宋文廣，徐浩，王浩，張冰心，張秋娟，涂裕，王新城

長(zhǎng)江大學(xué)計(jì)算機(jī)科學(xué)學(xué)院，湖北 荊州 434023

在地質(zhì)學(xué)研究領(lǐng)域中，為了尋找油氣資源，儲(chǔ)油層的勘探是重要工作之一[1]。鉆井獲取地下巖心樣本，地質(zhì)專家憑借自身經(jīng)驗(yàn)鑒定巖心樣本的巖性。傳統(tǒng)鑒定方法往往是將巖石樣本切割打磨成巖心薄片，專業(yè)人員通過(guò)偏光顯微鏡觀察巖石的結(jié)構(gòu)和特征，再根據(jù)個(gè)人經(jīng)驗(yàn)鑒定，最后得出巖性的鑒定結(jié)果。傳統(tǒng)鑒定方法[2]主要依賴專業(yè)人員的知識(shí)背景和工作經(jīng)驗(yàn)。對(duì)于大量的巖心薄片巖性辨別，則需要大量的專業(yè)人員，耗時(shí)耗力，且鑒定結(jié)果也受個(gè)人感官認(rèn)識(shí)、主觀性等諸多因素影響。

20世紀(jì)末，LECUN等[3]提出了卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network，CNN)[4]，在圖像識(shí)別領(lǐng)域中取得突破性進(jìn)展，其準(zhǔn)確率遠(yuǎn)超傳統(tǒng)的機(jī)器學(xué)習(xí)方法。傳統(tǒng)圖像識(shí)別方法通過(guò)手動(dòng)設(shè)計(jì)提取圖像特征進(jìn)行識(shí)別，忽略了圖像中高維的圖像特征。在圖像識(shí)別中引入CNN，可以自動(dòng)提取并識(shí)別圖像高維度特征，解決傳統(tǒng)方法中存在的問(wèn)題。深度學(xué)習(xí)模型通過(guò)自動(dòng)學(xué)習(xí)巖性特征，如巖石的顏色、紋理、顆粒、結(jié)構(gòu)構(gòu)造、蝕變程度等屬性[5]，建立智能識(shí)別模型，提高巖性智能識(shí)別準(zhǔn)確率。但是，由于巖心薄片圖像數(shù)據(jù)公開(kāi)少且難以獲得，而訓(xùn)練深層的網(wǎng)絡(luò)模型需要大量的訓(xùn)練樣本支撐，較少的巖心薄片圖像樣本數(shù)據(jù)不足以訓(xùn)練龐大的網(wǎng)絡(luò)參數(shù)權(quán)重[6]。僅用小樣本巖心薄片作為訓(xùn)練集訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)模型，模型易過(guò)擬合，泛化能力差[7]，致使巖性識(shí)別準(zhǔn)確率低，導(dǎo)致智能識(shí)別模型在巖性識(shí)別中的效果并不理想。此外，常用的數(shù)據(jù)增強(qiáng)方式通常是對(duì)原圖像進(jìn)行幾何變換，如對(duì)巖心薄片進(jìn)行翻轉(zhuǎn)、旋轉(zhuǎn)、裁剪、縮放等和顏色變換(如改變顏色、添加噪聲、模糊處理、擦除等)[8]。顏色變換的數(shù)據(jù)增加技術(shù)并不適用于巖心薄片圖像處理，會(huì)干擾其顏色特征[9]。而生成對(duì)抗網(wǎng)絡(luò)(generative adversarial networks，GAN)可以很好地還原真實(shí)的巖心薄片圖像數(shù)據(jù)。

GAN[11]是一種由生成器網(wǎng)絡(luò)模型(generative model，G)和判別器網(wǎng)絡(luò)模型(discriminative model，D)組成的一種強(qiáng)大的生成對(duì)抗網(wǎng)絡(luò)模型：G的作用是將輸入的高斯分布噪聲Pz(z)(z為隨機(jī)噪聲數(shù)據(jù))，通過(guò)學(xué)習(xí)真實(shí)數(shù)據(jù)x的分布Px(x)，生成假數(shù)據(jù)G(z)；D的作用是判斷輸入的數(shù)據(jù)是真實(shí)數(shù)據(jù)x還是生成器生成的假數(shù)據(jù)G(z)。G和D交替訓(xùn)練，最大化D的區(qū)分度以區(qū)分真實(shí)數(shù)據(jù)樣本和模擬數(shù)據(jù)樣本，G最小化G(z)與x的數(shù)據(jù)分布以欺騙D，經(jīng)過(guò)相互博弈，使得D、G 2個(gè)模型達(dá)到最佳狀態(tài)。在最佳狀態(tài)下，判別器輸出結(jié)果值為0.5，即D(x)與D(G(z))都是0.5，D分辨不出是真實(shí)數(shù)據(jù)還是模擬數(shù)據(jù)。GAN目標(biāo)函數(shù)為：

