基于MobileNetV2的岩石薄片岩性识别

摘要：岩石薄片的岩性识别是地质分析中不可或缺的一环，其精准度直接影响后续地层岩石种类、性质和矿物成分等信息的确定，对于地质勘探和矿产开采具有重要意义。为了快速准确地识别岩性，本文提出了一种改进的MobileNetV2轻量化模型，通过选取5种岩石类型共3 700张岩石薄片图像进行岩性识别。在MobileNetV2的倒残差结构中嵌入坐标注意力机制，融合图像中多种矿物的全局特征信息。此外，改进MobileNetV2中的分类器，降低模型的参数量和计算复杂度，从而提高模型的运算速度和效率，并采用带泄露线性整流函数（leaky rectified linear unit， Leaky ReLU）作为激活函数，避免网络训练中的梯度消失问题。实验结果表明，本文提出的改进后的MobileNetV2模型大小仅为2.30 MB，在测试集上的精确率、召回率、F1值分别为91.24%、90.18%、90.70%，具有较高的准确性，相比于SqueezeNet、ShuffleNetV2等同类型的轻量化网络，分类效果最好。

关键词：岩石薄片图像；轻量化神经网络；MobileNetV2；坐标注意力机制;岩性识别

doi：10.13278/j.cnki.jjuese.20230106

中图分类号：P585.1；TP183

文献标志码：A

Supported by the National Natural Science Foundation of China （52074088， 52174022， 51574088， 51404073）， Heilongjiang Province Education Science Planning Project （GJB1422142）， the Special Project of Northeast Petroleum University Characteristic Domain Team （2022TSTD03）， the Project of Heilongjiang Postdoctoral Foundation （LBHQ20074， LBHQ21086） and the Fundamental Research Funds for Colleges and Universities in Heilongjiang Province （2022TSTD04）

Rock Thin Slice Lithology Identification Based on MobileNetV2

Wang Tingting1， 2， Huang Zhixian1， Wang Hongtao1， Yang Minghao1， Zhao Wanchun3

1. School of Electrical Information Engineering， Northeast Petroleum University， Daqing 163318， Heilongjiang， China

2. Key Laboratory of Network and Intelligent Control in Heilongjiang Province， Northeast Petroleum University， Daqing 163318， "Heilongjiang， China

3. Institute of Unconventional Oil ＆ Gas， Northeast Petroleum University， Daqing 163318， Heilongjiang， China

Abstract： The lithology identification of rock thin sections is an indispensable part of geological analysis， and its precision directly affects the determination of the types， properties， mineral composition， and other microscopic information of subsequent stratigraphic rock， which is of great significance for geological exploration and mineral mining. In order to identify lithology quickly and accurately， an improved MobileNetV2 lightweight model is proposed to address the complex and diverse mineral composition in rock slices， which identifies lithology from a total of 3 700 rock slice images of five types of rocks. The coordinate attention mechanism is embedded in the inverse residual structure of MobileNetV2 to fuse global feature information of multiple minerals in the image. In addition， the classifier in MobileNetV2 is improved to reduce the number of parameters and computational complexity of the model， so as to improve the computing speed and efficiency of the model， and the leaky rectified linear unit （Leaky ReLU） is used as the activation function to avoid the problem of gradient vanishing in network training. Experimental results show that the improved MobileNetV2 model proposed in this paper has a size of only 2.30 MB， and the precision， recall rate， and F1 value on the test set are 91.24%， 90.18%， and 90.70%， respectively， which has high accuracy， and has the best classification effect compared with similar lightweight networks such as SqueezeNet and ShuffleNetV2.

