【技术实现步骤摘要】
本专利技术针对岩石识别，具体是一种基于注意力引导和多特征融合的岩石图像分类方法。
技术介绍
1、岩石图像分类是研究地质储层特性的重要基础，在岩土工程、矿物学、岩石学、岩石力学以及矿产资源勘探等多个领域中发挥着关键作用。传统上，岩石分类依赖于专业人员的经验和精密仪器的准确性，他们使用专门设备从岩石图像中提取有价值的信息特征，从而对岩石进行分类。然而，这种方法往往受限于实验设备的专业化程度及研究人员的专业知识水平，导致过程耗时较长且效率较低。近年来，随着计算机视觉技术的发展，自动化识别岩石图像已经成为了一个重要的研究课题。这一新兴技术旨在通过自动化技术分析和理解岩石图像，减少人为因素带来的偏差，提高分类的准确性和速度，为岩石科学及相关领域的研究提供更加高效可靠的工具。
技术实现思路
1、针对上述现有技术的不足，本专利技术提供一种基于注意力引导和多特征融合的岩石图像分类方法，提高了分类的准确性和速度。
2、本专利技术提供的技术方案：一种基于注意力引导和多特征融合的岩石图像分类方法，包括以下步骤：
3、(1)构建岩石数据集，对数据集进行数据增强操作，然后将数据集分为训练集和测试集；
4、(2)构建以残差神经网络resnet-50为主干的网络结构，将准备好的训练集输入到网络结构中进行训练，提取第三阶段特征
5、(3)将第三阶段特征输入至空间-通道注意力模块中，以捕捉到最显著的岩石特征，并输出具有显著性的空间特征和通道特征
6、(4)
7、(5)利用测试集进行验证，使用交叉熵损失函数来度量模型预测标签与实际真实标签之间的差异，评估岩石分类的准确性，得到训练好的岩石图像分类模型；
8、(6)利用所述岩石图像分类模型对岩石图像进行识别分类，得到岩石类型的名称。
9、进一步的，所述岩石数据集包括黑色煤、深灰色泥岩、深灰色粉质泥岩、灰黑色泥岩、灰色泥质粉砂岩、灰色细砂岩和浅灰色细砂岩共7个不同类别，共计315张岩石图像。
10、进一步的，所述数据增强操作包括：旋转、裁剪、缩放、拉伸、平移以及模糊操作，增强后的数据集共包含7000张图像，每类岩石各1000张。
11、进一步的，所述步骤(1)中按照4:1的比例将数据集划分为训练集和测试集。
12、进一步的，所述步骤(2)中构建以残差神经网络resnet-50为主干的网络结构，设置训练网络的输入层图像大小、损失函数、学习率、优化器、训练批量，并输出resnet-50第三阶段的特征
13、进一步的，所述步骤(3)具体为：
14、首先利用沿通道维度的全局最大值和全局平均池化提取f3的全局空间信息，并结合1×1卷积和sigmoid激活函数生成空间注意力矩阵
15、spa＝sigmoid(1×1conv(concat(gmp(f3),gap(f3))))
16、式中，1×1conv表示1×1卷积，concat表示矩阵连接,gmp和gap分别表示全局最大值和全局平均池化；
17、然后沿空间维度的全局最大值和全局平均池化，结合多层感知器和sigmoid函数获取f3的通道注意力矩阵
18、
19、式中，mlp表示多层感知器；
20、最后进一步利用矩阵乘法对原始特征f3重新加权，以获得具有显著性的空间特征和通道特征
21、
22、进一步的，所述步骤(4)具体为：
23、首先将具有空间和通道显著性的特征和分别送入resnet-50的第四阶段进一步学习，生成特征和随后通过矩阵连接操作将和连接起来，输出融合后的特征接着利用全局平均池化和全连接层获取和的特征向量，并利用矩阵加法将这些特征向量进行整合，最后利用softmax函数输出预测标签y，具体公式为：
24、
25、进一步的，所述步骤(5)中交叉熵损失函数为：
26、
27、式中，n为训练样本个数，yi为第i个样本的预测标签，是第i个样本的真实标签。
28、进一步的，所述步骤(5)中评估岩石分类的准确性的指标包括精准率p、召回率r和f1-score，
29、
30、式中，tp、fp分别预测正确和错误的图像数量，fn表示未识别出的图像数量。
31、本专利技术首先利用数据增强技术预处理原始图像，随后通过resnet-50网络提取特征，此外，在编码阶段，设计了一种空间-通道注意力模块，同时考虑特征的空间分布与不同通道的重要性，确保在少量样本条件下也能获得高质量的岩石特征表示。在解码阶段，设计了一种多特征融合模块，有效融合经过空间和通道注意力机制强化后的特征，促进岩石种类的精确划分。在公开数据集上进行实验验证，本专利技术的方法分类精度较高，精准率为97.03％、召回率为96.42％和f1分数为96.72％。
本文档来自技高网...【技术保护点】
1.一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述岩石数据集包括黑色煤、深灰色泥岩、深灰色粉质泥岩、灰黑色泥岩、灰色泥质粉砂岩、灰色细砂岩和浅灰色细砂岩共7个不同类别，共计315张岩石图像。
3.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述数据增强操作包括：旋转、裁剪、缩放、拉伸、平移以及模糊操作，增强后的数据集共包含7000张图像，每类岩石各1000张。
4.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(1)中按照4:1的比例将数据集划分为训练集和测试集。
5.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(2)中构建以残差神经网络ResNet-50为主干的网络结构，网络训练前，设置训练网络的输入层图像大小、损失函数、学习率、优化器、训练批量，提取网络输出的第三阶段特征以进入后续空
6.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(3)具体为：
7.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(4)具体为：
8.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，
9.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(5)中评估岩石分类的准确性的指标包括精准率P、召回率R和F1-score，
...【技术特征摘要】
1.一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述岩石数据集包括黑色煤、深灰色泥岩、深灰色粉质泥岩、灰黑色泥岩、灰色泥质粉砂岩、灰色细砂岩和浅灰色细砂岩共7个不同类别，共计315张岩石图像。
3.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述数据增强操作包括：旋转、裁剪、缩放、拉伸、平移以及模糊操作，增强后的数据集共包含7000张图像，每类岩石各1000张。
4.根据权利要求1所述的一种基于注意力引导和多特征融合的岩石图像分类方法，其特征在于，所述步骤(1)中按照4:1的比例将数据集划分为训练集和测试集。
5.根据权利要求1所述的一种基于注意力引导和多特征融...
【专利技术属性】
技术研发人员：曾庆梓，刘术湘，徐牧明，胡鹏飞，万幸，
申请(专利权)人：中冶武勘工程技术有限公司，
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。