(1)

式中：V(D,G)為GAN目標(biāo)函數(shù)；E為期望值。GAN的模型結(jié)構(gòu)如圖1所示。

圖1 GAN的模型結(jié)構(gòu)Fig.1 Model structure of GAN

原始GAN模型訓(xùn)練時(shí)易出現(xiàn)梯度消失、梯度不穩(wěn)[12]和模型訓(xùn)練不穩(wěn)定等現(xiàn)象，造成模型崩潰，導(dǎo)致生成圖像差、判別器判別能力差。即使再迭代訓(xùn)練多次也無(wú)法解決該問(wèn)題[13]。主要原因是原始GAN要使生成數(shù)據(jù)分布與真實(shí)數(shù)據(jù)分布的KL(Kullback-Leibler divergence)散度最小，同時(shí)又要最大化兩者的JS(Jensen-Shannon)散度，這種矛盾的目標(biāo)使得生成器的優(yōu)化方向發(fā)生錯(cuò)誤。且由于JS散度的特性，JS散度是常數(shù)，會(huì)造成梯度消失。因此，2017年ARJOVSKY M等[14]提出了改進(jìn)的模型WGAN(Wasserstein GAN)。WGAN的核心改進(jìn)是將不合理的等價(jià)優(yōu)化的距離度量方式(JS散度/KL散度)更改為Wasserstein距離。用Wasserstein距離來(lái)量度真假數(shù)據(jù)分布之間的距離。Wasserstein距離又稱作EM(earth mover)距離，定義為：

(2)

式中：W(PR,PG)為Wasserstein距離；PR為真實(shí)樣本分布；PG為生成樣本分布；П(PR，PG)為PR和PG這2個(gè)分布所有可能的聯(lián)合分布的集合；γ為屬于該聯(lián)合分布的集合；y為生成數(shù)據(jù)。

從聯(lián)合分布集合中取樣(x，y)～γ，獲得真實(shí)數(shù)據(jù)樣本x和生成數(shù)據(jù)樣本y，并計(jì)算x和y之間的距離||x-y||，然后計(jì)算樣本對(duì)距離的期望E(x,y)～γ(||x-y‖)，最后在所有聯(lián)合分布中使得該期望值取到下界值，該下界值即為Wasserstein距離[15]。Wasserstein距離能在真實(shí)樣本和生成樣本的分布沒(méi)有重合的情況下，表示出其距離的遠(yuǎn)近，使得生成的對(duì)抗模型不會(huì)因?yàn)樘荻葐?wèn)題而崩潰，確保訓(xùn)練模型穩(wěn)定。優(yōu)化目標(biāo)函數(shù)L為：

L=EX～Px(x)[D(x)]-Ez～Pz(z)[D(G(Z))]

(3)

WGAN通過(guò)最小化L值，使生成樣本分布與真實(shí)樣本分布接近，最終生成圖像實(shí)現(xiàn)以預(yù)期目標(biāo)。

為此，該次研究使用Wasserstein GAN[10](WGAN)對(duì)抗訓(xùn)練方法，自主學(xué)習(xí)巖心薄片圖像的紋理、顏色等特征，通過(guò)生成器生成新的巖心薄片圖像并對(duì)圖像數(shù)據(jù)進(jìn)行增強(qiáng)，提高智能識(shí)別精度。

1 巖心薄片巖性識(shí)別算法

基于生成對(duì)抗網(wǎng)絡(luò)的巖心薄片巖性智能識(shí)別方法，其計(jì)算過(guò)程如圖2所示。

圖2 巖心薄片巖性識(shí)別算法計(jì)算過(guò)程Fig.2 Algorithm process of core slice lithology identification

1.1 生成對(duì)抗網(wǎng)絡(luò)

1.1.1 生成器模型

生成器模型如圖3所示。首先創(chuàng)建一個(gè)100維正態(tài)分布的向量作為輸入數(shù)據(jù)，再通過(guò)RESHAPE操作轉(zhuǎn)換成4×4大小，1024通道數(shù)的三維張量，最后通過(guò)反卷積層DECONV1～DECONV6進(jìn)行上采樣，最終生成一張大小為256×256、通道數(shù)為3的RGB生成圖像G(z)。每層的步幅為2，卷積核尺寸為5×5。DECONV1～DECONV5中，添加批量歸一化方法(batch normalization，BN)，避免梯度消失

