一种岩屑类型识别方法、装置、电子设备及存储介质与流程

1.本发明涉及石油工程领域，具体而言，本发明涉及一种岩屑类型识别方法、装置、电子设备及存储介质。


背景技术：

2.在油气勘探中，通过岩屑录井识别地层岩性是一种常用的方法，岩屑类型识别鉴定传统的做法是采用人工方式对岩屑进行采集分析，现场人工识别耗时且工作量大，严重依赖现场工程师经验、主观性影响较大，仅通过传统岩屑描述方法已无法满足目前岩屑录井工作需求。


技术实现要素：

3.本发明所要解决的技术问题是提供了一种岩屑类型识别方法、装置、电子设备及计算机存储介质，旨在解决上述至少一个技术问题。
4.第一方面，本发明解决上述技术问题的技术方案如下：一种岩屑类型识别方法，该方法包括：
5.获取待识别岩屑图像；
6.将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果；
7.其中，岩屑类型识别模型是通过以下方式训练得到的：
8.获取训练样本，训练样本中包括多个类型的样本图像，每张样本图像对应一个分类标注结果，多个类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；
9.将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果；
10.根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值；
11.在总损失值满足预设的模型训练结束条件时，将训练结束时的resnet34分类网络模型作为岩屑类型识别模型，若总损失值不满足模型训练结束条件，调整resnet34分类网络模型的模型参数，根据调整后的模型参数对resnet34分类网络模型进行迭代训练，直到总损失值满足模型训练结束条件。
12.本发明的有益效果是：在本技术方案中，通过预先基于resnet34分类网络模型训练好的岩屑类型识别模型对待识别岩屑图像进行识别，本发明结合深度学习算法，可以快速分析钻进地层的岩屑岩样性质信息，建立有效的地层地质剖面，弥补地质录井解释必须依靠资深地质师的短板，提高钻录井现场的自动化、智能化水平。
13.在上述技术方案的基础上，本发明还可以做如下改进。
14.进一步，上述方法还包括：
15.分别对每张样本图像进行以下处理，得到多张第三图像，上述以下处理包括：
16.对每张样本图像裁剪至设定尺寸，得到多张第一图像；
17.对每张第一图像进行水平翻转，得到多张第二图像；
18.对每张第二图像进行图像像素亮度归一化处理，得到多张第三图像；
19.将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果，包括：
20.分别将每张第一图像、每张第二图像和每张第三图像输入至resnet34分类网络模型，得到每张图像的预测分类结果。
21.采用上述进一步方案的有益效果是，在将样本图像输入至resnet34分类网络模型之前，可分别对每张样本图像依次进行裁剪、水平翻转和亮度归一化处理，以提高样本数据量。
22.进一步，上述resnet34分类网络模型包括特征提取层和relu激活函数，将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果，包括：
23.对于每张样本图像，通过特征提取层提取样本图像的图像特征；
24.对于每张样本图像，将样本图像的图像特征输入至relu激活函数，得到样本图像的预测分类结果。
25.采用上述进一步方案的有益效果是，在本技术方案中，激活函数采用relu激活函数，相比sigmoid函数，relu函数形式较为简单，计算速度快，在一段时间内只有少量神经元被激活，使网络结构具有一定的稀疏性，在一定程度上可以防止过拟合现象。
26.进一步，上述特征提取层包括依次串联的第一卷积模块、第一残差模块、第二残差模块、第三残差模块和第四残差模块；
27.第一卷积模块包括64个7*7的卷积核，第一残差模块包括3个串联第二卷积模块，每个第二卷积模块包括64个3*3的卷积核；
28.第二残差模块包括串联的第三卷积模块和第四卷积模块，第三卷积模块包括串联的第一单元和第二单元，第一单元包括128个3*3的卷积核，第二单元包括128个3*3的卷积核，第四卷积模块包括3个第一卷积单元，每个所第一卷积单元包括64个3*3的卷积核和64个3*3的卷积核；
29.第三残差模块包括第五卷积模块和第六卷积模块，第五卷积模块包括串联的第三单元和第四单元，第三单元包括256个3*3的卷积核，第四单元包括256个3*3的卷积核，第六卷积模块包括5个第二卷积单元，每个第二卷积单元包括256个3*3的卷积核和256个3*3的卷积核；
