[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

说明书

本发明公开了一种深度学习模式下的岩石岩性自动识别分类方法，用以分析地质工程中的岩石岩性，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。本发明通过建立岩石图像自动识别与分类模型，可以自动化、智能化地分析工程中的地质状况，大大节省人力物力，减少成本支出。

技术领域

本发明涉及岩石岩性分类，特别涉及一种深度学习模式下的岩石岩性自动识别分类方法。

背景技术

岩石岩性分类一直以来都是地质学重点分析的问题。诸多学者通过对岩石图像的分析，得到了岩石的特征信息，取得了一定进展，但是在这一过程中需要手动进行选择特征，交互操作多，人为因素影响大；对岩石颜色进行处理可以实现自动采样，但是忽略了纹理等其他特征，其方法有局限性，而利用神经网络实现岩石图像分类则需要对网络参数有很好的调节能力。

发明内容

本发明的目的是克服现有技术中的不足，提供一种深度学习模式下的岩石岩性自动识别分类方法，用以分析地质工程中的岩石岩性。

本发明所采用的技术方案是：一种深度学习模式下的岩石岩性自动识别分类方法，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。

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。

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。

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；