[发明专利]基于深度学习和贝叶斯网络的岩石类别自动识别方法

权利要求书

1.一种基于深度学习和贝叶斯网络的岩石类别自动识别方法，其特征在于，包括以下步骤：

获取待识别岩石图像中岩石的岩石大类和产状信息；

将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；

将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；

输出待识别岩石的岩性；

所述ResNet_BN深度学习-贝叶斯网络模型的构建方法如下：

获取若干不同类型的岩石图像；

确定岩石图像中岩石大类，并对不同大类进行编号；确定岩石图像中岩石产状，并对不同产状进行编号；确定岩石图像中岩石岩性，并对不同岩性进行编号；

将经编号的岩石图像分为训练集和测试集；

创建ResNet_BN深度学习-贝叶斯网络模型；

利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型；

所述创建ResNet_BN深度学习-贝叶斯网络模型，包括：

确定ResNet50残差深度网络模型的输出数量N；

将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；

构建各节点之间的关系；

所述利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型，包括：

用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的的输出数量N值。

2.一种基于深度学习和贝叶斯网络的岩石类别自动识别系统，其特征在于，包括：

信息获取模块(1)，用于获取待识别岩石图像中岩石的岩石大类和产状信息；

先验模块(2)，用于将岩石大类和产状信息输入预先构建的ResNet_BN深度学习-贝叶斯网络模型作为先验；

图像输入模块(3)，用于将待识别的岩石图像输入所述ResNet_BN深度学习-贝叶斯网络模型；

识别结果输出模块(4)，用于输出待识别岩石的岩性；

所述ResNet_BN深度学习-贝叶斯网络模型的构建装置包括：

岩石图像获取模块(5)，用于获取若干不同类型的岩石图像；

图像编号模块(6)，用于确定岩石图像中岩石大类，并对不同大类进行编号；用于确定岩石图像中岩石产状，并对不同产状进行编号；用于确定岩石图像中岩石岩性，并对不同岩性进行编号；

划分模块(7)，用于将经编号的岩石图像分为训练集和测试集；

模型创建模块(8)，用于创建ResNet_BN深度学习-贝叶斯网络模型；

模型训练及测试模块(9)，用于利用训练集和测试集，对ResNet_BN模型进行训练，并根据测试结果，调整ResNet_BN模型；

所述模型创建模块(8)包括：

输出数量确定模块(801)，用于确定ResNet50残差深度网络模型的输出数量N；

特征提取模块(802)，用于将ResNet50网络模型输出的每一个点作为贝叶斯网络的抽象特征节点，每个节点采用R2-GenOpt算法自动离散；抽象特征节点包括与岩石大类对应的岩石大类节点、与岩石产状对应的岩石产状节点和与岩石岩性对应的岩石岩性节点；

节点关系构件模块(803)，用于构建各节点之间的关系；

所述模型训练及测试模块(9)包括：

测试调整模块(901)，用于用测试集进行交叉验证，以贝叶斯网络的混淆矩阵和错误率为验证标准，调整所述ResNet50残差深度网络模型的的输出数量N值。

3.一种计算机可读存储介质，该存储介质上存储有计算机程序，其特征在于：所述计算机程序被计算机执行实现权利要求1所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。

4.一种设备，其特征在于，具有：

存储器，存储有计算机可读指令；

处理器，执行所述计算机可读指令以实现权利要求1所述基于深度学习和贝叶斯网络的岩石类别自动识别方法的步骤。