30.第四残差模块包括第七卷积模块和第八卷积模块，第七卷积模块包括串联的第五单元和第六单元，第五单元包括512个3*3的卷积核，第六单元包括512个3*3的卷积核，第八卷积模块包括2个第三卷积单元，每个第三卷积单元包括512个3*3的卷积核和512个3*3的卷积核。
31.采用上述进一步方案的有益效果是，采用上述结构的残差模块，且各个残差模块形成直连通道，通过该直连通道可以保留之前网络层的一定比例的输出，整个网络只需要学习上一个网络输出的残差，即输入、输出差别的那一部分，简化学习目标和难度，也可以解决深度学习网络随深度增加导致梯度不稳定，训练退化的问题。
32.进一步，上述根据各张样本图像的预测分类结果和分类标注结果，确定resnet34
分类网络模型的总损失值，包括：
33.根据各张样本图像的预测分类结果和分类标注结果，通过交叉熵损失函数，确定resnet34分类网络模型的总损失值。
34.采用上述进一步方案的有益效果是，采用交叉熵损失函数来确定resnet34分类网络模型的总损失值，可提高模型精度，更准确的反映预测分类结果和分类标注结果之间的差异。
35.进一步，对于每张样本图像，该样本图像通过图像采集设备采集，图像采集设备包括：成像室、具有旋转结构的岩屑盘、驱动装置、送样结构和图像采集器，送样结构包括岩屑样本的送样口和入样口；
36.送样口下方对应成像室的内部，岩屑盘设置在成像室的底部，入样口处设置有可活动挡板，在图像采集器采集样本图像时，通过可活动挡板将送样口封闭；在图像采集器采集完样本图像时，将可活动挡板开启，以使新的岩屑样本通过送样口投放至岩屑盘；
37.图像采集器设置在成像室外部，图像采集器对准岩屑盘，用于采集岩屑盘上盛放的岩屑样本的样本图像；
38.岩屑盘与驱动装置连接，驱动装置用于为岩屑盘提供动力以使岩屑盘翻转倾倒，将岩屑盘上的岩屑样本从岩屑盘上倒出去。
39.采用上述进一步方案的有益效果是，通过上述图像采集设备获取样本图像，将岩屑样本放置在岩屑盘上，可保证获取样本图像的过程不受外部环境干扰，提高模型训练的精度。且该图像采集设备相较于现有技术的图像采集设备结构简单，不需要各类激光、脉冲发生器以及相应的监测处理装置，复杂程度低及运维成本低。
40.进一步，上述训练样本包括紫外光样本图像、可见光样本图像和红外光谱样本图像。
41.采用上述进一步方案的有益效果是，可选的不同情况下获取的图像作为样本图像，以满足不同的岩屑识别需求。
42.第二方面，本发明为了解决上述技术问题还提供了一种岩屑类型识别装置，该装置包括：
43.图像获取模块，用于获取待识别岩屑图像；
44.识别模块，用于将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果，
45.其中，岩屑类型识别模型是通过以下模型训练模块训练得到的：
46.模型训练模块，用于获取训练样本，训练样本中包括多个类型的样本图像，每张样本图像对应一个分类标注结果，多个类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果；根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值；在总损失值满足预设的模型训练结束条件时，将训练结束时的resnet34分类网络模型作为岩屑类型识别模型，若总损失值不满足模型训练结束条件，调整resnet34分类网络模型的模型参数，根据调整后的模型参数对resnet34分类网络模型进行迭代训练，直到总损失值满足模型训练结束条件。
47.第三方面，本发明为了解决上述技术问题还提供了一种电子设备，该电子设备包
括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行该计算机程序时实现本技术的岩屑类型识别方法。
48.第四方面，本发明为了解决上述技术问题还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本技术的岩屑类型识别方法。
49.本技术附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本技术的实践了解到。
附图说明
50.为了更清楚地说明本发明实施例中的技术方案，下面将对本发明实施例描述中所需要使用的附图作简单地介绍。
51.图1为本发明一个实施例提供的一种岩屑类型识别方法的流程示意图；
52.图2为本发明一个实施例提供的一种图像采集设备的结构示意图；
53.图3为本发明一个实施例提供的一种resnet34分类网络模型的网络结构示意图；
54.图4至图7为本发明一个实施例提供的一种卷积层提取特征的示意图；
55.图8为本发明一个实施例提供的一种模型训练效果示意图；
56.图9为本发明一个实施例提供的一种总损失值的示意图；
57.图10为本发明一个实施例提供的一种岩屑类型识别装置的结构示意图；
