[发明专利]一种岩石识别深度学习模型岩石分类约束继承性损失方法

说明书

本申请公开了一种岩石识别深度学习模型岩石分类约束继承性损失方法，包括：根据岩石样本的多级标签构建岩石样本数据集D，构建深度神经网络，将待训练岩石样本图像输入深度神经网络，网络输出针对分类树各层级的最后一级标签预测；计算分类树各层级的预测概率P_i；将所述分类树各层级的预测概率P_i分别对照对应的层级标签进行逐级计算，获得各层级交叉熵损失；将各层级交叉熵损失相加，得到输入的岩石样本图像的岩石分类约束继承性损失；对所述岩石分类约束继承性损失进行判断是否满足收敛条件。本发明的优点是：实现简单，充分利用岩石分类树中包含的层间从属关系和类间异同信息，优化岩石识别模型的精度。

技术领域

本发明涉及一种岩石识别深度学习模型岩石分类约束继承性损失方法。

背景技术

在地质行业中，区域地质调查是地质工作的先行步骤，又是地质工作的基础工作。它是指在选定地区的范围内或按照不同比例尺精度(如：1∶50000、1∶200000、1∶250000等)，在充分研究和运用已有资料的基础上，采用必要的手段，进行全面系统的综合性的野外实地地质调查研究工作。其主要任务是，通过地质填图、找矿和综合研究，阐明区域内的岩石、地层、构造、地貌、水文地质等基本地质特征及其相互关系，研究矿产的形成条件和分布规律。为进一步的地质找矿工作提供基础地质资料。要实现上述目标，最基本最主要的工作方法是野外实地勘查和观测研究，而岩石学矿物学是地质学最基础的知识，一到野外首先遇到的就是矿物岩石。因此，认识岩石是每一个地质工作者最基本的专业能力。目前，据大多专业地质人员提供经验数据表明，一个专业人员在野外正确识别标本的能力，准确率达60-80％算是较高至高的水平了。因此，在野外准确的识别岩石和定名，不仅是对专业人员最大的挑战，也是体现一个专业人员水平的尺子。因此随着人工智能的兴起，，如何把高专业人员识别岩石的能力转成人工智能模型，让专业人员、地学爱好者或者一般非专业人员也能准确的识别基本岩石成了地质行业最基本技能服务的最大的需求了。

目前的现有技术存在以下问题：第一，现有所涉及的岩石识别模型建模，均在项目级别或实验室内，因而都是小样本的方法试验，多数文章的样本均在千张数量级上，分类的数据也在都限于3-6类，属于初级学习阶段的产物，对于这么小的样本和分类数目不会涉及也不需要涉及岩石分类知识加入模型计算的问题。第二，在野外实际应用中，有关国标关于的三大岩类的分类和命名的一般规则在基本名称上给出了比较细的分类规定，但在附加修饰词上只能给出原则性的规定，这也是因为地球上岩石的复杂性和多样性所决定的，因此要给出完全标准化的分类命名也就非常困难。第三，目前，大多数基于深度学习的岩石识别算法，仅受限与一般的分类任务用的都是交叉熵损失特点，针对分类体系的单一层级标签进行预测，忽略了岩石分类树中蕴含的丰富层级信息，同时目前采用的类通常分类粒度偏大(如花岗岩、角砾岩、砂岩等)，分类种类偏少，难以满足实际需求。虽然单一层级标签预测也可能给出较高的模型精度，但由于岩石的复杂性和多样性，模型很难突破泛化能力，一旦模型跳出训练样本本身的范围，就失去了相应的识别能力，这就是人们通常称为只有3岁孩子的认知能力。第四，传统的交叉熵损失计算仅支持单一层级标签，无法充分利用多级标签之间的分类信息，对模型的优化具有局限性，不足以满足类间仅有细微差距的细粒度图像分类任务。

发明内容

本发明的目的在于克服上述不足，提供一种岩石识别深度学习模型岩石分类约束继承性损失方法，充分利用岩石分类树中包含的层间从属关系和类间异同信息，解决优化岩石识别模型的精度的问题。

为了实现上述目的，本发明采用的技术本发明为：一种岩石识别深度学习模型岩石分类约束继承性损失方法，其特征在于，包括：

第一步，根据岩石样本的多级标签构建岩石样本数据集D，岩石样本数据集D的各层级标签所构成的分类树共计n级，第i(1≤i≤n)级的标签数量记作N_i；

第二步，构建深度神经网络，将待训练岩石样本图像输入深度神经网络，网络输出针对分类树各层级的最后一级标签预测；