基于迁移卷积神经网络的黄土含水率智能识别

黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。     

基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

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。     

基于深度卷积神经网络和迁移学习的农村房屋洪涝灾害后受损等级分类

洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考.     

基于声波信号的岩性智能分类方法

传统的岩性识别以钻井取心、钻井曲线和岩石图像等方法为主,这些识别方法对地质和识别条件要求较高,且不能满足随钻实时识别。为此,本文提出一种新的基于声波信号的岩性智能分类方法。该方法首先基于所采集钻头与岩层碰撞得到的音频数据,通过数据增强技术解决数据稀疏问题;然后采用基于CGRU(CNN+GRU,卷积神经网络+门控循环单元)的深度学习模型,对采集到的3种岩性的岩石音频数据进行深度学习与训练。为提高该模型在复杂背景下的识别能力,引入注意力机制模型进行优化。注意力机制模型可以在复杂环境下对岩性信息实现重点学习,提高模型识别性能。实验结果表明,与GMM(高斯混合模型)-SVM(支持向量机)、CNN和CGRU模型相比,CGRU-AttGRU(注意力机制模型+GRU)混合模型准确率达81.17%左右,在GMM-SVM、CNN和CGRU模型基础上分别提升了13.31%、9.99%和5.93%。     

耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法

在野外地质勘探过程中,矿物识别是一项重要的任务。但是在复杂的地质勘探条件下准确识别矿物是一项极具挑战性的任务。本文首先结合矿物知识,对图像中矿物的颜色和亮度进行判别,从而强化矿物图像的纹理特征,基于强化后的纹理特征,利用深度学习模型和迁移学习方法建立矿物深度学习模型;同时利用K-means算法提取矿物颜色特征,建立颜色特征模型;最终基于矿物识别深度学习模型和颜色特征模型,建立矿物图像的耦合识别模型,提出了一套完整的矿物智能识别分析方法。在深度学习模型建立过程中,共对19类矿物,总计6203张图像进行了训练,同时使用456张图像对耦合模型进行测试,其top-1准确率和top-3准确率分别达到72.2%和91.2%。基于所训练的模型,在Android系统开发了矿物图像智能识别应用系统,主要由矿物识别、矿物知识卡和矿物资料存储三个模块组成,提供矿物实时识别、矿物基础知识及实时储存等功能。作为野外地质勘察的辅助工具,此应用可以减少重复劳动,提升野外地质勘察的数字化和信息化水平。     

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。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

塔河油田奥陶系碳酸盐岩岩溶储集体类型及划分方法研究

塔河油田奥陶系油藏储集体类型的多样性和复杂性,给常规测井定量解释带来了很大困难。此类油藏储集体类型的划分和识别对油田开发极为重要。根据6口关键井的电成像测井(FMI)和岩心样品特征,将塔河碳酸盐岩储集体划分为未充填洞穴型、垮塌充填洞穴型、机械充填洞穴型和裂缝型4类。依据其中5口井的常规测井响应和4类储集体划分结果,选用GR、RD、RS、K3(深浅侧向电阻率倒数差的绝对值)、AC、DEN和CNL共7种测井信息作为神经网络的输入学习样本,经学习训练建立了储层划分的神经网络模型。通过检验井对比,说明基于神经网络模型,通过常规测井的多参数约束,可以判断岩溶型储集体类型。经本次研究,初步形成了储集体半定量评价标准。     

重力异常AlexNet深度神经网络反演

针对传统反演方法存在的初始模型依赖、计算时间较长等问题,提出了一种新的基于AlexNet深度神经网络的重力异常反演方法。该方法首先借鉴经典的深度神经网络AlexNet设计了一种用于重力异常反演的Alex反演网络(AlexInvNet),接着设计大量密度异常体模型并通过正演计算得到带标签的数据集,然后用该数据集训练AlexInvNet网络,最后将重力异常数据输入训练好的AlexInvNet网络直接得到反演结果。理论模型反演结果表明,该方法相较于全连接网络深度学习反演方法,能够更好地反演出异常体的位置和密度,具有较好的泛化能力和抗噪声能力。实测数据反演结果表明,该方法能有效解决重力异常反演问题。     