58.图11为本发明一个实施例提供的一种电子设备的结构示意图。
具体实施方式
59.以下对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
60.下面以具体实施例对本发明的技术方案以及本发明的技术方案如何解决上述技术问题进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例中不再赘述。下面将结合附图，对本发明的实施例进行描述。
61.本发明实施例所提供的方案可以适用于任何需要识别岩屑类型的应用场景中。本发明实施例所提供的方案可以由任一电子设备执行，比如，可以是用户的终端设备，上述终端设备可以是任何可以安装应用，并可通过该应用识别岩屑类型的终端设备，包括以下至少一项：智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表、智能电视、智能车载设备。
62.本发明实施例提供了一种可能的实现方式，如图1所示，提供了一种岩屑类型识别方法的流程图，该方案可以由任一电子设备执行，例如，可以是终端设备，或者由终端设备和服务器共同执行。为描述方便，下面将以服务器作为执行主体为例对本发明实施例提供的方法进行说明，如图1中所示的流程图，该方法可以包括以下步骤：
63.步骤s110，获取待识别岩屑图像；
64.步骤s120，将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果；
65.其中，岩屑类型识别模型是通过以下步骤训练得到的：
66.步骤s1301，获取训练样本，训练样本中包括多个类型的样本图像，每张样本图像对应一个分类标注结果，多个类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；
67.步骤s1302，将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果；
68.步骤s1303，根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值；
69.步骤s1304，在总损失值满足预设的模型训练结束条件时，将训练结束时的resnet34分类网络模型作为岩屑类型识别模型，若总损失值不满足模型训练结束条件，调整resnet34分类网络模型的模型参数，根据调整后的模型参数对resnet34分类网络模型进行迭代训练，直到总损失值满足模型训练结束条件。
70.通过本发明的方法，通过预先基于resnet34分类网络模型训练好的岩屑类型识别模型对待识别岩屑图像进行识别，本发明结合深度学习算法，可以快速分析钻进地层的岩屑岩样性质信息，建立有效的地层地质剖面，弥补地质录井解释必须依靠资深地质师的短板，提高钻录井现场的自动化、智能化水平。
71.下面结合以下具体的实施例，对本发明的方案进行进一步的说明，在该实施例中，岩屑类型识别方法可以包括以下步骤：
72.步骤s110，获取待识别岩屑图像；
73.其中，待识别岩屑图像指的是需要识别出图像中的岩屑的类型的图像，该图像可以通过任一图像采集设备获取，主要是通过图像采集设备采集针对待识别岩屑的图像，为了提高识别精度，该待识别岩屑可预先经历清洗和干燥处理，再进行图像的采集。
74.该待识别岩屑图像可以是通过高分辨光谱成像仪采集的图像，包括紫外线图像、红外线图像或可见光图像中的任一种。高分辨光谱成像仪可采用型号为ca-lhe16超高分辨率镜头。
75.步骤s120，将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果；
76.其中，岩屑类型识别模型是通过以下方式训练得到的：
77.获取训练样本，训练样本中包括多个类型的样本图像，每张样本图像对应一个分类标注结果，多个类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；
78.将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果；
79.根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值；
80.在总损失值满足预设的模型训练结束条件时，将训练结束时的resnet34分类网络模型作为岩屑类型识别模型，若总损失值不满足模型训练结束条件，调整resnet34分类网络模型的模型参数，根据调整后的模型参数对resnet34分类网络模型进行迭代训练，直到总损失值满足模型训练结束条件。
81.其中，上述训练样本也可以是样本岩屑预先经历清洗和干燥处理后通过高分辨光谱成像仪进行图像采集得到的多张样本图像。
