基于深度學(xué)習(xí)的碳酸鹽巖顆粒分類識別

杜崇嬌,余曉露,彭金寧,馬中良,王 強(qiáng)

(1.中國石油化工集團(tuán)公司 油氣成藏重點實驗室,江蘇 無錫 214126;2.中國石油化工股份有限公司 石油勘探開發(fā)研究院 無錫石油地質(zhì)研究所,江蘇 無錫 214126)

碳酸鹽巖主要有顆粒、泥、膠結(jié)物、晶粒、生物格架5個基本組成部分［1-2］。碳酸鹽巖的結(jié)構(gòu)組分與巖石的沉積環(huán)境、成巖后生作用存在緊密聯(lián)系,在一定程度上可以反映出巖石的成因特征,它不僅是巖石重要的鑒定標(biāo)志,而且是碳酸鹽巖分類和命名的關(guān)鍵依據(jù)。因此,碳酸鹽巖的結(jié)構(gòu)組分特征歷來是研究碳酸鹽巖的重要內(nèi)容。

傳統(tǒng)的碳酸鹽巖結(jié)構(gòu)組分研究方法是將樣品切成薄片,通過偏光顯微鏡對其進(jìn)行觀察,根據(jù)鏡下呈現(xiàn)的形狀、結(jié)構(gòu)、大小、圓度等特征對結(jié)構(gòu)組分進(jìn)行鑒定,不同組分在薄片中具有不同的鑒定特征。然而,傳統(tǒng)的人工鑒定方法具有耗時長、效率低的缺點,而且由于人的主觀性強(qiáng),給識別工作帶來了較多不必要的錯誤。

隨著人工智能技術(shù)的快速發(fā)展,圖像識別在導(dǎo)航、地圖與地形配準(zhǔn)、自然資源分析、天氣預(yù)報、環(huán)境監(jiān)測、生理病變研究等許多領(lǐng)域廣泛應(yīng)用［3-5］。人工智能的核心領(lǐng)域是機(jī)器學(xué)習(xí),而深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)中的一項新興技術(shù)［6］,其概念是由G.E.Hinton等［7］提出,思想在于通過模仿人類思維對數(shù)據(jù)進(jìn)行學(xué)習(xí)與解釋。深度學(xué)習(xí)因其強(qiáng)大的特征提取能力、良好的遷移和多層學(xué)習(xí)能力,在信息檢索和圖像分析等領(lǐng)域均得到了廣泛應(yīng)用,并取得了卓越的成就。

近年來,國內(nèi)外許多學(xué)者運(yùn)用深度學(xué)習(xí)的方法開展了巖石樣本自動識別分類的研究工作,有些研究人員采用深度學(xué)習(xí)方法對巖石或礦物標(biāo)本圖像進(jìn)行分類。如張野等［8］以Inception-V3深度卷積神經(jīng)網(wǎng)絡(luò)模型為框架基礎(chǔ),構(gòu)建出巖石圖像集分析的深度學(xué)習(xí)遷移模型,可以有效識別花崗巖、千枚巖和角礫巖;馮雅興等［9］提出了一種基于巖石新鮮面圖像與AlexNet網(wǎng)絡(luò)的孿生卷積神經(jīng)網(wǎng)絡(luò)模型,通過孿生卷積神經(jīng)網(wǎng)絡(luò)提取圖像的全局特征和局部特征信息,然后將特征信息進(jìn)行融合用來識別巖性,識別精度達(dá)89.4%;譚永健等［10］提出了一種基于Xception網(wǎng)絡(luò)的自動化巖石圖像分類方法,使用深度可分離卷積模塊替換Inception-V3網(wǎng)絡(luò)中的卷積操作,同時導(dǎo)入殘差連接機(jī)制,很大程度上減少了模型參數(shù)與計算量,最后再借鑒遷移學(xué)習(xí)思想,提高了圖像分類準(zhǔn)確率。有些研究人員對巖石或礦物顯微圖像進(jìn)行高維特征提取,進(jìn)一步提高巖石鑒定的精度和效率。劉燁等［11］基于圖像的色彩空間和形態(tài)學(xué)梯度,構(gòu)建了特征空間,并運(yùn)用SVM方法實現(xiàn)了100幅巖石薄片圖像的智能自動化分類;Hossein Izadi等［12］構(gòu)建了礦石薄片識別系統(tǒng),通過分析礦石薄片的顏色和紋理特征,利用神經(jīng)網(wǎng)絡(luò)取得了不錯的分類效果;徐述騰等［13］以TensorFlow系統(tǒng)為基礎(chǔ),建立了一種有針對性的U-Net卷積神經(jīng)網(wǎng)絡(luò)模型,通過在礦相顯微鏡下自動提取礦石礦物的深層特征信息,從而實現(xiàn)了鏡下礦石礦物的智能識別和分類;Maitre Julien等［14］提出了一種基于計算機(jī)視覺和機(jī)器學(xué)習(xí)對礦物特征向量進(jìn)行分類的方法,同時使用超像素分割替代傳統(tǒng)方法,有效分割出光學(xué)顯微圖像中的顆粒;符甲鑫等［15］通過參考Inception網(wǎng)絡(luò)中局部特征結(jié)構(gòu),在殘差模塊中引入多尺度特征提取,允許感受野在更細(xì)粒度級別上捕捉巖石細(xì)節(jié)特征與全局特征,同時對多尺度特征提取后的特征圖進(jìn)行空洞卷積,提取巖石的全局特征,提高了巖石識別分類的精度。

