一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法技术

本发明专利技术公开了一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法，包括以下步骤：结合图像压缩重构和化石粗定位进行多任务学习，建立孢粉化石显微图像筛选网络；学习图像压缩网络将896

【技术实现步骤摘要】
一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法


[0001]本专利技术属于油气藏勘探开发
，具体来说涉及一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法。

技术介绍

[0002]孢粉化石鉴定是石油勘探中确定钻井地层时代及地层对比的重要依据，还可为寻找生油层和储油层提供重要的古环境信息。岩石中的孢粉化石与有机质共同保存于地层中，无法将孢粉化石与有机质完全的分离，因此，孢粉化石图像通常会混有大量的有机质图片，为孢粉化石的鉴定及采集带来了很大的难度。
[0003]以往孢粉鉴定及化石图像采集完全依靠人工，采集过程复杂，每个化石图像采集都需要进行调焦、化石找寻、采集、定位等步骤，不断的进行显微镜观察，寻找可用于图像采集的化石，为了达到最佳的拍摄效果要反复调节焦距及化石位置，才能完成一张图像的拍摄。因此，孢粉化石图像人工采集，需要耗费大量的时间，鉴定人员长期进行显微镜观察也容易造成颈椎及眼睛的疲劳。
[0004]为提升孢粉化石鉴定工作效率、降低实验人员不必要的工作强度。支持自动聚焦、扫描显微镜设备已被应用于孢粉化石鉴定实际生产之中。借助于该类设备，仅需借助少量的人工校准，便可实现可对待分析孢粉样品进行自动聚焦和持续扫描拍照，一次性获取整个样品的数千张图像。虽然这种设备能够有效替代繁琐的人工聚焦和拍摄工作，但它也带来了一个新的问题：对于待分析的样本而言，在自动拍摄的数千张图像之中仅有几十到几百张图像真正含有值得分析的完整孢粉化石，而其余的绝大多数图像为无效图像。这就要求实验分析人员对所拍摄的数千张图像逐一进行分析和筛选，这依旧是一项繁琐的工作任务。
[0005]从本质上来讲，上述的孢粉化石显微图像筛选过程为一个典型的图像二分类任务。近年来，随着深度学习的技术的发展，各类基于深度卷积网络的计算视觉技术得到广泛应用。例如常见的GoogleNet、VGG、ResNet、DenseNet等图像分类网络在ImageNet等自然图像数据集上的分类准确率可达到接近90％。参考这一成功应用，同样可以考虑通过建立以自动拍摄的显微图像为输入的深度卷积网络，快速、自动、准确地给出其是否为有效图像的结论。但是使用现有深度学习技术进行孢粉化石显微图像的自动筛选存在着以下问题：
[0006](1)现有的GoogleNet
[1]、VGG
[2]、ResNet
[3]、DenseNet
[4]等图像分类网络往往以224
×
224或256
×
256像素大小的小图像为输入，而待筛选的孢粉化石显微图像尺寸较大(例如1900
×
1180像素大小)。如果直接以这种大型图像为输入设计卷积网络，将导致网络模型异常巨大。与此同时，所拍摄的孢粉化石图像尺寸从高1000到2000像素、宽1500到3000像素不等，难以使用固定输入大小的图像分类网络进行预测。
[0007](2)例如ImageNet中的图像分类任务，待识别的物体往往位于图像中央、占据图像绝大多数区域、且相对于图像中的其他物体非常显著。但是对于待筛选的孢粉化石显微图
像(如附图1中所示)，有效孢粉化石形态多样、随机分布于图像中的任意位置、占据整体图像面积往往不到20％、且与无效的破碎化石及图像杂质等非常相似。之而导致与ImageNet中的图像分类任务相比，该图像分类学习任务的学习不明确，直接使用现有的深度学习图像分类学习方式难以取得理想的效果。
[0008]因此，研发出一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法，仍是本领域亟待解决的问题之一。

