文献类型：期刊文章

作　　者：许振浩[1,2] 马文[2] 林鹏[1] 石恒[1] 刘彤晖[2] 潘东东[1]

XU Zhenhao;MA Wen;LIN Peng;SHI Heng;LIU Tonghui;PAN Dongdong(Geotechnical and Structural Engineering Research Center,Shandong University,Jinan 250061,China;School of Qilu Transportation,Shandong University Jinan 250061,China)

机构地区：[1]山东大学岩土与结构工程研究中心,山东济南250061 [2]山东大学齐鲁交通学院,山东济南250061

出　　处：《应用基础与工程科学学报》

基　　金：国家自然科学基金优秀青年科学基金项目(52022053);国家自然科学基金青年基金项目(52009073);山东省自然科学基金杰出青年科学基金项目(ZR201910270116)。

年　　份：2021

卷　　号：29

期　　号：5

起止页码：1075-1092

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：岩性快速识别具有重要的基础地质研究意义与工程应用价值,本文提出了一种基于岩石图像迁移学习的岩性智能识别方法.首先,利用深度监督目标检测网络(DSOD)对图像中的岩石进行检测,通过获取岩石的位置信息并自动剪裁,建立高质量的岩石图像数据集.然后,结合ResNet网络构建岩石图像深度学习迁移模型,利用残差网络提取岩石特征信息.再利用迁移学习的方法,通过加载预训练权重对模型进行训练,从而实现岩性智能识别.此外,本文采用混淆矩阵、准确率(ACC)、P、R和F1值作为模型准确率的评价指标,对基于ResNet-101和ResNet-50的模型开展了对比分析.结果表明,基于ResNet-101的岩石图像深度学习迁移模型ACC最高可达90.21%,P最高可达91.29%,F1最高可达90.7%.相较于基于ResNet-50的模型,其识别精度更高且对每类岩石识别的稳定性更好.实验和可靠性分析表明,本文提出的岩性智能识别方法具有良好的鲁棒性和泛化性能,可用于地质、测井、交通、水利等工程中的岩性快速智能识别.

关 键 词：岩石图像  深度学习  岩性识别 迁移学习  人工智能 图像分类

分 类 号：U458]