砂巖薄片圖像分割與識別研究
發(fā)布時間：2020-11-20 16:21
在地質學領域中,砂巖薄片的鑒定對于油氣勘探具有重要的指導意義。當前主要通過人工觀察的方式分析砂巖薄片,消耗大量時間和人力成本,并且因分析人員經驗不同造成鑒定質量良莠不齊。研發(fā)砂巖薄片自動化鑒定裝置,有助于節(jié)約人力并提高鑒定效率。自動化鑒定裝置的核心技術是識別和分析圖像,因此砂巖薄片圖像識別技術的研究具有重要的意義。本文針對砂巖薄片圖像確定了先分割圖像再進行識別的思路。首先基于超像素算法對砂巖薄片圖像進行分割,再訓練卷積神經網絡模型識別子圖像中組成成分類別。因此本文圍繞超像素分割算法和圖像識別模型兩部分展開研究,主要研究內容和成果概括如下:(1)針對砂巖薄片圖像分割問題,本文基于SLIC算法提出了一個自適應超像素數量的AS-SLIC算法,該算法可根據區(qū)域顏色直方圖動態(tài)地產生超像素。同時改進了算法中的特征距離度量函數,使其能夠結合多幅圖像產生超像素。在砂巖薄片圖像上的實驗證明,本文提出算法的邊界召回率相對SLIC算法有所提高,并且多圖像分割算法相對單圖像的分割精度更高,一定程度上緩解了傳統(tǒng)算法的欠分割問題。(2)針對超像素算法產生的過分割問題,本文提出了一個基于區(qū)域特征相似度的超像素合并算法,該算法提取區(qū)域特征并根據區(qū)域間特征距離來合并過分割區(qū)域。實驗結果證明本文提出的超像素合并算法能夠合并大多數過分割區(qū)域,可以大幅度提升邊界分割準確率,使分割結果更接近人工分割的結果。(3)針對砂巖薄片圖像組分(組成成分)識別問題,本文設計了一個輕量級的卷積神經網絡模型。本文結合深度可分離卷積、密集連接和殘差學習的思想提出了 Res2Dw模型,該模型在減少參數量的同時且具有較深的網絡結構和多尺度的感受野。本文還采用圖像增強、類平衡損失函數等策略緩解數據分布不均衡問題帶來的影響。實驗結果表明,本文設計的模型參數量保持輕量級的同時獲得了比同量級的模型更高的識別精度。(4)針對模型識別精度問題,本文設計了大量實驗進行驗證。本文研究過程中制作了兩個圖像數據集,然后通過實驗探索了如何提升模型識別精度,最終訓練出的模型對105類砂巖組分的識別準確率最高可達89.8%。
【學位單位】：中國科學技術大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：P618.13;TP391.41
【部分圖文】：
?第２章相關背景與技術概述???別陸源碎屑、非陸源碎屑和填隙物。結構方面的鑒定主要是識別碎屑顆粒、填隙??物和孔隙間的結構特征，具體包括顆粒粒度、分選性、磨圓度、支撐類型、接觸??方式、膠結類型六個方面。經過上述分析鑒定，最終由鑒定人員編寫砂巖鑒定分??析報告，目前國內常用的砂巖薄片鑒定分析報告模板如圖２．２所示。??委托單位?批巧?接ｉｆ丨】期?佺涮ａ期??栓涮編號?要托人?儀器變號?僅器編號??來蛘號?抒＆名樣?畫內溫度?相對龍度???丼號糾面?咖⑴?ＬＩ．?Ｌ?｜｜???ｒ．．．．．．．ｒ￣ｆｒ—一￣￣ｉｓ?ｎ—??？?拽?Ｒ?＊?８？卜?＊??￣￣Ｚ?一￣一＂：：１?＾?火?餃結物?本珥－?鈷觸?Ｍａｎ?孔??—４?ｘ．．ｌｎ�。。�?■■■■■石》押幻？〇■?變火?２山?＊?＿＿＿＿密貨?英炎二率??英石長長?枳咕成⑴＝碎?《硓?《?泥?＾?Ｓ?度?ｎ?系?（％＞??地續(xù)年代?ｍｍ＿＿??????好準方法？?９?Ａ?｝?Ａ：?Ｂ）?Ｈ－Ｊ?ｈ?Ｃｌ?Ｖ－－?ｔ?：？?（．?｝?Ｊ：ｉ?０■：?Ｖｉ?■；?）?Ｈｉ?ｌｉ?ｎ?Ｈｉ?Ｉ．?Ｉ?Ｖｉ?；?＞．－＜？???＇??ｉ??ＳＶ／Ｔ?５：ｋＷ－２０Ｊ６??定?名?妁?性?描?述??林結構??巖梆色括＊＊＊？??好噴膠結物為＊？？？碳酸法膠結物為＊＊＊＊＊＊＊膠結？分布《＊：泥陸膠結物＊＊＊．?－＊＊１２結．??圖２．２砂巖薄片鑒定檢測報告模板??２．２超像素圖像分割??２．２．１基本概念??超像素（Ｓｕｐｅｒｐｉｘ
