基于深度学习的介形类化石层次化识别

介形类化石对地质年代的确定、古湖泊和古海洋的研究、古环境的重建以及海底石油资源的勘探等工作都具有重要意义.然而,现有识别化石颗粒的方法费时费力,准确率也有待提高.鉴于介形类化石颗粒的类别具有科、属、种的层次结构,种类数量庞大,所以笔者等提出了一种层次化识别方法.首先进行目标检测,实现介形类化石的定位与属类划分;之后在目...     

塔里木盆地东北地区早二叠世介形类化石

本文记了塔里木盆地东北地区早二叠世介形类化石,化石采自柯坪县丘达依萨依剖面萨热哲依组,共计９属１５种,其中１０新种,并建立了Ｒｏｕｎｄｙｅｌｌａ－Ｈｅａｌｄｉａ－Ｓｕｌｃｅｌｌａ－Ｂａｉｒ－ｄｉａ介形类组合,此组合明显不同于以Ｂａｉｒｄｉａ为主的中国南方早二叠世介形类动物群。     

塔里木盆地北部井中早石炭世介形类化石

记述了塔里木盆地下石炭统介形类化石。化石主要采自塔北井下双峰灰岩之上的央拜希组。自上而下有３个组合（１）Ｐａｒａｐａｒｃｈｉｔｅ－Ｍｉｃｒｏｃｈｅｉｌｉｎｅｌｌａ－Ｂａｉｒｄｉａ;（２）Ｐａｒａｃｕａｒｂｏｐｒｉｍｉｔｉａ－Ｃａｖｅｌｌｉｎａ;（３）Ｈｅａｌｄｉａｎｅｌｌａ－Ｂｙｔｈｏｃｙｐｒｉｓ。化石组合的地质时代为早石炭世中期－晚期。     

新疆晚白垩世非海相介形类化石

经过多年地面与井下工作,对新疆晚白垩世非海相地层的岩性特征、沉积环境、厚度变化及分布规律有了进一步认识.这套红色地层在不同时期、不同地段分布范围有所扩大或缩小,沉积厚度变化也较大,岩性单一,沉积环境单调,反映出气候较干燥,处于氧化及蒸发环境,生物化石较贫乏,多出现于零星层段中.介形类化石在准噶尔盆地及吐鲁番盆地中数量较多,塔里木盆地中零星可见,反映出当时为偏淡水浅水环境,主要为河流.浅湖环境,显示出晚白垩世生物群变化特征,化石组合特征明显,建立了3个介形类化石组合,为新疆地区晚白垩世陆相地层划分与对比起到了较好的作用.     

基于深度学习单阶段算法的?类化石检测

化石是石炭纪、二叠纪重要的标准化石,其详细的鉴定工作对确定地质时代和划分石炭系-二叠系具有重要意义.鉴于目前?类化石检测方法的局限性,提出一种基于深度学习单阶段算法的?类化石检测.以?类化石为研究对象,对原始模型进行分析,之后联合优化权重损失函数和BN层尺度因子的L1正则化等方式进行通道剪枝,再使用知识蒸馏使剪枝后模型恢复检测性能.实验结果表明,该方法可实现薄片图像中?类所在区域的定位和分类,平均精度均值达到98.1%,满足实时检测模型的要求,并且剪枝后参数量压缩了74.1%,解决了真实场景中存在的算力缺乏等问题.该方法能够有效保证?类化石的检测效果,同时扩展了该模型在嵌入式设备的适用范围,为深度学习在古生物化石图像的智能识别方面提供更多可能性.     

广东乐昌泥盆——石炭系分界的介形类化石依据

广东乐昌泥盆－石炭系界线上、下各约１００ｍ碳酸盐岩中的介形类化石比较丰富，据７３个样品获得的介形类化石统计，有２目８科共１７属４２种。据它们的纵向分布规律，以乐昌大赛坝剖面为层型，自下而上划分为Ｓｐｉｎｏｂａｉｒｄｉａ ｙｕｅｂｅｉｅｎｓｉｓ－Ｐｒｉｍｉｔｉａ ｑｕａｄｒａｔａ组合带和Ｂａｉｒｄｉａ ｎｉｋｏｍｌｅｎｓｉｓ－Ｒｅｃｔｏｂａｉｒｄｉａ ｋｏｒｚｅｎｅｗｓｋａｊａｅ组合带。它们恰好分布     

基于改进InceptionV3模型的常见矿物智能识别

以常见的16类矿物作为研究对象,收集每一类矿物约1000张图像,按比例划分为训练集、验证集和测试集,通过图像随机选取增加数据的多样性,建立矿物识别InceptionV3模型,训练7万次在测试集上获得81%的识别正确率。通过对损失函数的改进,引入Center Loss损失函数,训练40万次识别准确率提高到86%。对分类的混淆矩阵分析发现,孔雀石等外观特征明显的矿物识别正确率很高,而闪锌矿等与其他矿物容易混淆导致正确率较低。从特征图分析看出,模型很好地提取了孔雀石的放射状特征,矿物图像特征向量聚集程度很高,也说明了模型的可靠性。     