82.对于每张样本图像，该样本图像通过图像采集设备采集，参见图2，图像采集设备包括：成像室、具有旋转结构的岩屑盘、驱动装置、送样结构和图像采集器，送样结构包括岩屑样本的送样口和入样口；
83.送样口下方对应成像室的内部，岩屑盘设置在成像室的底部，入样口处设置有可活动挡板，在图像采集器采集样本图像时，通过可活动挡板将送样口封闭；在图像采集器采集完样本图像时，将可活动挡板开启，以使新的岩屑样本通过送样口投放至岩屑盘；
84.图像采集器设置在成像室外部，图像采集器对准岩屑盘，用于采集岩屑盘上盛放的岩屑样本的样本图像；
85.岩屑盘与驱动装置连接，驱动装置用于为岩屑盘提供动力以使岩屑盘翻转倾倒，将岩屑盘上的岩屑样本从岩屑盘上倒出去。
86.其中，图像采集器可以为高分辨光谱成像仪。
87.在图像采集过程中，先将可活动挡板开启，即不遮挡送样口，可将一个岩屑样本从入样口和送样口送至成像室底部的岩屑盘上，此时，可将可活动挡板关闭，即遮挡住送样口，以使其他岩屑样本无法进入到成像室，响图像成像质量。通过图像采集器采集岩屑盘上盛放的岩屑样本的样本图像，然后通过驱动装置为岩屑盘提供动力以使岩屑盘翻转倾倒，将岩屑盘上的岩屑样本从岩屑盘上倒出去，同时，将可活动挡板开启，以使新的岩屑样本落入岩屑盘，采集新的样本图像。
88.其中，岩屑盘还可以连接一个震动马达，通过该震动马达使得累积在岩屑盘上的岩屑样品尽量铺匀，方便成像拍照，当进行成像拍照时，震动马达停止工作。其左上方设置高分辨率自动调焦的快速成像装置，并配置补光光圈，对岩屑盘上的岩屑样本进行快速成像拍照。
89.在获取训练样本后，可结合录井常见岩石特征，录井地质解释人员对样本图像进行标注，得到每张样本图像的分类标注结果。为缓解大量人工在混合岩性图像上进行像素级标注样本，减小耗时性，只对单一岩石类型的图像进行标注，即只需在每幅图像中标注岩石类型(分类标注结果)，将同地区多口井的岩屑数据进行搜集并作为历史数据存储形成数据库。
90.考虑到岩屑样本拍摄角度引起的图像旋转、外界光线明暗产生的图像亮度的改变，为提高样本质量，增加样本数量，可分别对每张样本图像进行以下处理，得到多张第三图像，上述以下处理包括：对每张样本图像裁剪至设定尺寸(比如，224*224)，得到多张第一图像；对每张第一图像进行水平翻转，得到多张第二图像；对每张第二图像进行图像像素亮度归一化处理，得到多张第三图像。则上述将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果，包括：分别将每张第一图像、每张第二图像和每张第三图像输入至resnet34分类网络模型，得到每张图像的预测分类结果，此处的每张图像指的是所有第一图像、第二图像和第三图像中的每张图像。
91.可选的，还可将训练样本按照10:1:1的比例划分成训练集、测试集和验证集，以基于训练集、测试集和验证集进行模型训练。
92.可选的，上述resnet34分类网络模型包括特征提取层和relu激活函数，将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果，包括：
93.对于每张样本图像，通过特征提取层提取样本图像的图像特征；
94.对于每张样本图像，将样本图像的图像特征输入至relu激活函数，得到样本图像的预测分类结果。
95.可通过特征提取层提取样本图像中可表达岩屑类型的特征，然后通过relu激活函数将图像特征确定为对应的预测分类结果。
96.其中，relu激活函数可通过公式1表示：
97.fr(x)＝max(0,x)
ꢀꢀ
(1)
98.其中，fr(x)表示x的relu，x表示图像特征，max为取最大值的计算。当x小于0时，该函数值为0，当x大于0时，该函数的输出值等于输入值，该函数梯度为1，有效缓解了梯度消失的问题。相比sigmoid函数，relu函数形式较为简单，计算速度快，在一段时间内只有少量神经元被激活，使网络结构具有一定的稀疏性，在一定程度上可以防止过拟合现象。
99.参见图3，上述特征提取层包括依次串联的第一卷积模块、第一残差模块、第二残差模块、第三残差模块和第四残差模块；
100.第一卷积模块包括64个7*7的卷积核，第一残差模块包括3个串联第二卷积模块，每个第二卷积模块包括64个3*3的卷积核；
101.第二残差模块包括串联的第三卷积模块和第四卷积模块，第三卷积模块包括串联的第一单元和第二单元，第一单元包括128个3*3的卷积核，第二单元包括128个3*3的卷积核，第四卷积模块包括3个第一卷积单元，每个第一卷积单元包括64个3*3的卷积核和64个3*3的卷积核；
102.第三残差模块包括第五卷积模块和第六卷积模块，第五卷积模块包括串联的第三单元和第四单元，第三单元包括256个3*3的卷积核，第四单元包括256个3*3的卷积核，第六卷积模块包括5个第二卷积单元，每个第二卷积单元包括256个3*3的卷积核和256个3*3的卷积核；