基于概率神经网络的智能找矿方法——以四川雅江县木绒锂矿为例

概率神经网络是一种分类准确率高、泛用性强、可以包容一定数量错误样本的人工神经网络,极其适合勘查地球化学找矿中的预测找矿靶区。本文以四川雅江县木绒锂矿为例,运用概率神经网络搭建智能找矿模型,以已知区的Li元素及与其相关性强的Rb-Cs-Al-Fe元素作为训练指标,对模型进行训练,经过多次训练后将Spread值确定为0.08,使模型在训练集和测试集的准确率均大于80%,实现非线性的指标与成矿潜力的对应,得到本矿区的PNN模型,然后对预测区的样本数据进行预测,成功圈定了1处靶区。为检验靶区准确性,以Li、Rb、Cs元素数据累计频率的80%作为异常下限,圈出的异常区域与靶区位置基本重叠。对预测区进行了实地查证工作,发现两条红柱石带,其中一条与靶区位置吻合,表明该神经网络模型准确性高,可用于矿产勘查的预测研究。     

A Deep Learning and Intelligent Recognition Method of Image Data for Rock Mineral and its ImplementationEI北大核心CSCD

Mineral identification is an important task of geological survey, which can be a big challenge in complex geological conditions. In this research, the color and brightness are distinguished using mineral knowledge firstly, which is used to bring out the texture features more obviously. Next, the deep learning model and transfer learning method are applied to build a mineral identification model with enhanced features. Meanwhile, a color model for mineral identification using K-means is also established. Finally, a comprehensive model combining deep learning model and color model is built and a framework of identifying minerals is proposed. In the model establishing process, 6203 images with 19 labels are trained and the top-1 and top-3 accuracy reach 72.2% and 91.2%, respectively. Furthermore, a mineral identification application is developed on the Android system. The application is made up of three modules including mineral knowledge, mineral identification and data storage, which provide real-time recognition, mineral knowledge and data storage. © 2020, Science Press. All right reserved.     

基于神经网络的大连东北海岸带碎石土地基强夯加固研究

以大连某实际工程作为研究场地,室内试验与原位测试所得碎石土地基物理力学参数与实测所得强夯处理沉降量作为样本,通过BP神经网络对样本的训练、学习,建立地基土力学参数与强夯处理的沉降量之间的映射关系,利用所得映射关系对场地实测的沉降量进行物理力学参数的反演分析。结果表明:经过训练的神经网络模型可快速得出所需参数,利用flac3d以反演所得参数进行计算,模拟沉降量与实测沉降量的误差为4.87%,在可接受的范围之内;基于神经网络的位移反分析方法可以省去繁琐的测试工作,但该方法的实现需要有充足的样本数据作为支撑。     

地质领域机器学习、深度学习及实现语言

地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。     

岩相识别的神经网络计算

模式识别在定量研究岩相模式中是一种有效的方法，神经网络是模式识别的一种新方法，和其它模式识别方法不同之处在于它能模拟人脑并行处理信息的模式和神经系统的可塑性。经传统岩相分析，鄂中拗陷二叠系碳酸盐岩确认为碳酸盐岩台坪相，它包含五个亚相，即局限台洼、台坡Ｂ、台洼、台坡Ａ和台滩相。它们在岩石的颜色、矿物组分、古生物种属、结构等特征上都有不同的差异。应用ＢＰ神经网络，特别是与模糊模式识别的结合，对拗陷区的岩相识别是成功的，令人鼓舞，两种方法各自的正确判对率约为７５%，而综合两种方法的判对结果，则岩相全部判对。     

基于深度学习的地质找矿大数据挖掘与集成的挑战

基于深度学习的地质找矿信息挖掘与集成已经成为数学地球科学的前沿领域.深度学习作为一种具有多级非线性变换的层级机器学习算法,在地质找矿大数据挖掘与集成中仍处于探索阶段,还有一系列问题亟需解决.以卷积神经网络为例,探讨了基于深度学习的地质找矿大数据挖掘与集成过程中两大挑战:训练样本不足和深度学习网络模型构建困难,重点分析了...