一种基于Resnet的岩石薄片识别方法

贾立铭 梁少华

摘要：通过人工观察岩石薄片来进行分类效率低，且容易受主观影响，在如今人工智能的时代背景下，使用计算机视觉技术对其进行智能处理，已经成为一种公认的研究方法。为此本文通过使用卷积神经网络来代替人工进行岩石薄片分类。本实验使用“中国科学数据”中的《部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集》部分数据，采用数据增强手段进行处理，使其数据量扩增10倍。采用了ResNet模型，对其进行训练，最终准确率达到了96.8%。结果表明使用卷积神经网络对岩石薄片进行分类可以获得高效、准确的结果。

关键词：岩石薄片;图像分类;卷积神经网络;残差网络

中图分类号：TP18          文献标识码：A

文章编号：1009-3044（2021）28-0107-03

开放科学（资源服务）标识码（OSID）：

A Resnet-based Recognition Method of Rock Slices

JIA Li-ming， LIANG Shao-hua

（College of Computer Science， Yangtze University， Hubei 430000， China）

Abstract： Classification by manually observing rock slices is inefficient and subject to subjective influence. In today's artificial intelligence era， the use of computer vision technology for intelligent processing has become a recognized research method. To this end， this paper uses convolutional neural networks to replace artificial rock slice classification. This experiment uses part of the data from "Partial Rock-forming Minerals， Typical Metamorphic Minerals， and Oolitic Thin Section Microscopic Image Data Set" in "Chinese Scientific Data"， and uses data enhancement methods to process the data to increase the amount of data by 10 times. Using the ResNet model and training it， the final accuracy rate reached 96.8%. The results show that using convolutional neural network to classify rock slices can obtain efficient and accurate results.

Key words： rock slice; image classification; convolution neural network; residual network

1研究目的

岩石薄片鉴定技术是石油行业中的一项重要基本技能，现如今石油行业飞速发展，企业对岩石薄片鉴定方面的要求也在逐渐提高，但是现如今岩石薄片鉴定主要还是靠有专业能力和丰富经验的技术人员进行人工鉴定，识别结果很大程度上依赖个人经验，判断标准不统一，处理效率不高。近年来快速发展的还有卷积神经网络，卷积神经网络在人脸识别上的准确度已经超过了人类，这说明利用卷积神经网络代替人工进行岩石薄片的鉴定是可行的。

近年来，随着计算机技术与数字图像处理技术的发展，很多学者在使用图像识别技术对岩石图像进行识别和分类方面做了大量研究，取得不少成果。如：葛粲等人使用卷积神经网络对火山岩的构造源区进行判别[1]，薛东杰等人使用全卷积神经网络的智能识别算法对岩石混凝土裂隙进行智能识别[2]，罗伟等人使用深度学习的算法对野外露头区岩石裂缝进行识别[3]，白林等人对6种常见岩石薄片使用VGG神经网络进行分类[4]，这都说明了卷积神经网络技术可以应用在地质方面。但仍存在一些值得改进的地方：如程国建等人使用神经网络对岩石薄片进行分类[5]，使用了三种共4800个样本进行训练，样品数量较多，类别较少。实际应用中往往是样本数量较少，类别较多。

對此，本文提出一种基于卷积神经网络（CNN）的岩石图像分类方法。使用少量样本对8种岩石薄片进行识别分类。

2岩石薄片

岩石薄片是在岩样上取得的一小块岩片，并将其磨制成几十微米厚的薄片，在偏光显微镜下，对图像进行采样，通过观察图像确定岩样的岩石矿物成分、结构和构造等特征，并进一步对岩石岩性进行判断。为了观察岩样内部孔隙、喉道及其相应的联通特征的方便，还可以将彩色胶体或者树脂注入岩石内部，然后进一步加工制成铸体薄片[5]。

本文使用了“中国科学数据”中的《部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集》。数据集按矿物种类分为橄榄石、普通辉石、角闪石、黑云母、斜长石、红柱石、堇青石、十字石、石榴子、阳起石和鲕粒，共计1446张图片。其中9类矿物薄片在单偏光和正交偏光两种光源环境下拍摄，2类矿物薄片只在正交偏光下拍摄，序号后面的“-”表示在单偏光环境下拍摄，“+”表示正交偏光环境，如图1所示。本次实验使用其中的8种岩矿薄片，共747张图片。

3残差网络

早期通过增加网络层数可以获得比较好的效果，但是当网络层數增加到一定的数量时，网络会发生退化现象：训练集loss逐渐下降，然后趋于饱和，继续增大网络深度，训练集loss反而会增大。使用残差网络可以解决网络退化的问题。

残差网络的思想是使用直接映射来连接网络不同层。当网络退化时，浅层网络能够达到比深层网络更好的训练效果，如果把浅层的特征传到深层，那么效果应该至少不比浅层网络效果差。从信息论的角度讲，由于DPI（数据处理不等式）的存在，在前向传输的过程中，随着层数的加深，Feature Map包含的图像信息会逐层减少，而通过直接映射的加入，保证了[L+1]层的网络一定比[L]层包含更多的图像信息。