Key words： rock thin section image; lightweight neural network; MobileNetV2; coordinate attention mechanism； lithology identification

0 引言

岩石薄片显微分析方法通过将岩石制成薄片（岩石薄片是将未风化的岩石标本切成玻片大小，再用磨片机磨成几十微米厚的薄片），并借助显微镜对岩石薄片的颜色、结构、矿物组成及其含量等方面进行观察，从而判断出岩石的岩性[13]。这对鉴定人员的要求比较高，需要他们具备丰富的地质知识和鉴定经验，而且易受主观影响[45]。

许多学者利用机器学习方法实现岩石薄片图像的岩性识别[6]。Singh等[7]利用多层感知机对玄武岩岩石薄片的图像进行了分类识别，在测试集上得到了 90%的识别准确率；但多层感知机的参数量较大，训练过程中需要耗费大量的数据和计算资源。程国建等[8]使用支持向量机对岩石薄片图像进行分类，最终的识别准确率为80%；但是支持向量机对于多分类的任务效果不佳。传统的机器学习方法需要人工设计特征提取方法，然后将其输入分类器进行训练，才能实现岩石分类。但由于机器学习需要人为提取岩石薄片图像的特征，并且针对不同的任务需要选取不同的特征，不具备通用性，最终导致岩石薄片图像识别模型的准确率不高[9]。

随着深度学习的发展以及硬件设备的大幅度升级，地质研究者渐渐把目光从机器学习转向深度学习[1011]。贾立铭等[12]利用数据增强方法将岩石薄片图像数据集扩充了10倍，将8类岩石薄片图像输入ResNet（residual network）50[13]模型中进行训练，训练完成后模型在测试集的准确率达到96.8%；但是岩石薄片图像只有747张，数据集数量较少，存在一定误差。张野等[14]通过搭建InceptionV3[15]网络模型，并结合迁移学习的方法对岩石图像进行分类，对岩石薄片图像的识别准确率为85%；但对于矿物成分多、图像特征较为复杂的岩石图像识别准确率不高。程国建等[16]利用SqueezeNet[17]轻量型神经网络对岩石薄片图像进行快速分类，最终模型大小仅为4.7 MB，准确率最高可达90.88%；但是模型的评价指标较为单一。Liu等[18]使用Mask R-CNN（region-convolutional neural networks）[19]网络模型并结合SMR（spectral mixture residuals）方法对岩石薄片图像进行识别，最终的模型准确率达到93%；但是岩石薄片图像的种类较少，模型运行速度慢。

MobileNetV2[20]是2018年由Google提出的一种轻量级的卷积神经网络模型。马睿等[21]将MobileNetV2用于实现对玉米籽粒图像的快速鉴别，最终模型准确率达到97.95%。易才键等[22]搭建MobileNetV2对生活垃圾图像进行分类，实验结果表明，改进后的MobileNetV2在生活垃圾分类数据集上的分类准确率为90.58%。实验表明，轻量化的MobileNetV2不仅参数量低，而且在多分类的任务中表现优秀。

本文将深度学习技术应用于岩石薄片的岩性识别中，考虑到经典卷积神经网络对岩石薄片的识别具有计算量大、模型复杂和对设备要求高等问题，本文选取轻量级神经网络MobileNetV2进行改进，在网络的顶部重新设计了分类器，进一步减少模型计算的复杂度；在网络的倒残差结构中加入坐标注意力（coordinate attention， CA）机制，强化网络对全局信息的融合，提高模型对岩石薄片识别分类的性能。

1 MobileNetV2

1.1 深度可分离卷积

MobileNetV2采用深度可分离卷积，如图1所示。深度可分离卷积首先对输入的每个通道进行单独卷积操作，称为深度卷积操作，然后在每个通道上进行逐点卷积，将深度卷积的结果进行卷积核大小为1×1的卷积操作，得到最终的输出。深度可分离卷积对比标准卷积的网络模型，在精度略微下降的前提下，将模型的参数量降低为原来的九分之一，提高了模型的运行速度。同时，由于每个通道的卷积操作是独立的，可以更好地提取不同通道的特征信息，从而提高模型的精度。

随着网络层数的增加，MobileNetV2的倒残差结构使得网络能够更高效地进行特征提取。倒残差结构由两个深度可分离卷积组成，第一个深度可分离卷积用于扩张通道数，第二个深度可分离卷积用于恢复通道数。这样可以将输入特征图的通道数扩张到更多，从而增加了模型的表达能力;同时，通过逐点卷积恢复通道数，可以保持输入和输出通道数相同，避免信息的丢失。倒残差结构如图2所示，只有当步长（stride）为1且输入特征矩阵与输出特征矩阵的维度相同时，才有残差连接。由于MobileNetV2网络模型中的倒残差结构两头小中间大，所以模型最后输出的是一个低维的特征信息；因此，在模型的最后一个卷积层使用线性激活函数，避免模型输出的低维特征信息大量丢失。