103.第四残差模块包括第七卷积模块和第八卷积模块，第七卷积模块包括串联的第五单元和第六单元，第五单元包括512个3*3的卷积核，第六单元包括512个3*3的卷积核，第八卷积模块包括2个第三卷积单元，每个第三卷积单元包括512个3*3的卷积核和512个3*3的卷积核。
104.其中，resnet34分类网络模型可包括5个卷积层和1个全连接层，卷积模块中卷积核的大小为7*7，残差模块中的卷积核的大小均为3*3。上述5个卷积层分别指的是第一卷积模块、第一残差模块、第二残差模块、第三残差模块和第四残差模块。每个卷积层均用于提取图像特征，作为一个示例，参见图4至图7所示的特征示意图，第一层的卷积层用于提取样本图像的图像特征，可参见图4所示的特征示意图，然后通过第二层卷积层对第一层输出的图像特征进行进一步的提取，具体可参见图5所示的特征示意图，接着通过第三层卷积层对第二层输出的图像特征进行进一步的提取，具体可参见图6所示的特征示意图，最后通过第四层卷积层对第三层输出的图像特征进行进一步的提取，具体可参见图7所示的特征示意图。
105.各个模块之间是串联的关系，可形成一个直连通道，通过该直连通道可以保留之前网络层的一定比例的输出，整个网络只需要学习上一个网络输出的残差，即输入、输出差别的那一部分，简化学习目标和难度。也可以解决深度学习网络随深度增加导致梯度不稳定，训练退化的问题。然后通过平均池化层(图3中所示的avg pool)进行降采样操作，最后
连接全连接层输出预测分类结果。
106.其中，参见图3，在第一卷积模块和第一残差模块之间还包括3*3的卷积核，通过3*3的卷积核对第一卷积模块输出的特征图进行池化，即对该第一卷积模块输出的特征图进行降维处理，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；其中，图3中的“池化/2”表示的是将第一卷积模块输出的特征图降采样到原来的一半，比如，第一卷积模块输出的特征图为224
×
224，则降维处理后的特征图为112
×
112。基于该相同的原理，第一单元、第三单元和第五单元中均对上一个模块输出的特征图进行降采样，“/2”表示的都是对输入进该单元的特征图降采样到原来的一半。
107.可选的，上述根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值，包括：
108.根据各张样本图像的预测分类结果和分类标注结果，通过交叉熵损失函数，确定resnet34分类网络模型的总损失值。
109.其中，预测分类结果可以是一个概率值，也可以最终的分类结果。
110.其中，resnet网络采用交叉熵损失函数衡量模型预测的预测分类结果与真实类别(分类标注结果)的差异。交叉损失函数公式为：
[0111][0112]
其中，l为每个样本图像对应的损失函数值，m为类别的数量，n为样本个数，li用来表示所有信息量的期望，即一个样本图像属于各个类别的预测概率的之和。y
ij
为符号函数，p
ij
为待分类样本图像(样本图像)属于类别j的预测概率(预测分类结果)。如果样本图像i的真实类别为类别j，预测分类结果也是类别j，则损失函数值l＝1，如果样本图像i的真实类别为类别j，预测分类结果不是类别j，则损失函数值l＝0。
[0113]
为了加速深度学习网络的速度，提高岩屑分类的精度，可对resnet34分类网络模型的模型参数和学习率构建优化器，该优化器用来最小化损失函数，更新和计算影响模型训练和模型输出的网络参数，使其逼近或达到最优值，优化器选用adam(adaptive moment estimation)算法，adam通过计算梯度的一阶矩估计和二阶矩估计为不同的参数设计独立的自适应性学习率，初始学习率lr设为0.0001。
[0114]
可选的，根据样本图像设计了训练过程，最大迭代次数为120。第一步训练样本xn按批次(batch_size＝16)输入设置网络，训练前梯度置0，网络正向传播训练，输入样本经由输入层输入到卷积层进行特征提取，接着由池化层对特征降采样操作，以此逐层提取图像的由低到高的特征信息，各层特征提取如图4至图7所示；最后通过全连接层输出分类结果on。第二步进行网络反向传播，将实际输出on与期望输出yp进行误差计算，得到误差函数损失值(总损失值)，并将误差通过反向传播的方法分配到网络各层，由adam算法优化更新各层网络权值。第三步通过验证集进行预测，判断模型输出结果是否满足模型训练结束条件(比如，设定的阈值条件或达到迭代次数)，满足条件就保存模型参数。第四步将训练好的模型应用到测试集进行验证，得到岩屑自动识别的模型(岩屑类型识别模型)。
[0115]
图8至图10是本技术实施例的基于resnet网络自动识别岩屑类型的方法在海外某区块x井的应用结果示意图。首先，进行岩屑识别模型的建立与训练，具体实施流程如下：