圖3 生成器模型設(shè)計(jì)Fig.3 Generator model design

的問(wèn)題，從而使網(wǎng)絡(luò)訓(xùn)練穩(wěn)定；正則化方式的Dropout層使模型避免過(guò)擬合且均使用ReLu非線性激活函數(shù)；最后一層使用Tanh激活函數(shù)，如圖4所示。

圖4 生成器模型反卷積層Fig.4 Deconvolution layer of generator model

1.1.2 判別器模型

判別器模型如圖5所示，輸入層為一張大小為256×256、通道數(shù)為3的真實(shí)圖像或者生成判別器模型圖像，經(jīng)過(guò)六層卷積層降采樣后成為(4，4，1024)三維張量，提取輸入圖像特征；然后通過(guò)平坦層(Flatten)操作將前一層的三維張量變?yōu)橐痪S向量；最后通過(guò)兩層全連接層輸出結(jié)果，判斷出輸入的圖像是真實(shí)樣本還是生成樣本。其中下采樣過(guò)程中均采用5×5的卷積核，步幅大小為2，添加批量歸一化方法和正則化Dropout層使用LeakyReLu激活函數(shù)，如圖6所示。

圖5 判別器模型設(shè)計(jì)Fig.5 Discriminator model design

1.1.3 生成對(duì)抗網(wǎng)絡(luò)模型

圖6 判別器模型卷積層流程
Fig.6 Convolution layer of discriminator model

生成對(duì)抗網(wǎng)絡(luò)模型訓(xùn)練過(guò)程是G和D交替訓(xùn)練。在G訓(xùn)練時(shí)，固定D的參數(shù)，G通過(guò)輸入噪聲

z

，經(jīng)過(guò)上采樣操作后生成一批圖像。將生成的圖像送入D進(jìn)行真假識(shí)別，利用D反饋的損失值和真假樣本之間的Wasserstein距離進(jìn)行權(quán)重更新，最小化Wasserstein距離。判別器模型的訓(xùn)練則是將生成圖像和真實(shí)圖像輸入到判別器中進(jìn)行辨識(shí)，通過(guò)反饋的損失值去最小化Wasserstein距離。兩個(gè)模型均采用RMSProp算法對(duì)模型權(quán)重進(jìn)行優(yōu)化調(diào)整。最終，真實(shí)圖像和生成圖像之間的Wasserstein 距離越小，表示生成對(duì)抗網(wǎng)絡(luò)模型生成的圖像越接近真實(shí)圖像。

1.2 巖心薄片巖性識(shí)別模型

1.2.1 判別器模型遷移

生成對(duì)抗網(wǎng)絡(luò)模型訓(xùn)練完成后，即可生成出高質(zhì)量的生成圖像，所以生成器可以生成判別器無(wú)法判斷真?zhèn)蔚某练e巖巖心薄片圖像，同時(shí)判別器學(xué)習(xí)了巖心薄片圖像的大量特征。運(yùn)用遷移學(xué)習(xí)在對(duì)抗訓(xùn)練中學(xué)習(xí)到大量特征的判別器模型用于解決巖心薄片巖性識(shí)別。使用的巖心薄片巖性識(shí)別模型如圖7所示。通過(guò)參照判別器模型進(jìn)行設(shè)計(jì)，保留判別器的卷積層，刪掉后面二分類的全連接層，改為三層全連接層，最后一層輸出巖心巖性的類別，然后遷移所有卷積層的權(quán)重。新的巖心薄片巖性識(shí)別模型只需要訓(xùn)練最后兩層全連接層和分類層。將生成圖像和真實(shí)圖像一起作為數(shù)據(jù)集進(jìn)行訓(xùn)練。

圖7 巖心薄片巖性識(shí)別模型Fig.7 Lithology identification model of core slice

1.2.2 巖心薄片巖性識(shí)別訓(xùn)練

將訓(xùn)練好的生成對(duì)抗網(wǎng)絡(luò)模型的判別器應(yīng)用到巖心薄片巖性識(shí)別中，對(duì)判別器卷積層網(wǎng)絡(luò)參數(shù)進(jìn)行遷移，添加2個(gè)全連接層和1個(gè)輸出層，2個(gè)全連接層采用ReLu激活函數(shù)，輸出層采用softmax激活函數(shù)對(duì)巖心薄片巖性進(jìn)行識(shí)別。該模型采用的損失函數(shù)是交叉熵?fù)p失函數(shù)：

