石天航　鐘寶榮

摘要：文章闡述了使用手機攝像頭對巖芯表層圖像進行采集，并使用深度神經(jīng)網(wǎng)絡(luò)分類的可行性。實驗對象為砂巖和灰?guī)r兩大類巖石，對建立的數(shù)據(jù)集通過網(wǎng)絡(luò)模型的100000次訓練后，模型準確度在90%以上。通過對實驗結(jié)果的分析，處于過渡帶的巖芯因為巖性不一致或因外力遺留在巖芯表面的痕跡會干擾網(wǎng)絡(luò)模型的識別準確率。從整體來看，網(wǎng)絡(luò)模型能有效提取出巖石的基本特征，驗證了方法的可行性，實驗數(shù)據(jù)采集流程簡單，采集效率高，具備廣泛推廣的可能性。

關(guān)鍵詞：巖石圖像;深度學習;卷積神經(jīng)網(wǎng)絡(luò);特征提取

中圖分類號：TP311文獻標識碼：A

文章編號：1009-3044（2021）12-0192-03

Abstract： The article describes the feasibility of using a mobile phone camera to collect images of the core surface and using a deep neural network for classification. The experimental objects are sandstone and limestone. After 10，0000 trainings of the network model on the established data set， the accuracy of the model is above 90%. Through the analysis of the experimental results， the cores in the transition zone due to inconsistent lithology or traces left on the surface of the core due to external forces will interfere with the recognition accuracy of the network model. From an overall point of view， the network model can effectively extract the basic characteristics of the rock， verifying the feasibility of the method， the experimental data collection process is simple， the collection efficiency is high， and it has the possibility of widespread promotion.

Key words： rock image; deep learning; convolutional neural network; feature extraction

在油氣田勘探和開發(fā)過程中，巖芯往往是了解地下油層及所含流體特征最直觀、最實際的地質(zhì)資料，具有較高的研究價值。巖芯巖石類型的確定，對于油氣田生、儲、蓋類型的研究具有重要的意義。巖芯表層圖像，作為巖芯最直觀的特征，是第一手的地層資料。在當前數(shù)據(jù)科學快速發(fā)展的背景下，利用數(shù)據(jù)科學研究方法對地質(zhì)學中的大數(shù)據(jù)進行智能分析，挖掘有價值的信息，從而提高工作的效率和準確率，已經(jīng)成為當前社會一種公認高效的研究方法。目前廣泛應(yīng)用的巖芯數(shù)字化方法大致可分三種[1]：

1） 獲取實物表面圖像信息，如巖芯白光掃描。

2） 獲取實物表面的各類化學參數(shù)信息，如巖芯高光譜礦物掃描、巖芯XRF元素濃度分析等。

3） 獲取實物內(nèi)部的物理參數(shù)，如巖芯CT掃描、P波速度掃描、伽馬密度掃描、磁化率掃描等。

智能手機的攝像頭像素越來越高，利用智能手機拍攝巖芯表層圖像，從而進行圖像分析識別工作將會是一種高效的工作方式。這種方式操作簡單，易于推廣，同時能極大地提高工作人員的效率。

在圖像識別領(lǐng)域，卷積神經(jīng)網(wǎng)絡(luò)有著獨到的優(yōu)勢。國內(nèi)外有許多的學者采用卷積神經(jīng)網(wǎng)絡(luò)算法處理巖石類型的分類問題。2010年，Singh等[2]以玄武巖巖石薄片圖像作為輸入，提取27個數(shù)值參數(shù)，輸入多層感知器神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)訓練后輸出巖石類別。2017年，程國建等[3]采用卷積神經(jīng)網(wǎng)絡(luò)模型對鏡像巖石薄片圖像特征自動提取，并同時建立模式分類器，實現(xiàn)基于薄片圖像的粒度自動識別。2018年，白林等[4]對15種常見巖石的圖像數(shù)據(jù)基于卷積神經(jīng)網(wǎng)絡(luò)構(gòu)建巖石識別深度學習模型成功提取了多種類型巖石中的礦物。2019年，陳鋼花等[5]構(gòu)建了一個雙層的卷積神經(jīng)網(wǎng)絡(luò)模型應(yīng)用于判別儲層巖性，并與巖石物理相方法和支持向量機方法進行對比，分析卷積神經(jīng)網(wǎng)絡(luò)方法準確率高，速度快，巖性預(yù)測具有實時性。

綜上所述，卷積神經(jīng)網(wǎng)絡(luò)在地質(zhì)學上的應(yīng)用得益于近幾年人工智能技術(shù)的快速發(fā)展。深度學習等方法已經(jīng)在巖石手標本等圖像分類中得到應(yīng)用，并體現(xiàn)出一定的效果[6]。但是由于巖芯數(shù)字化程度不高，對于巖芯表層圖像識別問題的研究略顯不足。