[0116]
(1)本实例中对3口井采集的共538张图像作为训练样本，根据岩性将训练样本分
为9类，分别为粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩。将resnet34分类网络模型的最后一层输出层节点设置为9，每个节点对应一个预测分类结果。
[0117]
(2)按照设置的比例，其中，训练集为218张图像，验证集为21张图像，测试集为25张图像。
[0118]
(3)将训练集218张图像分别进行裁剪、水平翻转和图像像素亮度归一化处理，并将每组岩屑特征数据(每张第一图像、每张第二图像和每张第三图像)加载入resnet34分类网络模型的进行训练，得到相应的岩屑类型识别模型。
[0119]
(4)将验证集中的21张图像同样进行裁剪、水平翻转和图像像素亮度归一化处理，并载入训练好的模型，对岩屑类型识别模型进行验证测试，如果准确率超过99％，则认为网络模型通过测试，将保存网络模型权值用于模型部署应用，网络预测精度如图8所示，在图8中，模型采取不同的模型参数(epoch60+batch8，epoch120+batch8，epoch60+batch16，epoch120+batch16)进行训练后，对应的召回率、精确率、准确率和平均值(召回率、精确率和准确率的平均值)。图8中，resent表示resnet分类网络模型，resent后面的数字表示网络的深度。
[0120]
(5)将通过测试的岩屑类型识别模型对25张测试集图像进行应用测试，识别准确率约为88％。
[0121]
如图9所示，1个epoch等于使用训练集中的全部样本训练一次，通俗的讲epoch的值就是整个数据集被轮几次，纵轴表示总损失值。在经历不断迭代的过程后，总损失值趋于平稳，也就是说，模型达到预设精度，满足预设的训练结束条件。
[0122]
基于与图1中所示的方法相同的原理，本发明实施例还提供了一种岩屑类型识别装置20，如图10中所示，该岩屑类型识别装置20可以包括图像获取模块210、识别模块220和模型训练模块230，其中：
[0123]
图像获取模块210，用于获取待识别岩屑图像；
[0124]
识别模块220，用于将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果；
[0125]
其中，上述岩屑类型识别模型是通过以下模型训练模块230训练得到的：
[0126]
模型训练模块230，用于获取训练样本，训练样本中包括多个类型的样本图像，每张样本图像对应一个分类标注结果，多个类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果；根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值；在总损失值满足预设的模型训练结束条件时，将训练结束时的resnet34分类网络模型作为岩屑类型识别模型，若总损失值不满足模型训练结束条件，调整resnet34分类网络模型的模型参数，根据调整后的模型参数对resnet34分类网络模型进行迭代训练，直到总损失值满足模型训练结束条件。
[0127]
可选的，该装置还包括：
[0128]
预处理模块，用于分别对每张样本图像进行以下处理，得到多张第三图像，上述以下处理包括：对每张样本图像裁剪至设定尺寸，得到多张第一图像；对每张第一图像进行水平翻转，得到多张第二图像；对每张第二图像进行图像像素亮度归一化处理，得到多张第三
图像；
[0129]
上述模型训练模块230在将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果时，具体用于：
[0130]
分别将每张第一图像、每张第二图像和每张第三图像输入至resnet34分类网络模型，得到每张图像的预测分类结果。
[0131]
可选的，上述resnet34分类网络模型包括特征提取层和relu激活函数，上述模型训练模块230在将训练样本输入至resnet34分类网络模型，得到每张样本图像的预测分类结果时，具体用于：
[0132]
对于每张样本图像，通过特征提取层提取样本图像的图像特征；
[0133]
对于每张样本图像，将样本图像的图像特征输入至relu激活函数，得到样本图像的预测分类结果。
[0134]
可选的，上述特征提取层包括依次串联的第一卷积模块、第一残差模块、第二残差模块、第三残差模块和第四残差模块；
[0135]
上述第一卷积模块包括64个7*7的卷积核，第一残差模块包括3个串联第二卷积模块，每个第二卷积模块包括64个3*3的卷积核；
[0136]