(4)

其中:

(5)

式中：N為樣本數(shù)量；i為樣本序號(hào)；c為種類；M為種類數(shù)量；yic為符號(hào)函數(shù)0或者1，如果是真實(shí)樣本的類別，則用1表示，否則用0；Pic為第i個(gè)樣本屬于c類的置信度；j為種類數(shù)量；yi為c類的得分結(jié)果；yj為第j類的得分結(jié)果。

利用隨機(jī)梯度下降法SGD(stochastic gradient descent)對(duì)模型參數(shù)進(jìn)行優(yōu)化調(diào)整。

1.3 巖心薄片巖性識(shí)別

輸入一張巖心薄片圖像，通過(guò)巖心薄片巖性識(shí)別模型提取到圖像特征，最后通過(guò)輸出層softmax激活函數(shù)式(6)進(jìn)行巖性預(yù)測(cè)：

(6)

式中：Si為概率；ezi為softmax層的輸入神經(jīng)元；zi為第i類的得分。

2 生成對(duì)抗網(wǎng)絡(luò)模型驗(yàn)證

2.1 模型驗(yàn)證環(huán)境

硬件：CPU為Intel(R)Core(TM)i7-8700，GPU為NVIDIA Geforce GTX 1080Ti，內(nèi)存為32G。

軟件：操作系統(tǒng)Ubuntu18.04，編譯軟件為Pycharm，編程框架為Pytorch。

沉積巖巖心薄片數(shù)據(jù)集中有黏土巖、碎屑巖、碳酸鹽巖和凝灰?guī)r4種。每一張巖心薄片都具有相同視野的正交偏光和單偏光顯微圖像各一張，每一張圖像分辨率為1280×1024，其中黏土巖有336張，碎屑巖326張，碳酸鹽巖356張，凝灰?guī)r328張。由于圖像過(guò)大，通過(guò)對(duì)圖像進(jìn)行裁剪，一張圖像裁剪成4張圖像并縮放成256×256大小，共計(jì)5384張顯微巖心薄片圖像。最終數(shù)據(jù)集如表1所示，樣本圖像如圖8所示，訓(xùn)練數(shù)據(jù)集與測(cè)試數(shù)據(jù)集設(shè)置為8∶2。

2.2 模型驗(yàn)證

表1 沉積巖巖心薄片數(shù)據(jù)表

數(shù)據(jù)集采用沉積巖巖心薄片圖像訓(xùn)練集，學(xué)習(xí)率設(shè)置為0.0002，batch_size設(shè)置為32，訓(xùn)練周期為800，判別器和生成器交替訓(xùn)練，訓(xùn)練一次判別器時(shí)，需要訓(xùn)練2次生成器，開(kāi)始時(shí)先訓(xùn)練判別器，并在一塊NIVDIA Tesla K80顯卡上面進(jìn)行訓(xùn)練。訓(xùn)練初期，圖像生成質(zhì)量差，不能作為樣本數(shù)據(jù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充。隨著訓(xùn)練周期的不斷增長(zhǎng)，生成的巖心薄片圖像越來(lái)越清晰(見(jiàn)圖9)。通過(guò)Wasserstein距離可以看出生成的樣本圖像經(jīng)過(guò)不斷訓(xùn)練后越來(lái)越接近真實(shí)圖像的分布，如圖10所示，當(dāng)?shù)螖?shù)大于720時(shí)，Wasserstein距離開(kāi)始收斂。此時(shí)，生成器和判別器接近最優(yōu)狀態(tài)，得到的生成圖像能夠以假亂真且可以生成多種類別的沉積巖巖心薄片圖像，可以將生成的圖像作為樣本擴(kuò)充數(shù)據(jù)集。