綜合國內(nèi)外的研究現(xiàn)狀可知,目前針對巖石圖像識別技術(shù)的研究,少見到對碳酸鹽巖鑒定工作的報道,這主要是由于碳酸鹽巖的形成涉及波浪和流水作用,生物和化學(xué)作用、交代作用、機(jī)械侵蝕作用等多種復(fù)雜的沉積和成巖作用,與其他巖石相比,碳酸鹽巖的結(jié)構(gòu)組分類型和物理排布方式均呈現(xiàn)出極強(qiáng)的隨意性特征。但是,對碳酸鹽巖結(jié)構(gòu)組分進(jìn)行人工鑒定所依據(jù)的形狀、結(jié)構(gòu)、大小、圓度等均屬于形態(tài)學(xué)特征,是適合進(jìn)行圖像識別研究的。如果能利用人工智能深度學(xué)習(xí)技術(shù)對碳酸鹽巖薄片圖像進(jìn)行處理,并對碳酸鹽巖的結(jié)構(gòu)組分進(jìn)行分析,將具有實際的應(yīng)用價值和廣闊的研究前景。

1 碳酸鹽巖顆粒分類

碳酸鹽巖中的顆粒,是指在沉積盆地內(nèi)由化學(xué)沉積作用、機(jī)械破碎作用、生物作用以及這些作用綜合形成的顆粒。自20世紀(jì)60年代以來,在古代碳酸鹽巖沉積相研究中,學(xué)者們基于成因、形態(tài)、結(jié)構(gòu)、大小等對碳酸鹽巖顆粒進(jìn)行命名的種類繁多［1-2,16-17］。本研究從圖像角度總結(jié)了各類顆粒的紋理特征,再綜合考慮成因、常見程度等因素,將巖石薄片中常見的碳酸鹽巖顆粒劃分為5個大類:(1)生物碎屑:微體生物化石和骨架生物化石,以及生物碎屑;(2)內(nèi)碎屑:盆地內(nèi)固結(jié)或半固結(jié)的碳酸鹽沉積物經(jīng)波浪、潮汐等作用剝蝕出來并再沉積的碎屑,按照直徑大小可以分為粉屑、砂屑、礫屑等;(3)包粒:以鮞粒、豆粒、核形石等為代表的帶有包殼的顆粒,部分成因與藻類有關(guān);(4)球粒:由泥晶碳酸鹽礦物組成,圓形、內(nèi)部結(jié)構(gòu)均勻、表面光滑的顆粒,常集中產(chǎn)出;(5)團(tuán)塊:具不規(guī)則外形的復(fù)合顆粒,內(nèi)部可包裹生物或其他顆粒,其成因多與藻類有關(guān)。主要碳酸鹽巖顆粒類型及亞類示例如圖1所示。

圖1 碳酸鹽巖常見顆粒類型Fig.1 Common grain types in carbonate rocks

2 研究技術(shù)與方法

2.1 技術(shù)流程

傳統(tǒng)的機(jī)器學(xué)習(xí)在巖石圖像識別方面存在算法耗時過長,人工提取特征的復(fù)雜度高,以及網(wǎng)絡(luò)深度較大時會出現(xiàn)梯度消失或爆炸［18-19］等問題,本文提出一種基于深度學(xué)習(xí)的碳酸鹽巖顆粒類型識別方法,具體流程如圖2所示。