1.2 坐标注意力机制

在使用卷积神经网络进行图像分类或目标检测时，往往需要对图像中不同区域的特征进行加强，进而更准确地区分不同类别。传统的卷积神经网络通常使用全局池化或全连接层来进行特征提取和分类，但这种方法无法区分图像中的哪些区域对当前任务更为重要。注意力机制可以在图像区域之间进行加权，使得模型更加准确地关注与任务相关的图像区域，从而提高模型提取重要特征的能力[2325]。

岩石薄片中有多种矿物且结构复杂，图像的不同区域包含不同的矿物成分，因此本文加入了坐标注意力机制来提高岩石薄片的识别效率。

坐标注意力通过坐标信息对特征图进行注意力加权，从而提高网络对不同位置的特征提取能力。

坐标注意力的具体流程如图3所示。首先通过自适应平均池化操作获取输入特征图行和列的平均值；然后将池化后的行、列特征分别通过一个卷积层进行特征提取，得到对应的注意力系数；最后将输入特征图按行和列进行拆分，使用注意力系数对它们进行加权，得到加强后的输出特征图。

本文将坐标注意力机制插入在MobileNetV2的倒残差结构中，将坐标注意力机制放在深度可分离卷积之后（图4），避免在每个空间位置上计算注意力权重带来的计算量。因为深度可分离卷积已经在每个空间位置上对每个通道进行了独立的卷积操作，因此坐标注意力机制可以直接对每个通道计算注意力权重，再应用到整个特征图上，提高模型性能的同时减少计算量。

1.3 改进分类器

MobileNetV2能够快速提取目标特征，并通过顶部分类器对最后一个瓶颈层的输出进行分类识别。然而在实际应用中，由于目标数量的差异，调整最后一层神经元数量难以高效地利用神经网络的特征识别能力。MobileNetV2最初设计用于处理ImageNet数据集，有1 000多个类别目标，而本论文仅分类5个类别目标。因此，在神经网络经过多个瓶颈层之后，本文直接进行分类器的部分，而不再执行升维操作。

本文在选择分类器的激活函数时，没有使用MobileNetV2中的ReLU6（图5a），而是采用了带泄露线性整流函数（leaky rectified linear unit， Leaky ReLU，图5b）。

ReLU6的特点是当输入大于6时，输出固定为6（图5a），这使得网络在反向传播时会出现梯度消失的问题，也会导致网络的输出范围被限制在一个较小的区间内，从而影响网络的表达能力。Leaky ReLU在ReLU的基础上增加了一个微小的斜率，即在输入小于0时也会保留一定的输出值；而当输入大于0时，输出与输入相等，并且不会进行截断操作（图5b）。由于Leaky ReLU在输入小于0时依然保存了梯度，可以避免梯度消失的问题，而且能够保留输入数据中的负值信息，因此可以适应不同的数据分布。

本文采用两种不同尺度的卷积核替代原始分类器中的单个卷积核，以进行特征图的压缩转换操作。第一个卷积核的大小为1×1，用于特征图的降维与压缩，并将通道数降至192，以避免信息丢失；第二个卷积核的大小为3×3，用于特征图的尺寸压缩，让网络适应不同大小的特征信息，提高模型的泛化能力，并且将通道数继续削减到64，向最后的岩石薄片种类过渡。然后通过1×1的卷积降维到目标种类，用全局池化操作提取特征图像最终信息，最终输出分类结果。改进后的网络结构如图6所示。

2 岩石薄片图像数据集

岩石薄片是取自岩样的小块岩片磨制而成的几十微米厚的薄片，通过偏光显微镜观察图像，确定岩样的矿物成分、结构和构造等特征，并判断岩石岩性。为了便于观察岩样的内部孔隙、喉道及其相应的联通特征，可将彩色胶体或树脂注入岩石内部，制成铸体薄片。