上述第二残差模块包括串联的第三卷积模块和第四卷积模块，第三卷积模块包括串联的第一单元和第二单元，第一单元包括128个3*3的卷积核，第二单元包括128个3*3的卷积核，第四卷积模块包括3个第一卷积单元，每个所第一卷积单元包括64个3*3的卷积核和64个3*3的卷积核；
[0137]
上述第三残差模块包括第五卷积模块和第六卷积模块，第五卷积模块包括串联的第三单元和第四单元，第三单元包括256个3*3的卷积核，第四单元包括256个3*3的卷积核，第六卷积模块包括5个第二卷积单元，每个第二卷积单元包括256个3*3的卷积核和256个3*3的卷积核；
[0138]
上述第四残差模块包括第七卷积模块和第八卷积模块，第七卷积模块包括串联的第五单元和第六单元，第五单元包括512个3*3的卷积核，第六单元包括512个3*3的卷积核，第八卷积模块包括2个第三卷积单元，每个第三卷积单元包括512个3*3的卷积核和512个3*3的卷积核。
[0139]
可选的，上述模型训练模块230在根据各张样本图像的预测分类结果和分类标注结果，确定resnet34分类网络模型的总损失值时，具体用于：
[0140]
根据各张样本图像的预测分类结果和分类标注结果，通过交叉熵损失函数，确定resnet34分类网络模型的总损失值。
[0141]
可选的，对于每张样本图像，样本图像通过图像采集设备采集，图像采集设备包括：成像室、具有旋转结构的岩屑盘、驱动装置、送样结构和图像采集器，送样结构包括岩屑样本的送样口和入样口；
[0142]
送样口下方对应成像室的内部，岩屑盘设置在成像室的底部，入样口处设置有可活动挡板，在图像采集器采集样本图像时，通过可活动挡板将送样口封闭；在图像采集器采集完样本图像时，将可活动挡板开启，以使新的岩屑样本通过送样口投放至岩屑盘；
[0143]
图像采集器设置在成像室外部，图像采集器对准岩屑盘，用于采集岩屑盘上盛放的岩屑样本的样本图像；
[0144]
岩屑盘与驱动装置连接，驱动装置用于为岩屑盘提供动力以使岩屑盘翻转倾倒，将岩屑盘上的岩屑样本从岩屑盘上倒出去。
[0145]
可选的，上述训练样本包括紫外光样本图像、可见光样本图像和红外光谱样本图像。
[0146]
本发明实施例的岩屑类型识别装置可执行本发明实施例所提供的岩屑类型识别方法，其实现原理相类似，本发明各实施例中的岩屑类型识别装置中的各模块、单元所执行的动作是与本发明各实施例中的岩屑类型识别方法中的步骤相对应的，对于岩屑类型识别装置的各模块的详细功能描述具体可以参见前文中所示的对应的岩屑类型识别方法中的描述，此处不再赘述。
[0147]
其中，上述岩屑类型识别装置可以是运行于计算机设备中的一个计算机程序(包括程序代码)，例如该岩屑类型识别装置为一个应用软件；该装置可以用于执行本发明实施例提供的方法中的相应步骤。
[0148]
在一些实施例中，本发明实施例提供的岩屑类型识别装置可以采用软硬件结合的方式实现，作为示例，本发明实施例提供的岩屑类型识别装置可以是采用硬件译码处理器形式的处理器，其被编程以执行本发明实施例提供的岩屑类型识别方法，例如，硬件译码处理器形式的处理器可以采用一个或多个应用专用集成电路(asic，application specific integrated circuit)、dsp、可编程逻辑器件(pld，programmable logic device)、复杂可编程逻辑器件(cpld，complex programmable logic device)、现场可编程门阵列(fpga，field-programmable gate array)或其他电子元件。
[0149]
在另一些实施例中，本发明实施例提供的岩屑类型识别装置可以采用软件方式实现，图10示出了存储在存储器中的岩屑类型识别装置，其可以是程序和插件等形式的软件，并包括一系列的模块，包括图像获取模块210、识别模块220和模型训练模块230，用于实现本发明实施例提供的岩屑类型识别方法。
[0150]
描述于本发明实施例中所涉及到的模块可以通过软件的方式实现，也可以通过硬件的方式来实现。其中，模块的名称在某种情况下并不构成对该模块本身的限定。
[0151]
基于与本发明的实施例中所示的方法相同的原理，本发明的实施例中还提供了一种电子设备，该电子设备可以包括但不限于：处理器和存储器；存储器，用于存储计算机程序；处理器，用于通过调用计算机程序执行本发明任一实施例所示的方法。
[0152]
在一个可选实施例中提供了一种电子设备，如图11所示，图11所示的电子设备4000包括：处理器4001和存储器4003。其中，处理器4001和存储器4003相连，如通过总线4002相连。可选地，电子设备4000还可以包括收发器4004，收发器4004可以用于该电子设备与其他电子设备之间的数据交互，如数据的发送和/或数据的接收等。需要说明的是，实际应用中收发器4004不限于一个，该电子设备4000的结构并不构成对本发明实施例的限定。