圖2 技術(shù)流程示意圖Fig.2 Schematic diagram demonstrating the overall structure of the model

(1)由于深度學(xué)習(xí)方法是數(shù)據(jù)驅(qū)動的,因此需要收集一批碳酸鹽巖顆粒圖像,并對其中的顆粒進(jìn)行標(biāo)注,形成碳酸鹽巖顆粒數(shù)據(jù)集,為后續(xù)的卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征提供數(shù)據(jù)基礎(chǔ)。

(2)設(shè)計模型和訓(xùn)練模型。本研究采用ResNet50模型。先在Tensorflow框架下對其網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn),再設(shè)計一定的訓(xùn)練策略,將數(shù)據(jù)集中的數(shù)據(jù)輸入模型中進(jìn)行迭代計算,并通過反向傳播偏差來修正模型權(quán)重,以得到最優(yōu)參數(shù)。

(3)將待測碳酸鹽巖薄片圖像中的顆粒所在區(qū)域框選出來,處理之后輸入到訓(xùn)練好的模型中,經(jīng)過模型計算得到輸出結(jié)果,即為顆粒識別結(jié)果。

2.2 ResNet50模型

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,簡稱CNN)是一種多層的監(jiān)督學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),是深度學(xué)習(xí)的代表算法之一,近年來在圖像處理方面有出色表現(xiàn)。類似于人類在圖像理解方面的分層認(rèn)知過程,首先人眼提取顏色、幾何形狀、紋理等特征,然后人腦被激活,對各種特征信息分別進(jìn)行處理和解釋,最后形成整幅圖像的概念,卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和信息理解過程也是分層進(jìn)行的。典型的卷積神經(jīng)網(wǎng)絡(luò)通常由3種層結(jié)構(gòu)組成:卷積層(convolution)、池化層(pooling)和全連接層(fully connected)。卷積層通過卷積操作對輸入數(shù)據(jù)進(jìn)行特征提取,池化層降低卷積層輸出的特征維度以減少網(wǎng)絡(luò)參數(shù)并提高計算速度,全連接層則通過對多次卷積和池化后高度抽象化的特征進(jìn)行整合,并根據(jù)整合特征完成模型的分類功能。

卷積神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)訓(xùn)練主要分為兩部分:前向傳播和反向傳播。前向傳播利用卷積層與池化層對樣本特征進(jìn)行提取,再運(yùn)用全連接層對特征進(jìn)行整合以得到輸出的最終向量;反向傳播通過溯源損失函數(shù)的計算誤差,以梯度更新的方式來指導(dǎo)模型參數(shù)的更新優(yōu)化,提升模型訓(xùn)練效果。但是,這種基于反向傳播優(yōu)化神經(jīng)網(wǎng)絡(luò)的方法存在明顯的弊端,當(dāng)模型權(quán)重初始化值較大時,隨著網(wǎng)絡(luò)層數(shù)的加深,對激活函數(shù)求導(dǎo)計算出的梯度更新將會以指數(shù)級的形式增加或衰減,容易引發(fā)梯度爆炸或梯度衰減。因此,學(xué)者們提出批標(biāo)準(zhǔn)化(batch normalization)方案［20］,通過將每一層網(wǎng)絡(luò)的輸出規(guī)范為同樣的均值和方差,解決了梯度問題,在幾十層的網(wǎng)絡(luò)上可以正常收斂,但當(dāng)網(wǎng)絡(luò)加深到一定程度時,又出現(xiàn)了退化問題,即模型的性能并不會隨著網(wǎng)絡(luò)層數(shù)的加深而變好,反而會達(dá)到飽和甚至下降。

深度學(xué)習(xí)的網(wǎng)絡(luò)退化問題說明模型訓(xùn)練難度很大,但是由淺層網(wǎng)絡(luò)堆積獲得深層網(wǎng)絡(luò)時,即使這些層不學(xué)習(xí)特征,僅僅進(jìn)行特征復(fù)制,即連接形成恒等映射,深層網(wǎng)絡(luò)也可以維持其基本性能,不會出現(xiàn)退化問題?；诖怂枷?He K.M.等人［21］提出殘差網(wǎng)絡(luò)ResNet,對于一個殘差塊結(jié)構(gòu),當(dāng)輸入為x時,設(shè)學(xué)習(xí)特征為H(x),設(shè)殘差特征為F(x),有