本文使用的薄片图像部分来源于中国实物地质资料网，部分来源于网络上公开的数据集，经过地质专业人员进行辨认筛选后制成所需的数据集。本文最终选定花岗岩、石英砂岩、玄武岩、片岩和片麻岩等5种常见的薄片类型作为实验数据集（表1）。

3 实验过程与分析

3.1 实验设备

实验的软硬设备如表2所示。

3.2 分类评价指标

为了更全面地评估本文改进的模型，将本文模型与其他模型进行对比，用精确率、召回率、特异度和F1值进行综合评价。

在处理二分类任务时，绘制混淆矩阵如下：

N=NTPNFPNFNNTN。（1）

式中：NTP为正样本被分类为正的数量；NFN为正样本被分类为负的数量；NFP为负样本被分类为正的数量；NTN为负样本被分类为负的数量。

精确率（P）是指在图片分类过程中，判断为阳性样本中真阳性所占的比例：

P=NTPNTP+NFP。（2）

召回率（R）是指图片分类过程中，实际阳性样本中真阳性所占的比例：

R=NTPNTP+NFN。（3）

特异度（S）是指图片分类过程中，实际阴性样本中真阴性所占的比例：

S=NTNNFP+NTN。（4）

F1 值综合了精确率和召回率的表现，取值范围

是[0， 1]，数值越大代表模型的性能越好、泛化能力越强。F1值计算公式为

F1=2P·RP+R。（5）

3.3 实验过程

本文使用的数据集按照岩性分类可以分为花岗岩、石英砂岩、玄武岩、片岩和片麻岩，共计3 700张图片，均在正交偏光10倍的光源下拍摄。前3类岩石薄片图像每一类为1 000张，后两类岩石薄片图像每一类为350张，在实验中随机划分其中的80% 作为训练集，20%作为测试集。通过剪裁、旋转、中心化等预处理后再输入到模型中进行训练。批量大小为32，学习率为0.000 1，优化器选择Adam（adaptive moment estimation），训练轮次（Epoch）为200。

3.4 消融实验

为了探究各项改进对网络性能的提升效果，分别对坐标注意力机制和改进的分类器进行消融实验，实验的混淆矩阵如图7所示。

在图7中：每一列之和代表该列对应类别的实际样本总数，反映了各类别样本的实际数量分布；对角线上的数值表示被正确分类的样本数量，它们是模型对各类别的正确预测结果，数值越大，说明模型在该类别上的分类准确度越高；对角线以外的数值表示被错误分类的样本数量，即实际属于某一类别但被预测为另一类别的样本数，体现了模型的误分类情况，数值越小越好，意味着模型在该类别上的误分类率越低。通过分析混淆矩阵，可以清晰地了解模型在各类别上的分类性能。

不同优化方法对模型的影响如表3所示。MobileNetV2在改进了分类器后，模型的浮点运算量下降5.9%，参数量减少0.06 MB，加快了模型的训练速度，但会降低模型的性能；在MobileNetV2的倒残差结构中加入坐标注意力机制，模型的精确率和召回率分别提高了4.98%、4.70%，但模型的参数量和浮点运算量增加，导致模型运行速度降低；综合分析模型的评价指标，应在提高模型性能的同时，加快模型的运行速度，因此本文算法在MobileNetV2的倒残差结构中加入坐标注意力机制的基础上再对分类器进行改进，相比原网络精确率和召回率分别提高了3.12%、2.82%，计算复杂度下降了4.0%，本文算法在岩石薄片图像岩性识别上具有较好的分类效果。

3.5 轻量化网络模型对比

模型对比实验对SqueezeNet、ShuffleNetV2、MobileNetV2和改进后的MobileNetV2等4种轻量化网络进行综合比较。4种模型在测试集上的准确率曲线如图8所示，精确率、召回率和F1值如表4所示。

