特征提取等复杂操作，而且以其特有的细粒度提取方式，使得对图像的处理能力达到几近人力的水平。

1.1 GoogLeNet网络模型

GoogLeNet网络采用Inception模块（如图1），卷积核采用1*1，3*3，5*5，不同大小的卷积核能够感受不同大小的感受野，将卷积步长设置为1后，分别采用padding=0，1，2，

采用same卷积能够给予不同尺度的特征融合。随着层数的增加，3*3，5*5的卷积比例也逐渐增加。Inception-V3在之前的基础上做了改良[10]，采用一种有效分解卷积的方式来减少网络的参数，提高训练速度，分解到更小的卷积，将两个较小的卷积结构来替代原本的卷积，如用两个3×3卷积替代5×5卷积如图2（a）。将3×3卷积分解成3×1再接1×3的不对成卷积如图2（b）。

GoogLeNet-InceptionV3网络模型结构如图3所示。大小为299×299像素的图像作为网络模型的输入数据，对应为R、G、B三个颜色通道，即为299×299×3的矩阵。通过GoogLeNet网络模型的卷积迭代过程，在进行完卷积和池化的迭代操作后，最终得到2048个节点，经过一次全连接操作，隐含节点为1000，最后利用softmax函数得到分类概率，并且确定相应的岩石类别。

2 实验

2.1 数据集

实验采用的岩芯表层图像来自湖北潜江野外钻取岩芯（图4），使用手机摄像头拍摄，经由地质专业人员进行辨认分类后，选取典型的岩石类型彩色图像，随机截取299*299的图像组成数据集（图5），灰岩、砂岩图像各1400张，在实验中随机划分1100张作为训练集，300张作为验证集。

2.2 特征提取

岩芯表层图像分类需要结合矿物成分、结构和构造等特征，依据岩芯表层矿物粒度大小、表面特殊的纹理。岩石的多样性以及地质构造作用的复杂性，导致岩芯柱往往成分构成复杂，纹理多样化。

砂岩是一种沉积岩，主要由各种砂粒胶结而成的，颗粒直径在0.05-2mm，其中砂粒含量要大于50%，结构稳定，通常呈淡褐色或红色，主要含硅、钙、黏土和氧化铁。外观粗糙，其表面有明显颗粒质感。灰岩，以方解石为主要成分的碳酸盐岩，有时含有白云石、黏土矿物和碎屑矿物，有灰、灰白、灰黑、黄、浅红、褐红等色，其结构较为复杂，有碎屑结构和晶粒结构两种。碎屑结构多由颗粒、泥晶基质和亮晶胶结物构成。晶粒结构是由化学及生物化学作用沉淀而成的晶体颗粒。

GoogLetNet卷积神经网络通过卷积，池化等操作后产生的图像特征图如表1所示，与原图相比较，第2～3张对应的特征图能明显显示出网络提取出的有效特征。表1中砂岩的颗粒特征被有效放大，并通过一次次的卷积、池化操作，逐渐抽象成为分类的主要特征。灰岩中白云石或方解石所形成的石脉特征以及灰岩的粒度特征在特征圖中均被有效提取。从提取出的特征图分析，GoogLetNet卷积神经网络已经能在底层中有效提取出岩石的粒度特征和构造特征。

2.3 实验过程及结果

图像数据通过整理，输入到构建好的卷积神经网络模型中进行训练，设置的初始的学习率为0.001，经过100000次迭代后，模型对于训练集的准确率为100%，对于验证集的准确率为90%以上。网络模型每通过100次迭代后，保存模型并记录测试集准确率。网络模型识别准确率变化图如图6所示。模型识别准确率随着训练次数的增加逐渐增长，蓝色的曲线代表训练集的准确率，黄色的曲线代表测试集的准确率。结果数据显示，在50000次训练之后，模型的准确率波动减缓。

（横坐标表示训练次数，纵坐标表示模型的准确率，蓝色线表示训练集的准确率，黄色线表示验证集的准确率）

模型识别准确率波动性较大结合误判的岩石图像（表2），分析可能由三个原因引起：

1） 岩芯表面由于污泥、钻探工具遗留下的痕迹等非自然因素干扰网络判断。

2） 处于底层过渡带的岩芯因其岩性不一致，导致同一张图像中具有两种类型的岩石，从而降低了模型的准确率。

3） 由于地层构造作用复杂，断层等构造特征破坏岩芯完整性，干扰神经网络特征提取。

3 总结

岩芯样品往往数量庞大而且其开采成本昂贵。人工鉴定存在工作量大、过程烦琐、主观性强等问题，同时我国岩芯数字化程度不高，导致岩芯利用率较低。本文研究了一种易于操作推广的岩芯表层图像分类方法。使用手机摄像头对岩芯表层图像进行采集，通过GoogLeNet卷积神经网络能有效提取图像的特征，并对其进行分类识别，模型准确率达90%以上。通过实验结果分析，发现网络模型易于受到岩芯表层污垢，构造作用的干扰，岩芯岩性不一致也会降低模型准确率。后续对岩石种类、训练集筛、网络模型的稳定性选等问题上进行进一步的探索研究，应用于岩芯图像的识别问题上。

参考文献：

[1] 米胜信，姚聿涛，张晨光，等.基于智能手机APP的岩芯图像采集研究[J].中国矿业，2018，27（7）：157-160.

[2] Singh N，Singh T N，Tiwary A，et al.Textural identification of basaltic rock mass using image processing and neural network[J].Computational Geosciences，2010，14（2）：301-310.

[3] 程国建，郭文惠，范鹏召.基于卷积神经网络的岩石图像分类[J].西安石油大学学报（自然科学版），2017，32（4）：116-122.

[4] 白林，姚钰，李双涛，等.基于深度学习特征提取的岩石图像矿物成分分析[J].中国矿业，2018，27（7）：178-182.

[5] 陈钢花，梁莎莎，王军，等.卷积神经网络在岩性识别中的应用[J].测井技术，2019，43（2）：129-134.

[5] Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18（7）：1527-1554.

[6] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[7] Zhu Y Q，Bai L，Peng W H，et al.Depthwise separable convolution feature learning for ihomogeneous rock image classification[C]//Cognitive Systems and Signal Processing，2019. DOI：10.1007/978-981-13-7983-3_15.

[8] Szegedy C，Liu W，Jia Y Q，et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.June 7-12，2015，Boston，MA，USA.IEEE，2015：1-9.

[9] Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision[J].2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016：2818-2826.

【通联编辑：梁书】