F(x)=H(x)-x

則學(xué)習(xí)特征為:

H(x)=F(x)+x

當(dāng)F(x)=0時,殘差網(wǎng)絡(luò)起到恒等映射的作用;當(dāng)F(x)≠0時,殘差塊就能學(xué)到新信息,并通過反向傳播提高網(wǎng)絡(luò)性能。殘差網(wǎng)絡(luò)的主要結(jié)構(gòu)使用了快捷連接(shortcut connection)(圖3),通過在卷積層之間添加跳躍連接,允許信息跨層傳遞,這樣便保護(hù)了信息的完整性,避免了隨著網(wǎng)絡(luò)層數(shù)的加深出現(xiàn)學(xué)習(xí)退化的現(xiàn)象。

本研究對經(jīng)典的ResNet卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)進(jìn)行了改進(jìn)(圖4),模型主體可以分為5個部分,第一部分包括卷積層、批標(biāo)準(zhǔn)化處理和最大池化層;第二到第五部分主要為殘差塊,內(nèi)含多個卷積層,且每個卷積層之后都使用Relu激活函數(shù);第五部分之后為全局平均池化層,最后再連接全連接層。第二到第五部分2種殘差塊的結(jié)構(gòu)單元有所不同,其中殘差塊Ⅰ代表改變維度的殘差塊(convolutional block),輸出維度相對于輸入維度增加一倍;殘差塊Ⅱ代表不改變維度的殘差塊(identity block),輸出和輸入維度一致。模型中每個部分包含的殘差塊數(shù)量也有所不同,第二和第五部分包含2個殘差塊Ⅱ,第三部分包含3個殘差塊Ⅱ,第四部分包含5個殘差塊Ⅱ。由于每個殘差塊都是三層卷積,因此ResNet50模型中共包含1+3×(3+4+6+3)=49個卷積層,再加上最后的全連接層,一共為50層。

改進(jìn)的ResNet50模型在最后1個卷積層之后使用全局平均池化層(global average pooling,簡稱GAP)來代替?zhèn)鹘y(tǒng)的平均池化層(average pooling)。這種CNN+GAP的結(jié)構(gòu)可以將所有特征圖的空間尺寸降為1,并保留通道數(shù)目,使得最終的全連接層只需處理少量平坦的特征圖,而不是大型張量,從而減少模型參數(shù)和計算成本,同時降低過擬合風(fēng)險。此外,全局平均池化層會對每個通道中所有位置的特征值求平均值,這種特性可以強(qiáng)制網(wǎng)絡(luò)學(xué)習(xí)更具區(qū)分性的特征,提高模型的泛化能力,從而使其在新數(shù)據(jù)上表現(xiàn)更好。

ResNet50模型輸入圖像尺寸指定為224×224×3。經(jīng)過5個部分的卷積計算,再通過全局平均池化層將計算結(jié)果轉(zhuǎn)化為特征向量,最后進(jìn)入全連接層,再經(jīng)過Softmax分類器,將該特征向量轉(zhuǎn)化為1×1×5向量,即輸出為類別概率。

2.3 Softmax分類器

分類問題中使用的Softmax函數(shù),是一種將目標(biāo)變量分為多個類別的算法,它先接受全連接層輸入的特征矩陣,然后再輸出目標(biāo)所對應(yīng)的每個類別的概率值。Softmax分類器將其輸入歸一化為1組概率值P,其數(shù)學(xué)表達(dá)式為:

式中:Zi——模型最后一層的輸出;i——類別索引;j——類別;C——類別總數(shù)。

輸出的概率滿足:

式中:Pi——第i組概率值。

3 實驗分析

3.1 制作數(shù)據(jù)集

深度學(xué)習(xí)技術(shù)在圖像處理領(lǐng)域取得了眾多優(yōu)異的成果,但需要依賴大量的數(shù)據(jù)進(jìn)行訓(xùn)練,因此收集和制作碳酸鹽巖顆粒顯微圖像數(shù)據(jù)集具有重要的意義。

本研究首先篩選了一部分具有典型特征的碳酸鹽巖顆粒薄片圖像,再請地質(zhì)學(xué)專家采用Labelme工具將圖像中的典型顆粒區(qū)域框選出來,并進(jìn)行標(biāo)記命名。不同顆粒的子圖像從原圖中提取出來之后,使用每種顆粒的類別名作為子圖像的類別標(biāo)簽,即獲得550張帶有標(biāo)簽的碳酸鹽巖顆粒子圖像。