从图8中可以看到：ShuffleNetV2在约100轮后趋于收敛，之后准确率曲线趋于平稳，波动较小；MobileNetV2收敛时间也在100轮左右，准确率曲线趋于平稳；SqueezeNet收敛时间稍晚一些，大约在150轮左右；而改进后的网络在80轮左右基本达到了最高值，随后达到了收敛状态。改进后的模型收敛速度明显更快，并且在测试集的准确率上明显高于另外3种轻量化网络，模型的最终准确率达到了90.8%。

测试集的准确率是模型性能评估中的一个重要指标。然而，单独使用准确率无法全面反映模型的性能。为了更好地理解模型的优劣，本文计算了4种模型的精确率、召回率和F1值（表4）。由于ShuffleNetV2采用了通道混洗的操作，提高了特征的交叉性，因此分类的各项指标都高于SqueezeNet。MobileNetV2采用了深度可分离卷积，能够更好地提取特征，提升模型的性能，因此优于ShuffleNetV2。本文则在MobileNetV2的基础上嵌入了坐标注意力机制，对比原网络的精确率、召回率、F1值分别提高了3.12%、2.82%、2.96%，与其他网络相比均是最佳，因此本文改进的MobileNetV2识别效果最好。

为显示改进后的模型对各类岩石薄片图像的识别性能，计算了改进后的MobileNetV2对各类别岩石的分类结果，结果如表5所示。

由图7d与表5可以看出：改进后的模型对石英砂岩的分类效果最好，200张石英砂岩全部预测为石英砂岩类别，召回率达到100%；片麻岩的效果也极好，在80张片麻岩的图片中有77张预测正确，召回率达到96.20%。改进后的模型对石英砂岩和片麻岩的识别效果都较好，F1值分别是98.98%和95.03%，因为两者在显微镜下的特征非常明显，石英砂岩中有大量的石英砂粒和较少的黏土矿物，而片麻岩则有规则排列的斜长石和云母晶体。花岗岩和玄武岩之间容易误认，误认概率为12.6%，因为花岗岩和玄武岩在形态上有相似之处，例如它们的颗粒大小、晶体结构等有一定重合，这使得它们在一些形态上的表现比较相似，因此容易混淆。此外，模型在测试集的各类别岩石的特异度都在90%以上，说明模型能够有效排除非目标样本，也从侧面体现了改进后的模型鲁棒性较好。

3.6 可视化

研究卷积神经网络的性能和优化方法时，需评估模型对不同类别的响应情况，以便更好理解模型的决策过程以及改进后模型的性能。可视化热力图作为一种可视化方法，能够直观地展示出模型对不同区域的响应程度和影响，从而使实验人员更好地理解模型的决策过程和优化方向。

本文将改进网络模型的最后一层特征图利用热力图进行可视化输出，结果如图9所示。可以看出，相比于MobileNetV2，改进后的模型对矿物特征的感知范围更大，模型对岩石薄片图像中的颜色、纹理以及所含矿物的结构特征更为敏感，这也从侧面说明坐标注意力机制能够使模型注意到不同位置的矿物特征。因此，本文提出的基于改进MobileNetV2的岩石薄片识别方法对岩石薄片特征的提取能力非常高效。

4 结论

本文基于MobileNetV2，利用5类岩石共3 700张岩石薄片，通过嵌入坐标注意力机制，构建了一种改进的MobileNetV2岩石薄片岩性识别模型，实现了对岩石薄片的高效准确识别。通过实验，得到了以下结论：

1）通过对MobileNetV2的不断改进，最终的测试集分类准确率达到了90.8%，精确率达到了91.24%，对岩石薄片的岩性实现了高效的分类识别。由于岩石薄片图像的质量存在差异，岩性类别多样，往后的研究需要在不同数据集和环境下对模型的泛化能力进行评估，进一步增强模型的鲁棒性。

2）由于加入了坐标注意力机制，本文最终的模型能够有效捕捉图像的全局特征。在一些需要综合考虑图像上下文信息进行识别和分类的领域，本文模型能够发挥优秀的性能。

3）本文改进的模型具有高效的计算能力和轻量级的结构，其参数量为2.30 MB，浮点运算量也仅为301.70×106，因此，即使在内存受限的嵌入式设备中也能高效部署，并胜任各种任务。

4）后续的研究需要继续优化模型，探索更适用于岩石薄片图像的特征提取方法。同时对模型进行迁移学习、知识蒸馏等特征学习方法研究，进一步提高模型的学习能力。

参考文献（References）：

[1] 郭超，刘烨. 多色彩空间下的岩石图像识别研究[J]. 科学技术与工程，2014， 14（18）： 247251，255.

