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、F_1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