?第２章相關背景與技術概述???向路徑不交叉。迭代的對圖像進行垂直和水平二分之后，得到網格狀的超像素，??如圖２．３所示。作者分別使用了?ｓ－ｔ最小割方法和動態(tài)規(guī)劃法來搜索最優(yōu)路徑，??使得算法時間復雜度約為ｏ〇ｖ３／２／〇＾ｖ）。???Ｎ?—?－?－?／?－?－??４?〈?３?Ｍ－２?＾?Ｍ－１〈?Ｎ??圖２．３?Ｓｕｐｅｒｐｉｘｅｌ?Ｌａｔｔｉｃｅ算法超像素生成過程??該算法在分割過程中的拓撲約束條件，使得到的超像素形狀較規(guī)則、分布均??勻，并且能夠精確控制超像素數量，但分割精度依賴于建立的邊界圖，而且最優(yōu)??路徑的策略可能與局部物體邊緣不貼合。作者后續(xù)的研宄中加入了場景形狀的先??驗知識，使得每條路徑盡可能貼合局部物體的邊界，進一步提高了分割的精度。??（３）?ＳＥＥＤＳ?算法??Ｂｅｒｇｈ等人于２０１２年提出了?ＳＥＥＤＳ算法，該算法通過顏色直方圖距離和??邊界約束條件來將像素劃分到超像素中。首先將圖像等間距的劃分為多個網格，??作為初始化的超像素。然后將圖像的顏色空間等間距的劃分為多個區(qū)間，統(tǒng)計超??像素中每個像素的顏色在顏色區(qū)間中出現的概率，計算公式如下：??ｆｓｋ（Ｊ）?＝?２?Ｘ?Ｙ＾Ｃｎ?＆?Ｈｊ＾?（２．５）??ｎｅＳｆｃ??其中Ａ表示第ｙ個顏色區(qū)間，表示第／個像素點的顏色值，＆為第ｔ個超??像素，ｙ（＿）函數用來判斷ｑ是否屬于。定義公式２．６來計算超像素內的顏色一??致性，并定義公式２．７表示整幅圖像的顏色熵。由定義可知，熵值越高則超像素??內部的顏色越一致。??Ｓ＾Ｓｋ）?＝?＾?（／ｓｆｃ０））?（２．６）??Ｈｊ??／／（５）＝?＾?５（５，）?（２．７
?軍，在ＩｍａｇｅＮｅｔ數據集上的ｔｏｐ－５識別錯誤率為３．５７％，甚至低于人眼識別錯誤??率。簡單的堆疊卷積層來增加深度，會導致梯度消失或梯度爆炸，并且隨著深度??的增加，網絡的性能可能會出現退化。Ｈｅ等人提出一種設想，當簡單的卷積層??堆疊導致網絡過深，若其中某一層提取到的特征已經是最優(yōu)狀態(tài)，那么后面的層??就不應該再對其做出改變，所以后面的層應學習到恒等映射（ｉｄｅｎｔｉｔｙ?ｍａｐｐｉｎｇ）??的能力。因此，作者提出了殘差學習模塊（ｒｅｓｉｄｕａｌｌｅａｍｉｎｇ），模塊結構如圖２．５??所示。??ｗｅｉｇｈｔ?ｌａｙｅｒ?＼??７（ｘ）?｜ｒｅｌｕ?Ｊ?ｘ??ｗｅｉｇｈ｜ｌａｙｅｒ?１?Ｊ?ｉｄｅｎｔｉｔｙ??稱Ｘ??圖２．５殘差學習模塊??ＲｅｓＮｅｔ的思想是增加直連接通道，與ＨｉｇｈｗａｙＮｅｔ［３７１的思想類似。在殘差學??習模塊中，首先將輸入復制一份直接連接到輸出，這樣當某一層的特征表達最優(yōu)??時，直連接部分起到恒等映射的作用，使模塊內的卷積操作失去作用。假設殘差??學習模塊的輸入為ＡＳ?；Ｆ（；〇為模塊內的特征變換，則輸出為：Ｆ（；〇＋Ｘ。當淺層的??特征已足夠優(yōu)秀時，對特征的任何改變都將使全局損失增大，此時訓練過程中將??使：Ｆ（；〇逐漸趨向于０，而輸入特征Ｘ將繼續(xù)向后面的層傳遞。恒等映射的操作有??利于梯度反向傳播，通過將多個殘差學習模塊進行堆疊，甚至可以使網絡達到??１５０余層的深度。ＲｅｓＮｅｔ為進一步加深網絡深度提供了新的思路，是目前圖像識??別領域中最常用的模型之一。??１７??
