【技术实现步骤摘要】
本专利技术涉及岩石薄片图像智能分析系统，特别是基于深度学习的岩石薄片图像智能分析系统及其方法。
技术介绍
1、随着地质学研究的深入，岩石薄片分析在矿物学、沉积学和石油地质学等领域扮演着越来越重要的角色。传统的岩石薄片分析主要依赖于专业地质学家通过显微镜观察来进行，这种方法虽然可靠，但耗时耗力，且存在主观性和一致性问题。近年来，随着计算机视觉和图像处理技术的发展，自动化岩石薄片分析方法逐渐兴起。
2、早期的自动化方法主要基于传统的图像处理技术，如阈值分割、边缘检测等。这些方法在处理简单的矿物组成时表现尚可，但面对复杂的岩石薄片时，往往难以准确识别多种矿物和复杂的孔隙结构。随后，机器学习方法，特别是支持向量机(svm)和随机森林等算法被引入到岩石薄片分析中，提高了分析的准确性。然而，这些方法仍然需要手工设计特征，难以充分利用图像中的全部信息。
3、近年来，深度学习技术的兴起为岩石薄片分析带来了新的机遇。一些研究者尝试使用卷积神经网络(cnn)来进行矿物识别和孔隙结构分割。这些方法相比传统方法有了显著提升，但仍然存在一些关键问题。首先，现有的深度学习方法大多采用标准的网络结构，如u-net或fcn，这些结构虽然在医学图像等领域表现出色，但并未针对岩石薄片的特殊性进行优化。岩石薄片中矿物颗粒大小差异显著，从微米级到毫米级不等，标准网络结构难以同时捕获这些不同尺度的特征。
4、其次，现有方法在处理高分辨率岩石薄片图像时，常常面临计算效率低下的问题。为了保证识别精度，不得不牺牲处理速度，这大大限制了方法在
5、鉴于上述问题，亟需一种能够高效、准确地分析高分辨率岩石薄片图像，同时提供直观可视化结果的智能分析系统。
技术实现思路
1、本专利技术正是针对这一需求而提出的。通过创新的网络结构设计，本专利技术能够同时处理不同尺度的矿物特征，大幅提高识别准确率。同时，本专利技术采用了高效的特征融合策略，在提高精度的同时，显著降低了计算复杂度，实现了高效处理。此外，本专利技术还提供了灵活的可视化模块，使得分析结果更加直观易懂。
2、本专利技术提出了基于深度学习的岩石薄片图像智能分析系统，该系统包括：岩石薄片图像预处理模块，用于对采集到的高分辨率岩石薄片图像进行灰度化、gamma校正、滤波和直方图均衡化操作，以去除光照不均和噪声干扰，改善图像质量；
3、矿物及孔隙结构识别模块，使用深度神经网络模型提取图像的局部和多尺度信息，通过特征映射处理经预处理的岩石薄片图像，获得矿物和孔隙的高置信度分割掩码图像；
4、结果可视化模块，将所述分割掩码图像与原始岩石薄片图像进行空间上的特征融合，实现分割结果与原始图像的融合显示。
5、优选地，所述岩石薄片图像预处理模块包括：
6、图像灰度化转换单元，通过对岩石薄片图像通道的降维来减少数据的维度；图像gamma校正单元，调整图像的对比度，其中gamma校正公式为：其中iout为输出图像，iin为翰入图像，a为常数，γ为gamma值；
7、图像滤波单元，包括低通滤波、中值滤波和高斯滤波；
8、图像直方图均衡化单元，将原始图像的灰度直方图从比较集中的某个灰度区间变成在全部灰度范围内的均匀分布。
9、优选地，所述矿物及孔隙结构识别模块包括：
10、训练图像分割单元，将岩石薄片图像和分割掩码图像进行标签化处理，将岩石薄片图像像素和图像类别进行绑定，然后结合到一起形成训练数据集；岩石薄片图像深度神经网络模型，该模型从全局和局部两个层次对岩石薄片图像进行融合特征映射，然后生成高置信度分割掩码图像。
11、优选地，所述岩石薄片图像深度神经网络模型包括：
12、全局特征提取子模块，将原始岩石薄片图像通过卷积层和池化层进行全局的特征提取，然后经过relu激活函数和批量归一化处理；
13、多重感受野图像池化模块，在同一个块中采用三个不同大小的卷积核作为过滤器，通过深度可分离卷积操作分别提取了不同感受野的特征，通过特征拼接的方式聚合全局和局部特征信息；
14、多尺度特征融合模块，将全局特征提取子模块的多尺度特征和多重感受野图像池化模块特征在通道方向上拼接在一起，以形成多尺度的融合特征；
15、多类别图像分割模块，将多尺度的融合特征进行像素级分类，在特征图上每个像素点上预测属于各个类别的概率，通过softmax激活函数获得高置信度分割掩码图像，其中softmax函数定义为：其中zi为第i个类别的预测得分，σ(z)i为第i个类别的预测概率。
