基于深度学习的镜下岩石、矿物薄片识别

张利军; 鲁文豪; 张建东; 彭光雄; 卜建财; 唐凯; 谢渐成; 徐质彬; 杨海燕

doi:10.13745/j.esf.sf.2023.6.7

地学前缘 ›› 2024, Vol. 31 ›› Issue (3) : 498 -510. DOI: 10.13745/j.esf.sf.2023.6.7

人工智能与地质应用

基于深度学习的镜下岩石、矿物薄片识别

张利军 ¹^,²^,³ ,
鲁文豪 ² ,
张建东 ²^,^* ,
彭光雄 ² ,
卜建财 ¹ ,
唐凯 ¹ ,
谢渐成 ¹ ,
徐质彬 ¹ ,
杨海燕 ¹

作者信息 +

Rock and mineral thin section identification based on deep learning

Lijun ZHANG ¹^,²^,³ ,
Wenhao LU ² ,
Jiandong ZHANG ²^,^* ,
Guangxiong PENG ² ,
Jiancai BU ¹ ,
Kai TANG ¹ ,
Jiancheng XIE ¹ ,
Zhibin XU ¹ ,
Haiyan YANG ¹

Author information +

文章历史 +

PDF (3906K)

摘要

岩石、矿物显微图像的识别是岩矿鉴定的基础手段之一,对地质资源勘探有着重要意义。薄片显微图像一般情况下是在实验室中进行的,这项工作繁琐费时,需要大量的人力资源,并且准确性受限于鉴定者的经验。深度学习智能图像识别算法可以通过卷积神经网络提取显微图像的深层特征,从而达到对显微图像进行快速、准确分类识别的目的。本研究以PyCharm平台为深度学习框架,以中国科学数据网上的南京大学教学岩石薄片数据集、南华北石炭纪灰岩显微图像数据集等6个数据集为基础制作了可以应用于岩石-矿物显微图像分类识别训练的数据集,搭建具有针对性的VGG卷积神经网络模型,该模型具有对整个岩石薄片图像与单个矿物图像分别提取其深层中的特征信息的能力,从而达到识别岩石薄片的目的。实验结果显示,随着模型训练迭代的进行,预测值与真实值之间的损失函数在不断减小,识别准确率在不断增加,在分别经过50个和30个循环训练之后,模型的损失函数与识别准确率已经基本收敛。模型对显微图像测试集的识别成功率均高于90%,说明搭建的模型对于图像有很好的特征提取效果,可以完成岩石-矿物显微图像识别的任务。通过本文的研究,可以认识到,深度学习对于处理岩矿鉴定这样的任务有着高超的效率与准确度,开发相关的模型并运用到前端软件上,可以加快矿产资源勘探工作的速度,对于生产实践有着重要的应用意义。