1 卷積神經(jīng)網(wǎng)絡(luò)算法

卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks， CNN）是一類包含卷積計算且具有深度結(jié)構(gòu)的前饋神經(jīng)網(wǎng)絡(luò)，具有表征學習能力，能夠按其階層結(jié)構(gòu)對輸入信息進行平移不變分類。經(jīng)典的網(wǎng)絡(luò)模型有VGG、GoogLeNet[7-8]等算法，可直接將圖像數(shù)據(jù)作為輸入，無須人工對圖像進行預(yù)干預(yù)和額外的特征提取等復(fù)雜操作，而且以其特有的細粒度提取方式，使得對圖像的處理能力達到幾近人力的水平。

1.1 GoogLeNet網(wǎng)絡(luò)模型

GoogLeNet網(wǎng)絡(luò)采用Inception模塊（如圖1），卷積核采用1*1，3*3，5*5，不同大小的卷積核能夠感受不同大小的感受野，將卷積步長設(shè)置為1后，分別采用padding=0，1，2，

采用same卷積能夠給予不同尺度的特征融合。隨著層數(shù)的增加，3*3，5*5的卷積比例也逐漸增加。Inception-V3在之前的基礎(chǔ)上做了改良[10]，采用一種有效分解卷積的方式來減少網(wǎng)絡(luò)的參數(shù)，提高訓練速度，分解到更小的卷積，將兩個較小的卷積結(jié)構(gòu)來替代原本的卷積，如用兩個3×3卷積替代5×5卷積如圖2（a）。將3×3卷積分解成3×1再接1×3的不對成卷積如圖2（b）。

GoogLeNet-InceptionV3網(wǎng)絡(luò)模型結(jié)構(gòu)如圖3所示。大小為299×299像素的圖像作為網(wǎng)絡(luò)模型的輸入數(shù)據(jù)，對應(yīng)為R、G、B三個顏色通道，即為299×299×3的矩陣。通過GoogLeNet網(wǎng)絡(luò)模型的卷積迭代過程，在進行完卷積和池化的迭代操作后，最終得到2048個節(jié)點，經(jīng)過一次全連接操作，隱含節(jié)點為1000，最后利用softmax函數(shù)得到分類概率，并且確定相應(yīng)的巖石類別。

2 實驗

2.1 數(shù)據(jù)集

實驗采用的巖芯表層圖像來自湖北潛江野外鉆取巖芯（圖4），使用手機攝像頭拍攝，經(jīng)由地質(zhì)專業(yè)人員進行辨認分類后，選取典型的巖石類型彩色圖像，隨機截取299*299的圖像組成數(shù)據(jù)集（圖5），灰?guī)r、砂巖圖像各1400張，在實驗中隨機劃分1100張作為訓練集，300張作為驗證集。

2.2 特征提取

巖芯表層圖像分類需要結(jié)合礦物成分、結(jié)構(gòu)和構(gòu)造等特征，依據(jù)巖芯表層礦物粒度大小、表面特殊的紋理。巖石的多樣性以及地質(zhì)構(gòu)造作用的復(fù)雜性，導致巖芯柱往往成分構(gòu)成復(fù)雜，紋理多樣化。

砂巖是一種沉積巖，主要由各種砂粒膠結(jié)而成的，顆粒直徑在0.05-2mm，其中砂粒含量要大于50%，結(jié)構(gòu)穩(wěn)定，通常呈淡褐色或紅色，主要含硅、鈣、黏土和氧化鐵。外觀粗糙，其表面有明顯顆粒質(zhì)感?；?guī)r，以方解石為主要成分的碳酸鹽巖，有時含有白云石、黏土礦物和碎屑礦物，有灰、灰白、灰黑、黃、淺紅、褐紅等色，其結(jié)構(gòu)較為復(fù)雜，有碎屑結(jié)構(gòu)和晶粒結(jié)構(gòu)兩種。碎屑結(jié)構(gòu)多由顆粒、泥晶基質(zhì)和亮晶膠結(jié)物構(gòu)成。晶粒結(jié)構(gòu)是由化學及生物化學作用沉淀而成的晶體顆粒。

GoogLetNet卷積神經(jīng)網(wǎng)絡(luò)通過卷積，池化等操作后產(chǎn)生的圖像特征圖如表1所示，與原圖相比較，第2～3張對應(yīng)的特征圖能明顯顯示出網(wǎng)絡(luò)提取出的有效特征。表1中砂巖的顆粒特征被有效放大，并通過一次次的卷積、池化操作，逐漸抽象成為分類的主要特征。灰?guī)r中白云石或方解石所形成的石脈特征以及灰?guī)r的粒度特征在特征圖中均被有效提取。從提取出的特征圖分析，GoogLetNet卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)能在底層中有效提取出巖石的粒度特征和構(gòu)造特征。

