【技术实现步骤摘要】
本申请涉及图像识别，尤其涉及基于深度学习的岩芯图像识别方法。
技术介绍
1、工程地质钻探是各类工程获取地下岩土信息的重要手段之一，钻探岩芯照片能够直观的反映地下岩土体的实际情况，是保存地质信息的重要原始资料。目前，在工程地质钻探工作中，岩芯照片获取依然以人工拍摄为主，大量耗费人力的同时，也因拍摄设备不同，拍摄时角度、高度条件等差异，导致获取到的岩芯照片精度差，识别率低，钻探工作结束后，难以对地层信息进行核实。
2、其次，岩芯照片拍摄受环境影响存在不同光照强度，物体之间的相互遮挡，阴影覆盖等一系列不确定因素，也会造成岩芯照片清晰度不足；此外，同一地区相邻工程往往具有借鉴性，工程前期研究时可参考相邻工程的钻探资料，因此，也需要使用预处理方法将前期积累的岩芯照片标准化到一定的格式状态，方便统一使用。
3、另外，传统岩芯识别主要依靠人眼观察分析并提取岩石特征，在此基础上区分岩芯种类，但判断准确性依赖于个人地质水平和工程经验，主观性强，且同一工程不同人员判断标准不同，质量和准确性得不到保障，也难以得到实时反馈。
4、因此，如何有效提高岩芯图像识别的效率及准确性是目前亟需解决的一个问题。
5、上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。
技术实现思路
1、本申请的主要目的在于提供一种基于深度学习的岩芯图像识别方法，旨在解决如何有效提高岩芯图像识别的效率及准确性的技术问题。
2、为实现上述目的，本申请提出一种
3、采集岩芯图像；
4、对所述岩芯图像进行标准化处理，得到岩芯图像柱状图；
5、基于所述岩芯图像柱状图构建岩芯识别模型；
6、通过所述岩芯识别模型对待识别岩芯图像进行识别，得到标识框和岩芯种类。
7、在一实施例中，所述对所述岩芯图像进行标准化处理，得到岩芯边界，包括：
8、对所述岩芯图像进行透视矫正，得到矫正后的岩芯图像；
9、对所述矫正后的岩芯图像进行去噪，得到目标岩芯图像；
10、根据所述目标岩芯图像确定岩芯边界；
11、根据所述岩芯边界对所述岩芯图像进行分割和拼接，得到岩芯图像柱状图。
12、在一实施例中，所述对所述矫正后的岩芯图像进行去噪，得到目标岩芯图像，包括：
13、对所述矫正后的岩芯图像进行边缘检测，得到图像边缘信息以及初步去噪后的岩芯图像；
14、根据所述图像边缘信息对所述初步去噪后的岩芯图像进行二次去噪，得到目标岩芯图像。
15、在一实施例中，所述根据所述目标岩芯图像确定岩芯边界，包括：
16、根据所述目标岩芯图像确定标准直线和连通域；
17、根据所述连通域进行岩芯柱边缘直线提取，得到实际直线；
18、根据所述标准直线和所述实际直线进行合并，得到岩芯边界。
19、在一实施例中，所述基于所述岩芯图像柱状图构建岩芯识别模型，包括：
20、基于yolov8神经网络构建初始岩芯识别模型；
21、根据所述岩芯图像柱状图进行预处理，得到数据集；
22、根据所述数据集对所述初始岩芯识别模型进行训练和验证，得到岩芯识别模型。
23、在一实施例中，所述根据所述岩芯图像柱状图进行预处理，得到数据集，包括：
24、对所述岩芯图像柱状图进行剪裁，得到剪裁后的岩芯图像；
25、对所述剪裁后的岩芯图像进行岩性标注，得到标注后的岩芯图像；
26、根据所述标注后的岩芯图像柱状图确定数据集。
27、在一实施例中，所述根据所述数据集对所述初始岩芯识别模型进行训练和验证，得到岩芯识别模型，包括：
28、将所述数据集根据预设比例进行划分，得到训练集和测试集；
29、通过所述训练集对所述初始岩芯识别模型进行训练，得到训练后的初始岩芯识别模型；
30、通过所述测试集对所述训练后的初始岩芯识别模型进行验证，得到模型准确率；
31、在所述模型准确率达到预设准确率阈值或当前训练次数达到预设训练次数阈值时，将所述训练后的初始岩芯识别模型作为岩芯识别模型；
32、在所述模型准确率达到预设准确率阈值且当前训练次数未达到预设训练次数阈值时，调整所述初始岩芯识别模型的参数并执行所述通过所述训练集对所述初始岩芯识别模型进行训练，得到训练后的初始岩芯识别模型的步骤。
33、此外，为实现上述目的，本申请还提出一种基于深度学习的岩芯图像识别装置，所述基于深度学习的岩芯图像识别装置包括：
34、采集模块，用于采集岩芯图像；
35、处理模块，用于对所述岩芯图像进行标准化处理，得到岩芯图像柱状图；