【參考文獻】
本文編號：2891679
【學位單位】：中國科學技術大學
【學位級別】：碩士
【學位年份】：2020
【中圖分類】：P618.13;TP391.41
【部分圖文】：
?第２章相關背景與技術概述???別陸源碎屑、非陸源碎屑和填隙物。結構方面的鑒定主要是識別碎屑顆粒、填隙??物和孔隙間的結構特征，具體包括顆粒粒度、分選性、磨圓度、支撐類型、接觸??方式、膠結類型六個方面。經過上述分析鑒定，最終由鑒定人員編寫砂巖鑒定分??析報告，目前國內常用的砂巖薄片鑒定分析報告模板如圖２．２所示。??委托單位?批巧?接ｉｆ丨】期?佺涮ａ期??栓涮編號?要托人?儀器變號?僅器編號??來蛘號?抒＆名樣?畫內溫度?相對龍度???丼號糾面?咖⑴?ＬＩ．?Ｌ?｜｜???ｒ．．．．．．．ｒ￣ｆｒ—一￣￣ｉｓ?ｎ—??？?拽?Ｒ?＊?８？卜?＊??￣￣Ｚ?一￣一＂：：１?＾?火?餃結物?本珥－?鈷觸?Ｍａｎ?孔??—４?ｘ．．ｌｎ�。。�?■■■■■石》押幻？〇■?變火?２山?＊?＿＿＿＿密貨?英炎二率??英石長長?枳咕成⑴＝碎?《硓?《?泥?＾?Ｓ?度?ｎ?系?（％＞??地續(xù)年代?ｍｍ＿＿??????好準方法？?９?Ａ?｝?Ａ：?Ｂ）?Ｈ－Ｊ?ｈ?Ｃｌ?Ｖ－－?ｔ?：？?（．?｝?Ｊ：ｉ?０■：?Ｖｉ?■；?）?Ｈｉ?ｌｉ?ｎ?Ｈｉ?Ｉ．?Ｉ?Ｖｉ?；?＞．－＜？???＇??ｉ??ＳＶ／Ｔ?５：ｋＷ－２０Ｊ６??定?名?妁?性?描?述??林結構??巖梆色括＊＊＊？??好噴膠結物為＊？？？碳酸法膠結物為＊＊＊＊＊＊＊膠結？分布《＊：泥陸膠結物＊＊＊．?－＊＊１２結．??圖２．２砂巖薄片鑒定檢測報告模板??２．２超像素圖像分割??２．２．１基本概念??超像素（Ｓｕｐｅｒｐｉｘ
?第２章相關背景與技術概述???向路徑不交叉。迭代的對圖像進行垂直和水平二分之后，得到網格狀的超像素，??如圖２．３所示。作者分別使用了?ｓ－ｔ最小割方法和動態(tài)規(guī)劃法來搜索最優(yōu)路徑，??使得算法時間復雜度約為ｏ〇ｖ３／２／〇＾ｖ）。???Ｎ?—?－?－?／?－?－??４?〈?３?Ｍ－２?＾?Ｍ－１〈?Ｎ??圖２．３?Ｓｕｐｅｒｐｉｘｅｌ?Ｌａｔｔｉｃｅ算法超像素生成過程??該算法在分割過程中的拓撲約束條件，使得到的超像素形狀較規(guī)則、分布均??勻，并且能夠精確控制超像素數量，但分割精度依賴于建立的邊界圖，而且最優(yōu)??路徑的策略可能與局部物體邊緣不貼合。作者后續(xù)的研宄中加入了場景形狀的先??驗知識，使得每條路徑盡可能貼合局部物體的邊界，進一步提高了分割的精度。??（３）?ＳＥＥＤＳ?算法??Ｂｅｒｇｈ等人于２０１２年提出了?ＳＥＥＤＳ算法，該算法通過顏色直方圖距離和??邊界約束條件來將像素劃分到超像素中。首先將圖像等間距的劃分為多個網格，??