Guo Chao， Liu Ye. Recognition of" Rock Images Based on Multiple Color Spaces[J]. Science Technology and Engineering， 2014， 14（18）： 247251， 255.

[2] 赵鹏大. 大数据时代数字找矿与定量评价[J]. 地质通报， 2015，34 （7）： 12551259.

Zhao Pengda. Digital Mineral Exploration and Quantitative Evaluation in the Big Data Age[J]. Geological Bulletin of China， 2015， 34（7）： 12551259.

[3] 张贵山，彭仁，邱红信. 扫描仪在岩矿鉴定与岩相学研究中的应用：薄片扫描法[J]. 矿物学报，2020，40（1）： 18.

Zhang Guishan， Peng Ren， Qiu Hongxin. Application of Scanner for the Rock-Mineral Identification and Petrography： Thin Section Scanning Method[J]. Acta Mineralogica Sinica， 2020， 40（1）： 18.

[4] 熊越晗，刘东燕，刘东升，等. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报（地球科学版） 2021， 51（5）： 15971604.

Xiong Yuehan， Liu Dongyan， Liu Dongsheng， et al. Automatic Lithology Classification Method Based on Deep Learning of Rock Sample Meso-Image[J]. Journal of Jilin University （Earth Science Edition）， 2021， 51（5）： 15971604.

[5] 严光生，薛群威，肖克炎，等. 地质调查大数据研究的主要问题分析[J]. 地质通报， 2015， 34（7）： 12731279.

Yan Guangsheng， Xue Qunwei， Xiao Keyan， et al. An Analysis of Major Problems in Geological Survey Big Data[J]. Geological Bulletin of China， 2015， 34（7）： 12731279.

[6] 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）： 20532058.

Bai Lin， Wei Xin， Liu Yu， et al. Rock Thin Section Image Recognition and Classification Based on VGG Model[J]. Geological Bulletin of China， 2019， 38（12）： 20532058.

[7] 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： 301310.

[8] 程国建，殷娟娟. 基于SVM的岩石薄片图像分类[J]. 科技创新与应用，2015（1）： 38.

Cheng Guojian， Yin Juanjuan. Rock Thin Section Image Classification Based on SVM[J]. Science and Technology Innovation and Application， 2015（1）： 38.

[9] 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.

Zhu Shisong， Yang Wenyi， Hou Guangshun， et al. An Intelligent Classification and Recognition Method for Rock Thin Sections[J]. Acta Mineralogica Sinica， 2020， 40（1）： 106.

[10] 尹生阳，曾维，王胜，等.基于声波信号的岩性智能分类方法[J].吉林大学学报（地球科学版）， 2022， 52（6）： 20602070.

Yin Shengyang， Zeng Wei，Wang Sheng， et al. Lithology Intelligent Classification Method Based on Acoustic Signal[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（6）： 20602070.

[11] 李忠潭，薛林福，冉祥金，等.基于卷积神经网络的智能找矿预测方法：以甘肃龙首山地区铜矿为例[J].吉林大学学报（地球科学版）， 2022， 52（2）： 418433.

Li Zhongtan， Xue Linfu， Ran Xiangjin， et al. Intelligent Prospect Prediction Method Based on Convolutional Neural Network： A Case Study of Copper Deposits in Longshoushan Area， Gansu Province[J]. Journal of Jilin University （Earth Science Edition）， 2022， 52（2）： 418433.

[12] 贾立铭， 梁少华. 一种基于Resnet的岩石薄片识别方法[J].电脑知识与技术， 2021， 7（28）： 107109.