圖8 沉積巖巖心薄片樣本圖Fig.8 The sample of sedimentary rock core slice

圖9 生成圖像效果圖Fig.9 The effect of the generated image

圖10 Wasserstein距離Fig.10 Wasserstein distance

2.2.1 新增強(qiáng)算法與傳統(tǒng)增強(qiáng)方法對(duì)比

在相同的巖心薄片巖性識(shí)別模型下，使用新增強(qiáng)算法和傳統(tǒng)增強(qiáng)方法，對(duì)2種不同的數(shù)據(jù)增強(qiáng)方法的數(shù)據(jù)集進(jìn)行擴(kuò)充，獲得不同的數(shù)據(jù)集。傳統(tǒng)數(shù)據(jù)增強(qiáng)方法采用圖像旋轉(zhuǎn)、高斯噪聲、椒鹽噪聲、高斯模糊4種，其中圖像旋轉(zhuǎn)采用對(duì)每張圖像向左旋轉(zhuǎn)90°或180°或270°，每張圖像只旋轉(zhuǎn)一次，對(duì)原始數(shù)據(jù)集擴(kuò)充1倍。其他3種傳統(tǒng)增強(qiáng)方法均是對(duì)每張圖像進(jìn)行處理，對(duì)原數(shù)據(jù)集擴(kuò)充1倍。在生成對(duì)抗模型WGAN訓(xùn)練迭代800次完成后，使用生成器為訓(xùn)練集中每張圖像生成1張生成圖像，大約對(duì)原數(shù)據(jù)集擴(kuò)充1倍。再設(shè)置一組空白對(duì)照組，不對(duì)原始數(shù)據(jù)進(jìn)行擴(kuò)充。最終不同的數(shù)據(jù)增強(qiáng)方法下的巖心薄片巖性識(shí)別準(zhǔn)確率如表2所示。

由表2可知，采用不同的數(shù)據(jù)增強(qiáng)方法對(duì)巖心薄片巖性識(shí)別準(zhǔn)確率有很大影響。其中不使用增強(qiáng)算法時(shí)，巖性識(shí)別準(zhǔn)確率為88.62%。而使用高斯噪聲、椒鹽噪聲和高斯模糊數(shù)據(jù)增強(qiáng)方法的巖性識(shí)別準(zhǔn)確率均低于88.62%，其中高斯模糊增強(qiáng)算法效果最差。這是由于模糊處理后對(duì)巖心薄片的紋理特征進(jìn)行了破壞，使得準(zhǔn)確率下降嚴(yán)重。相比之下，圖像旋轉(zhuǎn)增強(qiáng)方法的準(zhǔn)確率上升1.5個(gè)百分點(diǎn)，是因?yàn)閿U(kuò)充了數(shù)據(jù)集的同時(shí)，沒(méi)有破壞圖像的顏色紋理特征，但同時(shí)也缺乏了圖像的多樣性，以致于巖性識(shí)別準(zhǔn)確率提升不高。而采用WGAN增強(qiáng)數(shù)據(jù)方法，相對(duì)于不增強(qiáng)時(shí)，準(zhǔn)確率提升5.16個(gè)百分點(diǎn)，是因?yàn)槔糜?xùn)練好的生成器模型生成的逼真圖像是原數(shù)據(jù)集沒(méi)有的，不僅擴(kuò)充了數(shù)據(jù)集，還增加了圖像的多樣性，使得模型的巖性識(shí)別準(zhǔn)確率有較大提高。

表2 不同數(shù)據(jù)增強(qiáng)方法下巖性識(shí)別準(zhǔn)確率

表3 遷移參數(shù)對(duì)巖性識(shí)別的影響

表4 不同方法下的巖性識(shí)別準(zhǔn)確率

2.2.2 模型參數(shù)遷移試驗(yàn)

在訓(xùn)練好的生成對(duì)抗網(wǎng)絡(luò)中，判別器已經(jīng)提取到了巖心薄片圖像的大量特征，因此通過(guò)遷移判別器模型卷積層的參數(shù)到巖心薄片巖性識(shí)別的模型當(dāng)中，固定卷積層的參數(shù)，只需要訓(xùn)練全連接層即可。通過(guò)遷移參數(shù)與不遷移參數(shù)2組試驗(yàn)數(shù)據(jù)對(duì)比，數(shù)據(jù)集采用WGAN數(shù)據(jù)增強(qiáng)方法。由表3可知，通過(guò)遷移訓(xùn)練好的生成對(duì)抗模型中判別器模型的參數(shù)，只需訓(xùn)練后兩層的全連接層和分類層，最終遷移參數(shù)后的巖心薄片巖性識(shí)別模型準(zhǔn)確率略高于不遷移的識(shí)別模型。原因是由于判別器的損失函數(shù)和巖心薄片巖性識(shí)別模型的損失函數(shù)不同，且二者訓(xùn)練方式不同，造成提取特征時(shí)有差異。從結(jié)果來(lái)看，判別器提取特征能力更為優(yōu)秀。