由于碳酸鹽巖薄片圖像在拍攝時受到偏光顯微鏡光源、放大倍數(shù)、攝像頭分辨率等多種因素影響,圖像質(zhì)量差異較大,因此還需要采用去噪、增強(qiáng)等方法進(jìn)行處理,既要使碳酸鹽巖顆粒所在區(qū)域保持良好的邊緣和紋理,又要增強(qiáng)圖像中顆粒區(qū)域和背景區(qū)域的灰度差異,本研究中采用的圖像去噪方法主要為雙邊濾波算法,圖像增強(qiáng)方法主要為直方圖均衡化算法。圖5-A是一張?zhí)妓猁}巖顆粒顯微圖像原圖,經(jīng)過圖像去噪和圖像增強(qiáng)預(yù)處理過程之后得到圖5-B,可以看出清晰度和對比度得到明顯改善。

圖5 圖像預(yù)處理對比圖Fig.5 Comparison of image preprocessing

為了提升數(shù)據(jù)的泛化性,還需要通過旋轉(zhuǎn)、翻轉(zhuǎn)、縮放、調(diào)換顏色通道等方法對數(shù)據(jù)進(jìn)行增強(qiáng),將550張圖像擴(kuò)展到2 200張。為了保證數(shù)據(jù)適合模型輸入,經(jīng)過圖像預(yù)處理和數(shù)據(jù)增強(qiáng)之后,所有圖像的分辨率最后都需要被重置為224×224像素,這樣即得到碳酸鹽巖顆粒顯微圖像數(shù)據(jù)集。

3.2 訓(xùn)練模型

本研究使用TensorFlow框架構(gòu)建模型,并在具有一片RTX2080TI型號GPU的高性能計算機(jī)上進(jìn)行訓(xùn)練。

首先將碳酸鹽巖顆粒顯微圖像數(shù)據(jù)集劃分為2類,80%為訓(xùn)練集,20%為測試集,再將訓(xùn)練集中的圖像逐個送入模型進(jìn)行計算,并反向傳播偏差來修正模型權(quán)重。

模型訓(xùn)練過程中采用SGD進(jìn)行網(wǎng)絡(luò)參數(shù)優(yōu)化,模型訓(xùn)練的參數(shù)設(shè)置為:模型初始權(quán)重參數(shù)設(shè)置從均值為0,標(biāo)準(zhǔn)差為1的正態(tài)分布中隨機(jī)取值;模型學(xué)習(xí)率初始為0.001,并使用學(xué)習(xí)率梯度下降策略(每迭代10輪便將學(xué)習(xí)率乘以系數(shù)0.3);模型計算測試集上的準(zhǔn)確率來作為衡量模型性能的標(biāo)準(zhǔn);模型的輸出層使用Softmax函數(shù),其他層的激活函數(shù)使用Relu激活函數(shù),在全連接層添加Dropout操作,隨機(jī)失活30%的神經(jīng)元。模型將訓(xùn)練集中所有數(shù)據(jù)迭代計算200輪,并采用早停策略(early stop),即當(dāng)測試集在模型上的準(zhǔn)確率經(jīng)過N輪迭代后沒有提升便停止訓(xùn)練。

3.3 碳酸鹽巖顆粒顯微圖像識別過程

基于深度學(xué)習(xí)的碳酸鹽巖顆粒顯微圖像識別研究具體識別過程如圖6所示。將1張?zhí)妓猁}巖薄片原圖像中的典型顆粒用Lableme工具框選出來,運(yùn)用計算機(jī)程序處理框選出來的典型顆粒生成多個子圖像。然后將子圖像進(jìn)行預(yù)處理操作,并將分辨率重置為224×224像素,再輸入到已經(jīng)訓(xùn)練好的模型中,經(jīng)過前向傳送輸出結(jié)果,輸出結(jié)果的形式為一組特征向量。通過查找向量中的最大值,找到最大值當(dāng)中對應(yīng)的下標(biāo)位置,在碳酸鹽巖顆粒類別索引文件中找到對應(yīng)的顆粒類別,即得到該子圖像的顆粒識別結(jié)果。直到所有子圖像識別完畢,即完成該張?zhí)妓猁}巖薄片原圖像的識別。

