[发明专利]一种深度学习模式下的岩石岩性自动识别分类方法

权利要求书

1.一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于，包括以下步骤：

步骤A，根据所需岩石种类，采集不同类型的岩石图像，并将其分为训练集与测试集；

步骤B，采用卷积神经网络Inception-v3模型作为预训练模型，利用其特征提取模型获取图像特征；

步骤C，建立Softmax回归模型；

步骤D，训练岩石图像自动识别与分类模型；

步骤E，测试岩石图像自动识别与分类模型，包括：

步骤E1：随机选取训练集中3张花岗岩图像，3张千枚岩图像，3张角砾岩图像共9张岩石图像进行测试；岩石图像的预测结果以概率的形式给出，每张图像对应三个概率，其中概率最大者所对应的岩石种类被认为是该图像中岩石所属的种类；

步骤E2：采用未参与训练的三组岩石图像对岩石图像自动识别与分类模型进行测试，在未参与训练花岗岩、千枚岩和角砾岩三组图像中分别选取9张岩石图像对岩石图像自动识别与分类模型进行测试，岩石图像的预测结果是以概率的形式给出，对于每张图像，相对应的某个种类概率大于等于设定概率值即认为此岩石图像属于这个种类；

步骤E3：对预测结果的概率小于设定概率值的图像进行截取，将部分截取图像加入训练集重新训练岩石图像自动识别与分类模型，再用预测结果概率小于设定概率值的岩石图像对重训练岩石图像自动识别与分类模型进行测试。

2.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于，所述步骤A中进一步包括：

步骤A1：采集不同种类的岩石图像，并将岩石图像分类整理；

步骤A2：图像统一设置为jpg格式，不要求图像大小，像素及摄像距离；

步骤A3：采用随机分配将每一类的岩石图像分为训练集和测试集。

3.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于，所述步骤B中进一步包括：

步骤B1：将卷积神经网络Inception-v3的卷积层、池化层全部提取出来，即采用Inception-v3模型的参数值提取岩石图像特征；

步骤B2：移除Inception-v3模型最后的输出层，通过特征提取模型获取2048个特征并以向量形式表示。

4.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于，所述步骤C进一步包括：

步骤C1：对于给定的测试输入x，利用假设函数针对每一个类别j估算出概率值p(y＝j|x)，即估计x每一种分类结果出现的概率；因此，利用假设函数输出一个k维向量来表示这k个估计概率值，假设函数h_θ(x)形式如下：

其中项对概率分布进行归一化；

这里，x是m×1维的输入变量，m是输入变量的特征数，θ是Softmax回归模型的参数，为m×k阶矩阵；

步骤C2：模型训练过程是要找到最优参数θ使得实际值与预测值更为相近，通过不断迭代寻找最优θ值，其代价函数如下：

式中，1{·}是示性函数，其取值规则为：1{值为真的表达式}＝1，1{值为假的表达式}＝0；

对于J(θ)的最小化问题，使用迭代优化算法中的梯度下降法进行求解，经过求导，得到如下的梯度公式：

所求得的是一个向量，它的第l个元素是J(θ)对θ_j的第l个分量的偏导数；

步骤C3：通过添加来修改代价函数，这个权重衰减项会惩罚过大的参数值，代价函数转化为下式：

通过添加权重衰减项以后，并且，要求λ0，代价函数就变成了严格的凸函数，这样就能保证得到唯一解，并且因为J(θ)是凸函数，梯度下降法能保证收敛到全局最优解；

为了使用优化算法，需要求得这个新函数J(θ)的导数：

通过最小化J(θ)，即实现一个能用的Softmax回归模型。

5.根据权利要求1所述的一种深度学习模式下的岩石岩性自动识别分类方法，其特征在于，所述步骤D进一步包括：

步骤D1：设置迭代步数为4000，学习率为0.01：

训练过程中每次随机选择100张图像进行训练，每张图像都会多次使用，并选择总数的10％的图像进行交叉验证，每迭代10次对训练过程进行评价；

步骤D2：观察训练准确率、测试准确率和交叉熵值来估计训练结果，若测试准确率大于等于设定概率值、训练准确率大于等于测试准确率、交叉熵值低于设定值，则认为训练效果好，反之则认为训练效果差；若训练效果差，则重新设置迭代步数及学习率再重新进行训练，最终得到岩石图像自动识别与分类模型。