技术实现思路

[0009]针对古生物鉴定
的孢粉化石显微镜下识别分析任务中所涉及的图像采集工作环节，本专利技术结合设计了一种深度学习方法来建立图片筛选网络，以实现从大量自动扫描拍摄的孢粉化石显微图像中筛选出包含化石的有效图像。该方法采用多任务学习的方式，结合图像压缩学习、粗略定位学习和图像分类学习三类深度学习任务，实现快速、准确的孢粉化石显微图像筛选预测。
[0010]本专利技术是通过以下技术方案实现的：
[0011]一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法，包括
[0012]步骤一、结合图像压缩重构和化石粗定位进行多任务学习，建立孢粉化石显微图像筛选网络；
[0013]步骤二、学习图像压缩网络将896
×
896大小图像压缩为242
×
242大小作为后继筛选网络的输入；
[0014]步骤三、使用7
×
7热力图预测学习取代整体常规二分类预测学习，降低筛选网络学习难度、提高筛选网络预测精度；
[0015]在上述技术方案中，所述的图像压缩网络学习和部署方式如下所述：
[0016](
ⅰ
)结合压缩/重构损失和粗定位损失进行图像压缩网络学习，使压缩结果在保持原图信息的同时有效支撑后继粗定位任务；
[0017](
ⅱ
)级联图像压缩网络和化石粗定位网络进行预测，使得粗定位网络能够处理更大的图像、提升孢粉化石图像筛选的效率。
[0018]在上述技术方案中，所述的使用热力图预测粗定位改进孢粉化石筛选网络的实现方法如下所述：
[0019](
ⅰ
)通过建立从242
×
242压缩图像到7
×
7热力图的映射，实现对输入图像中孢粉化石的粗定位，进而间接推断输入图像是否为有效图像。
[0020](
ⅱ
)粗定位网络学习的样本制作及损失函数，包括如何结合输入图像中有效孢粉化石位置制作标签，及在此基础上的损失函数计算方法；
[0021](
ⅲ
)结合图像压缩网络和粗定位网络以遍历切块的方式对大型孢粉显微图像进行预测，进而实现有效化石筛选。
[0022]与现有技术相比，本专利技术的优点在于：
[0023]本专利技术公开了一种针对大尺寸孢粉化石图像自动智能筛选的深度学习方法，实现快速、准确地从大量孢粉化石显微中筛选出包含化石的有效图像。本专利技术一方面针对孢粉化石图像尺寸大且多变的问题，提出一种结合图像压缩和分块预测的方法，使得能够使用现有以小尺寸图像为输入的深度学习网络来快速进行筛选。另一方面则通过使用化石粗略
定位学习替代直接二分类学习，降低孢粉化石图像筛选分类的学习难度。本专利技术方法通过图像压缩学习、粗略定位学习和图像分类学习三类深度学习任务的结合，在提升孢粉显微图像化石筛选分类预测准确率的同时，有效提高现有深度学习图像分类技术的对大尺度孢粉图像的处理效率。本专利技术技术能够有效取代现有图像人工筛选过程，将其应用于孢粉化石鉴定工作流程中能够有效提升工作效率。
附图说明
[0024]图1为本专利技术中所待筛选处理的部分无效和有效孢粉化石图像示例。其中红色虚线框标注的为值得分析的有效孢粉化石，而绿色虚线框标注的为由于化石残缺、化石模糊及化石位于图像中本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法，其特征在于：步骤一、结合图像压缩重构和化石粗定位进行多任务学习，建立孢粉化石显微图像筛选网络；步骤二、学习图像压缩网络将896
×
896大小图像压缩为242
×
242大小作为后继筛选网络的输入；步骤三、使用7
×
7热力图预测学习取代整体常规二分类预测学习，降低筛选网络学习难度、提高筛选网络预测精度。2.根据权利要求1所述的一种多任务深度学习增强的智能孢粉化石显微图像快速筛选的方法，其特征在于：所述的图像压缩网络学习和部署方式如下所述：(
ⅰ
)结合压缩/重构损失和粗定位损失进行图像压缩网络学习，使压缩结果在保持原图信息的同时有效支撑后继粗定位任务；(
ⅱ
)级联图像...

【专利技术属性】
技术研发人员：税蕾蕾，万欢，魏文艳，史长林，曲日涛，庾永钊，齐玉民，韩东，杨雄涛，邱琨祁，杨纪磊，陈书伟，覃军干，石松涛，
申请(专利权)人：中海油能源发展股份有限公司，
类型：发明
国别省市：