基于深度学习的鲕粒智能检测与特征统计

鲕粒是一类特殊的沉积颗粒，其分布的疏密程度、粒径大小等信息可以直观地反映形成环境的水深以及水动力条件，具有重要的地质意义。在地质学中，通常将鲕粒岩石标本磨制成岩石薄片，并依靠专业人员在显微镜下观察来获取鲕粒含量、圆度、径粒大小等数据的估计值，存在着计算量大、成本高、周期长、人力投入大等缺点，而且该方法受主观因素影响较大，不同专家得出的结果也不尽相同。针对上述问题，本文提出了基于深度学习的鲕粒智能检测与特征统计方法，主要采用YOLOv5检测模型对鲕粒岩石薄片显微图像进行检测，并在YOLOv5网络主干部分添加轻量级的SE-Net通道注意力机制模块来提升检测性能；其次，本次使用DIoU-NMS替换NMS方法，改善图像中鲕粒分布拥挤时的漏检问题。实验证明改进后的算法最终精确率达到了98.8%，比原算法提升了1.3%。最后利用图像处理技术，对检测结果进行量化统计和分析，得到图像中鲕粒含量、圆度信息、粒径大小的统计结果直方图，为地质工作人员进行相关工作提供了极大的便利。