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。     

A graph deep learning method for landslide displacement prediction based on global navigation satellite system positioning

The accurate prediction of displacement is crucial for landslide deformation monitoring and early warning. This study focuses on a landslide in Wenzhou Belt Highway and proposes a novel multivariate landslide displacement prediction method that relies on graph deep learning and Global Navigation Satellite System (GNSS) positioning. First model the graph structure of the monitoring system based on the engineering positions of the GNSS monitoring points and build the adjacent matrix of graph nodes. Then construct the historical and predicted time series feature matrixes using the processed temporal data including GNSS displacement, rainfall, groundwater table and soil moisture content and the graph structure. Last introduce the state-of-the-art graph deep learning GTS (Graph for Time Series) model to improve the accuracy and reliability of landslide displacement prediction which utilizes the temporal-spatial dependency of the monitoring system. This approach outperforms previous studies that only learned temporal features from a single monitoring point and maximally weighs the prediction performance and the priori graph of the monitoring system. The proposed method performs better than SVM, XGBoost, LSTM and DCRNN models in terms of RMSE (1.35 mm), MAE (1.14 mm) and MAPE (0.25) evaluation metrics, which is provided to be effective in future landslide failure early warning.     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

来自大别山深成侵入岩图像深度迁移学习的可解释性研究

岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。     

深度学习在地质学上的应用

自Hinton等使用基于卷积神经网络的深度学习模型赢得Image Net分类比赛以来,深度学习的研究席卷了各个行业。通过介绍深度学习的历史,探索国内地质行业中深度学习模型的使用情况,并介绍深度学习的基础概念(如神经元、神经网络、监督学习和无监督学习等)以及深度学习基础模型中的2个重要网络:深度信念网络(DBN)和卷积神经网络(CNN)。在此基础上,类比深度学习在医学等相关领域的应用,提出了深度学习在地质上的几点应用:利用深度学习在计算机视觉上表现出的强大能力,可以对遥感图像进行聚类、对岩石样品图像进行分类、对岩石薄片数据进行描述;利用深度学习对原始数据表现出的强大识别能力,处理地质异常数据,从而确定成矿靶区的可能位置;利用深度学习的特点,对地震前的声信号数据进行处理,从而判断出地震发生前的剩余时间。     

基于深度学习和高分遥感影像的青藏高原东部融冻泥流阶地提取研究

融冻泥流阶地是一种典型的斜坡冷生型冰缘地貌,在青藏高原东部发现大量古融冻泥流阶地,其空间分布对于重建该区古多年冻土分布和古气候环境具有重要意义。融冻泥流阶地纹理复杂、几何形态不一、表面覆盖多样化,导致融冻泥流阶地遥感解译和自动提取困难,然而,深度学习方法能获取上下文多尺度语义信息,提高特征表达的能力,为融冻泥流阶地的大范围提取提供了重要手段。因此,本文提出了一种基于DeepLab V3+深度学习模型和高分辨率光学遥感影像的融冻泥流阶地自动提取方法,并在四川甘孜州新都桥周边地区开展了实验研究。结果表明：与人工解译结果对比,本方法提取结果的综合精度达到0.68以上,并经野外调查验证了其有效性;在该区共识别了9 203条融冻泥流阶地,主要分布在新都桥镇附近的山谷两侧;泥流阶地主要朝西北方向,坡度集中分布在20°~25°,海拔高程大部分位于3 650~3 750 m间,主要地表覆盖类型是草地。     

基于超前钻探测试的隧道地层智能识别方法

可靠地识别掌子面前方地层是保证隧道工程稳定与安全的重要因素之一。传统的超前地质预报方法不能同时保证有高识别精度、低实施成本和占用少的施工时间,对于不同地质情况的地层识别通用性不强。在传统超前钻孔的同时获取掌子面前方围岩钻探测试数据,实时获取不同深度岩层情况,将大大提高超前预报效率,方便快捷,不影响施工,但目前缺乏客观、准确的地层识别方法。提出了一种基于神经网络的钻探测试数据智能分析和地层识别方法,对楚大高速公路九顶山隧道超前钻探测试数据进行了深入分析,通过隧道开挖后所揭示地层对分析方法进行了验证。结果表明:单一钻进参数用于地层识别的错误率在35%左右,打击能和打击数、送水压力和送水流量的参数组合不能显著提升地层识别准确率;钻进速度、扭矩、回转数、推进力的参数组合可降低地层识别错误率至22%。在神经网络模型中引入钻进参数的标准差,可大幅降低错误率,可使地层划分错误率下降9%～12%;多参数组合下的神经网络钻探测试神经网络模型对随机抽样的地层识别错误率小于10%,对单个钻孔的地层识别错误率小于14%。