文献类型：期刊文章

作　　者：熊越晗[1] 刘东燕[1] 刘东升[2] 王艳磊[2] 唐小山[3]

Xiong Yuehan;Liu Dongyan;Liu Dongsheng;Wang Yanlei;Tang Xiaoshan(School of Civil Engineering,Chongqing University,Chongqing 400045,China;Chongqing Bureau of Geology and Minerals Exploration,Chongqing 401121,China;School of Civil Engineering and Architecture,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆大学土木工程学院,重庆400045 [2]重庆市地质矿产勘查开发局,重庆401121 [3]重庆科技学院建筑工程学院,重庆401331

出　　处：《吉林大学学报（地球科学版）》

基　　金：重庆市自然科学基金项目(博士后基金)(cstc2020jcyj-bsh0137);重庆市地质矿产勘查开发局科研项目(DKJ-2020DZJ-A-015)。

年　　份：2021

卷　　号：51

期　　号：5

起止页码：1597-1604

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAB、CAS、CSCD、CSCD2021_2022、IC、JST、PA、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样(泥岩、砂质泥岩、泥质砂岩和砂岩)的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示:模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。

关 键 词：岩样细观图像  深度学习  岩性识别 卷积神经网络 自动分类  

分 类 号：P588] TP183[地质学类;地质类]