36、构建模块，用于基于所述岩芯图像柱状图构建岩芯识别模型；
37、识别模块，用于通过所述岩芯识别模型对待识别岩芯图像进行识别，得到标识框和岩芯种类。
38、此外，为实现上述目的，本申请还提出一种基于深度学习的岩芯图像识别设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述计算机程序配置为实现如上文所述的基于深度学习的岩芯图像识别方法的步骤。
39、此外，为实现上述目的，本申请还提出一种存储介质，所述存储介质为计算机可读存储介质，所述存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于深度学习的岩芯图像识别方法的步骤。
40、此外，为实现上述目的，本申请还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被处理器执行时实现如上文所述的基于深度学习的岩芯图像识别方法的步骤。
41、本申请提供了一种基于深度学习的岩芯图像识别方法，本申请通过首先采集岩芯图像，能够准确捕捉岩芯的微细结构和特征，减小了人为拍摄的干扰；对所述岩芯图像进行标准化处理，得到岩芯图像柱状图，能够提高图像清晰度；基于所述岩芯图像柱状图构建岩芯识别模型，能够有效提高模型精度；通过所述岩芯识别模型对待识别岩芯图像进行识别，得到标识框和岩芯种类，能够有效提高岩芯图像识别的效率及准确性。
42、综上可知，本申请通过采集岩芯图像并进行标准化处理得到岩芯图像柱状图，进而基于岩芯图像柱状图构建岩芯识别模型识别待识别岩芯图像的岩芯种类，克服了人工对岩土地质类别的判定存在误差，识别的效率及准确性低的技术缺陷，能够有效提高岩芯图像识别的效率及准确性。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的岩芯图像识别方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对所述岩芯图像进行标准化处理，得到岩芯图像柱状图，包括：
3.如权利要求2所述的方法，其特征在于，所述对所述矫正后的岩芯图像进行去噪，得到目标岩芯图像，包括：
4.如权利要求2所述的方法，其特征在于，所述根据所述目标岩芯图像确定岩芯边界，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述岩芯图像柱状图构建岩芯识别模型，包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述岩芯图像柱状图进行预处理，得到数据集，包括：
7.如权利要求5所述的方法，其特征在于，所述根据所述数据集对所述初始岩芯识别模型进行训练和验证，得到岩芯识别模型，包括：
8.一种基于深度学习的岩芯图像识别装置，其特征在于，所述基于深度学习的岩芯图像识别装置包括：
9.一种基于深度学习的岩芯图像识别设备，其特征在于，所述基于深度学习的岩芯图像识别设备包括：存储器、处理器及存储在所述存储器上并可在所
10.一种存储介质，其特征在于，所述存储介质上存储有基于深度学习的岩芯图像识别程序，所述基于深度学习的岩芯图像识别程序被处理器执行时实现如权利要求1至7中任一项所述的基于深度学习的岩芯图像识别方法。
...【技术特征摘要】
1.一种基于深度学习的岩芯图像识别方法，其特征在于，所述方法包括：
2.如权利要求1所述的方法，其特征在于，所述对所述岩芯图像进行标准化处理，得到岩芯图像柱状图，包括：
3.如权利要求2所述的方法，其特征在于，所述对所述矫正后的岩芯图像进行去噪，得到目标岩芯图像，包括：
4.如权利要求2所述的方法，其特征在于，所述根据所述目标岩芯图像确定岩芯边界，包括：
5.如权利要求1所述的方法，其特征在于，所述基于所述岩芯图像柱状图构建岩芯识别模型，包括：
6.如权利要求5所述的方法，其特征在于，所述根据所述岩芯图像柱状图进行预处理，得到数据集，包括：
7.如权利要求5所述的方法，其特征在于，所述根据所述数据集对...
【专利技术属性】
技术研发人员：李时亮，曾长贤，董跃龙，张占荣，王亚飞，林成远，王卫国，岳建刚，
申请(专利权)人：中铁第四勘察设计院集团有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。