残差网络的核心是残差块，即对于一个堆积层结构（几层卷积层堆积而成），当输入为[x]时其学习到的特征记为[Hx]。现在我们希望其可以学习到残差[Fx=Hx-x]，这样其实原始的学习特征是[Fx+x]。残差块结构如图2所示。

在网络的设计中，通常是将输入[x]进行多次卷积后得到[Fx]，包括relu激活和Batch Normalization操作，然后与输入[x]相加得到[Hx]，送入下一层进行训练。

通过残差块构建残差网络，一般有两种结构，一种是两个3*3的卷积叠加，一种是两个1*1的卷积中间加入一个3*3的卷积。如果残差路径改变了featuremap的数量和尺寸，还需要使用1*1的卷积来升维或者降采样使输出与[Fx]的shape保持一致。在经过所有残差块后，对输出进行Average Pooling得到最终的特征。

4方法

4.1数据集与预处理

首先对图片进行预处理，原始的图片为2560*1920个像素的彩色图片，将图片转化为224*224个像素的彩色图片。实验共选取8种正交偏光下拍摄的岩石薄片，分别是橄榄石、普通辉石、角闪石、黑云母、斜长石、十字石、石榴子石、鲕粒。每种岩石薄片选取30张至140张图片。对原始图像进行图像空间尺度变换（旋转、镜像），经过处理后可以将原始样本数量增多10倍，可以防止过拟合，提升模型性能。图3是处理后的图像。

4.2网络结构设计

卷积神经网络（Convolutional Neural Networks， CNN）是一种包含卷积计算且具有深度结构的前馈神经网络，也是目前最流行的深度学习算法之一。卷积神经网络经过多年的发展，已经从只有5层的LeNet网络发展到如今上百层的DenseNet网络，随之而来的还有准确度的提升和对算力要求的提升。本文使用ResNet网络，ResNet在2015年ILSVRC和COCO上取得了5项第一。当下Resnet已经代替VGG成为一般计算机视觉领域问题中的基础特征提取网络。

本文使用Resnet50网络，首先对图像进行7*7的卷积和3*3的最大池化处理，然后使用16个残差块进行学习，每个残差块由2个1*1和1个3*3的卷积层组合而成。最后进行平均池化后输出。网络结构图由表1所示：

4.3训练过程

首先对每张图片进行数据增强，然后转化成tfrecord格式，目的是为了提高读取效率，共7470张图片，其中训练集6810张图片，测试集660张图片。将tfrecord文件输入到Resnet50进行训练，使用梯度下降优化损失，固定学习率为0.0001，经过10万次迭代后，训练集准确率稳定在99%左右。

4.4测试结果

测试使用660张测试集图片进行预测，准确率达到94.8%，表1给出了8种岩石薄片的预测混淆矩阵。从表2可以看出，误差主要是由于将橄榄岩识别成了普通辉石和十字石产生的。原因是普通辉石与橄榄石为共生矿物，在橄榄岩中常常含有一定比例的辉石。

本实验结果表明利用卷积神经网络对岩石薄片进行识别分类有较高的准确率，对与地质研究者来说有一定的参考价值。本次实验仅选取8类岩石图片，并且图片数量较少，所以仍有一定误差。未来可以通过迁移学习提高准确率。

5结论

将岩石薄片的图像经过简单处理输入到卷积神经网络，通过自动提取特征可以降低人为主观因素导致的判断失误，准确率可以达到96.8%。说明卷积神经网络对岩石薄片的识别分类有较高的可靠性。

参考文献：

[1] 葛粲，汪方跃，顾海欧，等.基于卷积神经网络和火山岩大数据的构造源区判别[J].地学前缘，2019，26（4）：22-32.

[2] 薛东杰，唐麒淳，王傲，等.基于FCN的岩石混凝土裂隙几何智能识别[J].岩石力学与工程学报，2019，38（S2）：3393-3403.

[3] 罗伟，梁世豪，姜鑫，等.基于深度学习的野外露头区岩石裂缝识别[J].计算机与现代化，2020（5）：56-62.

[4] 白林，魏昕，刘禹，等.基于VGG模型的岩石薄片图像识别[J].地质通报，2019，38（12）：2053-2058.

[5] 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.

[6] 朱雨星，王一帆，郭宁，等.不同尺度地学数据的岩石岩性识别方法对比[J].科技视界，2020（5）：143-145.

[7] 吴正文.卷积神经网络在图像分类中的应用研究[D].成都：电子科技大学，2015.

[8] 吉春旭.基于卷积神经网络的岩石图像分类研究与应用[D].西安：西安石油大学，2017.

[9] Ashok Kumar Patel a， Snehamoy Chatterjee b. Computer vision-based limestone rock-type classification using probabilistic neural network[J].地学前缘：英文版，2016（1）： 53-60.

[10] 朱世松，杨文艺，侯广顺，等.一种岩石薄片智能分类识别方法[J].矿物学报，2020，40（1）：106.

【通联编辑：唐一东】