2.2.3 不同巖性識(shí)別方法對(duì)比

為了驗(yàn)證方法的優(yōu)劣性，通過(guò)與傳統(tǒng)方法相對(duì)比，進(jìn)行試驗(yàn)對(duì)比。試驗(yàn)一：采用人為提取巖心薄片的顏色特征和紋理特征，在HSV顏色特征空間下提取顏色特征[16]，利用LBP算子提取紋理特征[17]后使用PCA主成分降維[18]，獲取低維的紋理特征，再將顏色特征和紋理特征進(jìn)行融合，將融合后的特征對(duì)支持向量機(jī)(support vector machine，SVM)進(jìn)行訓(xùn)練學(xué)習(xí)，獲得一個(gè)SVM巖心薄片巖性識(shí)別分類器。試驗(yàn)二：利用巖心薄片圖像對(duì)WGAN進(jìn)行對(duì)抗訓(xùn)練，完成后，利用生成器對(duì)原數(shù)據(jù)集進(jìn)行增強(qiáng)，然后遷移判別器的卷積層參數(shù)到巖心薄片巖性識(shí)別模型，只需訓(xùn)練全連接層和分類層。試驗(yàn)三：采用經(jīng)典網(wǎng)絡(luò)模型AlexNet進(jìn)行巖性識(shí)別。數(shù)據(jù)集和試驗(yàn)一的數(shù)據(jù)相同，均為原始數(shù)據(jù)集。3種試驗(yàn)方法統(tǒng)計(jì)結(jié)果數(shù)據(jù)如表4所示。

通過(guò)試驗(yàn)一和試驗(yàn)二數(shù)據(jù)對(duì)比分析，“WGAN+判別器參數(shù)遷移”的巖心薄片巖性識(shí)別方法明顯優(yōu)于傳統(tǒng)方法。傳統(tǒng)方法是手動(dòng)提取特征，只能學(xué)習(xí)到巖心薄片圖像的淺層特征，而試驗(yàn)二通過(guò)對(duì)抗訓(xùn)練，卷積層可以提取更高維度的圖像特征，從而識(shí)別準(zhǔn)確率較高。試驗(yàn)三和試驗(yàn)二數(shù)據(jù)對(duì)比分析，雖然都是深度學(xué)習(xí)提取圖像特征，但是“WGAN+判別器參數(shù)遷移”方法可以通過(guò)生成對(duì)抗模型中的生成器擴(kuò)充數(shù)據(jù)集，并通過(guò)遷移判別器參數(shù)，保留對(duì)抗訓(xùn)練完成后判別器提取到的特征，使得筆者提出的“WGAN+判別器參數(shù)遷移”巖性識(shí)別模型的智能識(shí)別能力較強(qiáng)。該研究成果可以通過(guò)模型智能識(shí)別巖心薄片的巖性，既提高了識(shí)別速度，又降低了對(duì)地質(zhì)專家的依賴性，具有廣泛的應(yīng)用價(jià)值。

3 結(jié)語(yǔ)

目前關(guān)于巖心薄片圖像巖性識(shí)別的研究鮮有成果，針對(duì)傳統(tǒng)人工鑒定方法的缺陷和目前較少將生成對(duì)抗網(wǎng)絡(luò)應(yīng)用于巖心薄片的巖性識(shí)別的現(xiàn)狀，通過(guò)研究首次提出一種基于生成對(duì)抗網(wǎng)絡(luò)的巖心薄片巖性智能識(shí)別方法。該方法可以通過(guò)訓(xùn)練好的生成對(duì)抗模型中的生成器生成巖心薄片圖像，擴(kuò)充原始巖心薄片圖像數(shù)據(jù)集，增加數(shù)據(jù)集的多樣性，可以提高模型預(yù)測(cè)精度。相對(duì)傳統(tǒng)數(shù)據(jù)增強(qiáng)方法，提出的基于生成對(duì)抗網(wǎng)絡(luò)的巖心薄片巖性智能識(shí)別方法對(duì)于巖心薄片巖性識(shí)別準(zhǔn)確率有明顯提高。判別器參數(shù)遷移到巖心薄片巖性識(shí)別模型中，保留了判別器提取的巖心薄片特征，進(jìn)一步提高了巖性識(shí)別準(zhǔn)確率。通過(guò)試驗(yàn)數(shù)據(jù)對(duì)比分析，證明該方法可以提高巖心薄片巖性智能識(shí)別精度，精度高達(dá)94.93%，完全能夠滿足生產(chǎn)實(shí)踐的要求。