作為初始化的超像素。然后將圖像的顏色空間等間距的劃分為多個區(qū)間，統(tǒng)計超??像素中每個像素的顏色在顏色區(qū)間中出現的概率，計算公式如下：??ｆｓｋ（Ｊ）?＝?２?Ｘ?Ｙ＾Ｃｎ?＆?Ｈｊ＾?（２．５）??ｎｅＳｆｃ??其中Ａ表示第ｙ個顏色區(qū)間，表示第／個像素點的顏色值，＆為第ｔ個超??像素，ｙ（＿）函數用來判斷ｑ是否屬于。定義公式２．６來計算超像素內的顏色一??致性，并定義公式２．７表示整幅圖像的顏色熵。由定義可知，熵值越高則超像素??內部的顏色越一致。??Ｓ＾Ｓｋ）?＝?＾?（／ｓｆｃ０））?（２．６）??Ｈｊ??／／（５）＝?＾?５（５，）?（２．７
?軍，在ＩｍａｇｅＮｅｔ數據集上的ｔｏｐ－５識別錯誤率為３．５７％，甚至低于人眼識別錯誤??率。簡單的堆疊卷積層來增加深度，會導致梯度消失或梯度爆炸，并且隨著深度??的增加，網絡的性能可能會出現退化。Ｈｅ等人提出一種設想，當簡單的卷積層??堆疊導致網絡過深，若其中某一層提取到的特征已經是最優(yōu)狀態(tài)，那么后面的層??就不應該再對其做出改變，所以后面的層應學習到恒等映射（ｉｄｅｎｔｉｔｙ?ｍａｐｐｉｎｇ）??的能力。因此，作者提出了殘差學習模塊（ｒｅｓｉｄｕａｌｌｅａｍｉｎｇ），模塊結構如圖２．５??所示。??ｗｅｉｇｈｔ?ｌａｙｅｒ?＼??７（ｘ）?｜ｒｅｌｕ?Ｊ?ｘ??ｗｅｉｇｈ｜ｌａｙｅｒ?１?Ｊ?ｉｄｅｎｔｉｔｙ??稱Ｘ??圖２．５殘差學習模塊??ＲｅｓＮｅｔ的思想是增加直連接通道，與ＨｉｇｈｗａｙＮｅｔ［３７１的思想類似。在殘差學??習模塊中，首先將輸入復制一份直接連接到輸出，這樣當某一層的特征表達最優(yōu)??時，直連接部分起到恒等映射的作用，使模塊內的卷積操作失去作用。假設殘差??學習模塊的輸入為ＡＳ?；Ｆ（；〇為模塊內的特征變換，則輸出為：Ｆ（；〇＋Ｘ。當淺層的??特征已足夠優(yōu)秀時，對特征的任何改變都將使全局損失增大，此時訓練過程中將??使：Ｆ（；〇逐漸趨向于０，而輸入特征Ｘ將繼續(xù)向后面的層傳遞。恒等映射的操作有??利于梯度反向傳播，通過將多個殘差學習模塊進行堆疊，甚至可以使網絡達到??１５０余層的深度。ＲｅｓＮｅｔ為進一步加深網絡深度提供了新的思路，是目前圖像識??別領域中最常用的模型之一。??１７??
【參考文獻】
相關期刊論文 前2條
1 宋克臣;顏云輝;陳文輝;張旭;;局部二值模式方法研究與展望[J];自動化學報;2013年06期
2 徐安娜,穆龍新,裘懌楠;我國不同沉積類型儲集層中的儲量和可動剩余油分布規(guī)律[J];石油勘探與開發(fā);1998年05期
本文編號：2891679
本文鏈接：http://www.lk138.cn/shoufeilunwen/benkebiyelunwen/2891679.html