[0153]
处理器4001可以是cpu(central processing unit，中央处理器)，通用处理器，dsp(digital signal processor，数据信号处理器)，asic(application specific integrated circuit，专用集成电路)，fpga(field programmable gate array，现场可编程门阵列)或者其他可编程逻辑器件、晶体管逻辑器件、硬件部件或者其任意组合。其可以实现或执行结合本发明公开内容所描述的各种示例性的逻辑方框，模块和电路。处理器4001也可以是实现计算功能的组合，例如包含一个或多个微处理器组合，dsp和微处理器的
组合等。
[0154]
总线4002可包括一通路，在上述组件之间传送信息。总线4002可以是pci(peripheral component interconnect，外设部件互连标准)总线或eisa(extended industry standard architecture，扩展工业标准结构)总线等。总线4002可以分为地址总线、数据总线、控制总线等。为便于表示，图11中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
[0155]
存储器4003可以是rom(read only memory，只读存储器)或可存储静态信息和指令的其他类型的静态存储设备，ram(random access memory，随机存取存储器)或者可存储信息和指令的其他类型的动态存储设备，也可以是eeprom(electrically erasable programmable read only memory，电可擦可编程只读存储器)、cd-rom(compact disc read only memory，只读光盘)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。
[0156]
存储器4003用于存储执行本发明方案的应用程序代码(计算机程序)，并由处理器4001来控制执行。处理器4001用于执行存储器4003中存储的应用程序代码，以实现前述方法实施例所示的内容。
[0157]
其中，电子设备也可以是终端设备，图11示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
[0158]
本发明实施例提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，当其在计算机上运行时，使得计算机可以执行前述方法实施例中相应内容。
[0159]
根据本发明的另一个方面，还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述各种实施例实现方式中提供的方法。
[0160]
可以以一种或多种程序设计语言或其组合来编写用于执行本发明的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如java、smalltalk、c++、python、pycharm工具包，还包括常规的过程式程序设计语言—诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(lan)或广域网(wan)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
[0161]
应该理解的是，附图中的流程图和框图，图示了按照本发明各种实施例的方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而
定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0162]
本发明实施例提供的计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
[0163]
上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备执行上述实施例所示的方法。
[0164]
以上描述仅为本发明的较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本发明中所涉及的公开范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述公开构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本发明中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。