16、优选地，所述多重感受野图像池化模块包括：
17、原始岩石薄片图像输入单元，与多个卷积核大小不同但步长相同的过滤器进行深度卷积操作；
18、全局特征提取单元，对处理原始岩石薄片图像得到全局特征；
19、深层特征提取单元，包括不同尺度的过滤器、特征拼接单元和特征压缩器，其中不同尺度的过滤器通过深度卷积操作分别提取不同感受野的特征，特征拼接单元将所有不同尺度的过滤器提取到的特征在同一通道进行拼接，特征压缩器将所有不同尺度的过滤器提取的局部特征的通道数压缩为与全局特征相同的通道数。
20、优选地，所述结果可视化模块采用图像融合方法将掩码图像与原始岩石薄片图像合并，以直观观察岩石薄片微观结构，包括岩石薄片图像与掩码图像的拼接和岩石薄片图像与掩码图像的重叠显示，其中图像融合采用加权平均法，融合公式为：f(x，y)＝w1·i1(x，y)+w2·i2(x，y)，其中f(x，y)为融合后的图像，i1(x，y)和i2(x，y)分别为原始图像和掩码图像，w1和w2为权重系数，且w1+w2＝1。
21、根据所述的系统的基于深度学习的岩石薄片图像智能分析方法，该方法包括以下步骤：
22、获取岩石薄片的全色图像；
23、对获取的原始图像进行预处理，包括对图像进行灰度化、gamma校正、滤波和直方图均衡化操作；
24、采集矿物及孔隙图像数据和对应图像掩码图像数据；
25、对预处理后的图像进行标签化处理，将岩石薄片图像像素和图像类别进行绑定，然后结合到一起形成训练数据集；
26、将训练数据集和标签数据进行交叉验证以获得分类模型的最优参数和模型训练，训练出矿物及孔隙结构识别模型；
27、使用所述矿物及孔隙结构识别模型分割岩石薄片图像获取高置信度分割掩码图像，并进行形态学处理改善掩码图像的质量和边缘平滑度；
28、将所述掩码图像与原始岩石薄片图像进行空间上的特征融合，形成合并图像；
29、将所述岩石薄片图像、掩码图像和合并图像进行可视化。
30、优本文档来自技高网...
【技术保护点】
1.基于深度学习的岩石薄片图像智能分析系统，其特征在于，该系统包括：
2.根据权利要求1所述的系统，其特征在于，所述岩石薄片图像预处理模块包括：
3.根据权利要求1所述的系统，其特征在于，所述矿物及孔隙结构识别模块包括：
4.根据权利要求3所述的系统，其特征在于，所述岩石薄片图像深度神经网络模型包括：
5.根据权利要求4所述的系统，其特征在于，所述多重感受野图像池化模块包括：
6.根据权利要求1所述的系统，其特征在于，所述结果可视化模块采用图像融合方法将掩码图像与原始岩石薄片图像合并，以直观观察岩石薄片微观结构，包括岩石薄片图像与掩码图像的拼接和岩石薄片图像与掩码图像的重叠显示，其中图像融合采用加权平均法，融合公式为：F(x，y)＝w1·I1(x，y)+w2·I2(x，y),其中F(x，y)为融合后的图像，I1(x，y)和I2(x，y)分别为原始图像和掩码图像，w1和w2为权重系数，且w1+w2＝1。
7.根据权利要求1-6任一项所述的系统的基于深度学习的岩石薄片图像智能分析方法，其特征在于，该方法包括以下步
8.根据权利要求7所述的方法，其特征在于，所述矿物及孔隙结构识别模型的训练过程包括：
9.根据权利要求7所述的方法，其特征在于，所述形态学处理包括：
10.根据权利要求7所述的方法，其特征在于，所述可视化步骤包括：
...【技术特征摘要】
1.基于深度学习的岩石薄片图像智能分析系统，其特征在于，该系统包括：
2.根据权利要求1所述的系统，其特征在于，所述岩石薄片图像预处理模块包括：
3.根据权利要求1所述的系统，其特征在于，所述矿物及孔隙结构识别模块包括：
4.根据权利要求3所述的系统，其特征在于，所述岩石薄片图像深度神经网络模型包括：
5.根据权利要求4所述的系统，其特征在于，所述多重感受野图像池化模块包括：
6.根据权利要求1所述的系统，其特征在于，所述结果可视化模块采用图像融合方法将掩码图像与原始岩石薄片图像合并，以直观观察岩石薄片微观结构，包括岩石薄片图像与掩码图像的拼接和岩石薄片图像与...
【专利技术属性】
技术研发人员：李博南，李恩凯，符伟，王冲冲，周子铭，
申请(专利权)人：南京工业大学，
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。