Jia Liming， Liang Shaohua. A Resnet-Based Recognition Method of Rock Slices[J]. Computer Knowledge and Technology， 2021， 7（28）： 107109.

[13] He K， Zhang X， Ren S， et al. Deep Residual Learning for Image Recognition[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston：Computer Vision Foundation， 2016： 770778.

[14] 张野，李明超，韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报， 2018， 34（2）： 333342.

Zhang Ye， Li Mingchao， Han Shuai. Automatic Identification and Classification in Lithology Based on Deep Learning in Rock Images[J]. Acta Petrologica Sinica， 2018， 34（2）： 333342.

[15] Fu J. Application of Modified Inception-ResNet and Condensenet in Lung Nodule Classification[C]// 3rd International Conference on Computer Engineering， Information Science amp; Application Technology. [S. l.]： Atlantis Press， 2019： 186194.

[16] 程国建，李碧，万晓龙，等. 基于SqueezeNet卷积神经网络的岩石薄片图像分类研究[J]. 矿物岩石，2021， 41（4）：94101.

Cheng Guojian， Li Bi， Wan Xiaolong， et al. Research on Classification of "Rock" Section Image" Based on SqueezeNet Convolutional Neural Network [J]. Mineralogy and Petrology， 2021， 41（4）： 94101.

[17] Iandola F N， Han S， Moskewicz M W， et al. SqueezeNet： AlexNet-Level Accuracy with 50x Fewer Parameters and lt;0.5 MB Model Size[J/OL]. [20230302]. https：//doi.org/ 10.48550/arXiv.1602.07360.

[18] Liu T， Li C， Liu Z， et al.Research on Image Identification Method of Rock Thin Slices in Tight Oil Reservoirs Based on Mask R-CNN[J]. Energies， 2022， 15（16）： 5818.

[19] He K， Gkioxari G， Dollár P， et al. Mask R-CNN[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice： IEEE， 2017： 29612969.

[20] Sandler M， Howard A， Zhu M， et al. Mobilenetv2： Inverted Residuals and Linear Bottlenecks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston： Computer Vision Foundation， 2018： 45104520.

[21] 马睿，王佳，赵威，等.基于改进MobileNetV2的玉米籽粒图像品种的快速鉴别研究[J].中国粮油学报，2023，38（9）：204209.

Ma Rui， Wang Jia， Zhao Wei，et al. Rapid Identification of Maize Seed Images Based on Improved MobileNetV2[J]. Journal of the Chinese Cereals and Oils Association， 2023， 38（9）： 204209.

[22] 易才键，陈俊，王师玮. 基于轻量型卷积神经网络的生活垃圾图像分类[J].软件工程，2023，26（3）：4145.

Yi Caijian， Chen Jun， Wang Shiwei. Domestic Garbage Image Classification" Based on Lightweight Convolutional Neural Network [J]. Software Engineering， 2023， 26（3）： 4145.

[23] 崔博，贾兆年，姬鹏，等．基于改进EfficientNetV2网络的脑肿瘤分类方法[J]．吉林大学学报（理学版），2023，61（5）：11691177．

Cui Bo， Jia Zhaonian， Ji Peng， et al. Brain Tumor Classification Method Based on Improved EfficientNetV2 Network [J]. Journal of Jilin University （Science Edition）， 2023， 61（5）： 11691177.

[24] 季泊男，张永刚．基于注意力机制归纳网络的小样本关系抽取模型[J]．吉林大学学报（理学版），2023，61（4）：845852．

Ji Bonan， Zhang Yonggang. Few-Shot Relation Extraction Model Based on Attention Mechanism Induction Network [J]. Journal of Jilin University （Science Edition）， 2023， 61（4）： 845852.

[25] 蒲秋梅，田景龙，邢容畅，等．基于改进Inceptionv3网络的肺炎检测方法[J]．东北师大学报（自然科学版），2023，55（4）：6776．

Pu Qiumei， Tian Jinglong， Xing Rongchang， et al. Pneumonia Detection Method Based on Improved Inceptionv3 Network[J]. Journal of Northeast Normal University （Natural Science Edition）， 2023， 55（4）： 6776.