2.3 實驗過程及結(jié)果

圖像數(shù)據(jù)通過整理，輸入到構(gòu)建好的卷積神經(jīng)網(wǎng)絡(luò)模型中進行訓練，設(shè)置的初始的學習率為0.001，經(jīng)過100000次迭代后，模型對于訓練集的準確率為100%，對于驗證集的準確率為90%以上。網(wǎng)絡(luò)模型每通過100次迭代后，保存模型并記錄測試集準確率。網(wǎng)絡(luò)模型識別準確率變化圖如圖6所示。模型識別準確率隨著訓練次數(shù)的增加逐漸增長，藍色的曲線代表訓練集的準確率，黃色的曲線代表測試集的準確率。結(jié)果數(shù)據(jù)顯示，在50000次訓練之后，模型的準確率波動減緩。

（橫坐標表示訓練次數(shù)，縱坐標表示模型的準確率，藍色線表示訓練集的準確率，黃色線表示驗證集的準確率）

模型識別準確率波動性較大結(jié)合誤判的巖石圖像（表2），分析可能由三個原因引起：

1） 巖芯表面由于污泥、鉆探工具遺留下的痕跡等非自然因素干擾網(wǎng)絡(luò)判斷。

2） 處于底層過渡帶的巖芯因其巖性不一致，導致同一張圖像中具有兩種類型的巖石，從而降低了模型的準確率。

3） 由于地層構(gòu)造作用復(fù)雜，斷層等構(gòu)造特征破壞巖芯完整性，干擾神經(jīng)網(wǎng)絡(luò)特征提取。

3 總結(jié)

巖芯樣品往往數(shù)量龐大而且其開采成本昂貴。人工鑒定存在工作量大、過程煩瑣、主觀性強等問題，同時我國巖芯數(shù)字化程度不高，導致巖芯利用率較低。本文研究了一種易于操作推廣的巖芯表層圖像分類方法。使用手機攝像頭對巖芯表層圖像進行采集，通過GoogLeNet卷積神經(jīng)網(wǎng)絡(luò)能有效提取圖像的特征，并對其進行分類識別，模型準確率達90%以上。通過實驗結(jié)果分析，發(fā)現(xiàn)網(wǎng)絡(luò)模型易于受到巖芯表層污垢，構(gòu)造作用的干擾，巖芯巖性不一致也會降低模型準確率。后續(xù)對巖石種類、訓練集篩、網(wǎng)絡(luò)模型的穩(wěn)定性選等問題上進行進一步的探索研究，應(yīng)用于巖芯圖像的識別問題上。

參考文獻：

[1] 米勝信，姚聿濤，張晨光，等.基于智能手機APP的巖芯圖像采集研究[J].中國礦業(yè)，2018，27（7）：157-160.

[2] Singh N，Singh T N，Tiwary A，et al.Textural identification of basaltic rock mass using image processing and neural network[J].Computational Geosciences，2010，14（2）：301-310.

[3] 程國建，郭文惠，范鵬召.基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類[J].西安石油大學學報（自然科學版），2017，32（4）：116-122.

[4] 白林，姚鈺，李雙濤，等.基于深度學習特征提取的巖石圖像礦物成分分析[J].中國礦業(yè)，2018，27（7）：178-182.

[5] 陳鋼花，梁莎莎，王軍，等.卷積神經(jīng)網(wǎng)絡(luò)在巖性識別中的應(yīng)用[J].測井技術(shù)，2019，43（2）：129-134.

[5] Hinton G E，Osindero S，Teh Y W.A fast learning algorithm for deep belief nets[J].Neural Computation，2006，18（7）：1527-1554.

[6] Krizhevsky A，Sutskever I，Hinton G E.ImageNet classification with deep convolutional neural networks[J].Communications of the ACM，2017，60（6）：84-90.

[7] Zhu Y Q，Bai L，Peng W H，et al.Depthwise separable convolution feature learning for ihomogeneous rock image classification[C]//Cognitive Systems and Signal Processing，2019. DOI：10.1007/978-981-13-7983-3_15.

[8] Szegedy C，Liu W，Jia Y Q，et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）.June 7-12，2015，Boston，MA，USA.IEEE，2015：1-9.

[9] Szegedy C，Vanhoucke V，Ioffe S，et al.Rethinking the inception architecture for computer vision[J].2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR），2016：2818-2826.

【通聯(lián)編輯：梁書】