圖6 基于深度學(xué)習(xí)的碳酸鹽巖顆粒顯微圖像識別示意圖Fig.6 Schematic diagram of microscopic image recognition of carbonate rock particles based on deep learning

3.4 實驗結(jié)果及分析

為了具體評價碳酸鹽巖每種顆粒的識別效果,采用混淆矩陣來表示測試集預(yù)測類與真實類的對應(yīng)關(guān)系?；煜仃囀菍⒄鎸嵵蹬c預(yù)測值匹配以及不匹配的項一起放入到矩陣中,可以直觀地將分類結(jié)果的好壞展示出來。

圖7中每一列代表預(yù)測的碳酸鹽巖顆粒類別,且每一列的總數(shù)代表預(yù)測為該類別的顆粒數(shù)目;每一行代表顆粒的真實類別,每一行的總數(shù)代表了該類別碳酸鹽巖顆粒的真實數(shù)目。測試集總共有440張?zhí)妓猁}巖顆粒圖像,其中121張生物碎屑圖像識別錯誤的有4張,112張內(nèi)碎屑圖像識別錯誤的有7張,111張包粒圖像識別錯誤的有5張,27張球粒圖像識別錯誤的有3張,69張團(tuán)塊圖像識別錯誤的有3張。

圖7 混淆矩陣Fig.7 Confusion matrix

通過圖7可以清楚地看出生物碎屑、內(nèi)碎屑、包粒、球粒、團(tuán)塊5種碳酸鹽巖顆粒的真實數(shù)量、預(yù)測數(shù)量、識別錯誤數(shù)量,通過這些數(shù)據(jù)可以計算各種顆粒的識別準(zhǔn)確率(表1),即用每類顆粒正確識別數(shù)量除以該類顆粒樣本總量。計算出的5種顆粒的準(zhǔn)確率分別為生物碎屑96.69%,內(nèi)碎屑93.75%,包粒95.50%,球粒88.89%,團(tuán)塊95.65%,可以看出球粒是最容易被識別錯誤的。

表1 混淆矩陣識別數(shù)量表Table 1 Number of identified confusion matrices

從模型訓(xùn)練結(jié)果圖(圖8)中可以看出,在前10次迭代過程中,訓(xùn)練準(zhǔn)確率上升較快,損失值下降也很快,在40次迭代之后,訓(xùn)練準(zhǔn)確率呈平穩(wěn)上升趨勢。經(jīng)過200次迭代訓(xùn)練,模型的準(zhǔn)確率在訓(xùn)練集上超過99%,在測試集上達(dá)到95%;當(dāng)模型迭代到190次時,模型的損失值在訓(xùn)練集上趨于零,在測試集上降到了0.08以下。該模型收斂速度較快,識別精度高,對圖像識別效果好。

圖8 模型訓(xùn)練結(jié)果圖Fig.8 Diagram of model training results

4 結(jié) 論

a.本文提出一種基于深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)模型,以ResNet50為基礎(chǔ)框架搭建模型,并通過制作數(shù)據(jù)集、訓(xùn)練模型等步驟實現(xiàn)模型功能和進(jìn)行優(yōu)化,優(yōu)化后的模型可以實現(xiàn)碳酸鹽巖主要顆粒類型顯微圖像的分類識別。

b.采用混淆矩陣對模型性能進(jìn)行評價,實驗結(jié)果表明,模型收斂速度較快,識別精度較高,在測試集上的準(zhǔn)確率可達(dá)到95%。

c.該方法表明,采用卷積神經(jīng)網(wǎng)絡(luò)對碳酸鹽巖顆粒進(jìn)行智能識別具有一定的可行性,可為碳酸鹽巖微相分析提供新方法,也可作為一種輔助人工鑒定的有益方法,具有一定的實際應(yīng)用價值。

d.由于現(xiàn)有的樣本數(shù)據(jù)量有限,數(shù)據(jù)集中所涵蓋的類別不完全,并且數(shù)據(jù)分布不均衡,因此目前僅將碳酸鹽巖顆粒劃分為少數(shù)幾個大類進(jìn)行研究。對復(fù)雜的碳酸鹽巖顆粒類別,后續(xù)可通過擴(kuò)充數(shù)據(jù)集、精細(xì)分類等方式來進(jìn)一步提升應(yīng)用價值。