技术特征：
1.一种岩屑类型识别方法，其特征在于，包括以下步骤：获取待识别岩屑图像；将所述待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到所述待识别岩屑图像的识别结果；其中，所述岩屑类型识别模型是通过以下方式训练得到的：获取训练样本，所述训练样本中包括多个类型的样本图像，每张所述样本图像对应一个分类标注结果，多个所述类型包括粗砂岩、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；将所述训练样本输入至resnet34分类网络模型，得到每张所述样本图像的预测分类结果；根据各张所述样本图像的预测分类结果和分类标注结果，确定所述resnet34分类网络模型的总损失值；在所述总损失值满足预设的模型训练结束条件时，将训练结束时的所述resnet34分类网络模型作为所述岩屑类型识别模型，若所述总损失值不满足所述模型训练结束条件，调整所述resnet34分类网络模型的模型参数，根据调整后的模型参数对所述resnet34分类网络模型进行迭代训练，直到所述总损失值满足所述模型训练结束条件。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：分别对每张所述样本图像进行以下处理，得到多张第三图像，所述以下处理包括：对每张所述样本图像裁剪至设定尺寸，得到多张第一图像；对每张所述第一图像进行水平翻转，得到多张第二图像；对每张所述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；所述将所述训练样本输入至resnet34分类网络模型，得到每张所述样本图像的预测分类结果，包括：分别将每张所述第一图像、每张所述第二图像和每张所述第三图像输入至所述resnet34分类网络模型，得到每张图像的预测分类结果。3.根据权利要求1所述的方法，其特征在于，所述resnet34分类网络模型包括特征提取层和relu激活函数，所述将所述训练样本输入至resnet34分类网络模型，得到每张所述样本图像的预测分类结果，包括：对于每张所述样本图像，通过所述特征提取层提取所述样本图像的图像特征；对于每张所述样本图像，将所述样本图像的图像特征输入至所述relu激活函数，得到所述样本图像的预测分类结果。4.根据权利要求3所述的方法，其特征在于，所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；所述第一卷积模块包括64个7*7的卷积核，所述第一残差模块包括3个串联第二卷积模块，每个所述第二卷积模块包括64个3*3的卷积核；所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，所述第三卷积模块包括串联的第一单元和第二单元，所述第一单元包括128个3*3的卷积核，所述第二单元包括128个3*3的卷积核，所述第四卷积模块包括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；
所述第三残差模块包括第五卷积模块和第六卷积模块，所述第五卷积模块包括串联的第三单元和第四单元，所述第三单元包括256个3*3的卷积核，所述第四单元包括256个3*3的卷积核，所述第六卷积模块包括5个第二卷积单元，每个所述第二卷积单元包括256个3*3的卷积核和256个3*3的卷积核；所述第四残差模块包括第七卷积模块和第八卷积模块，所述第七卷积模块包括串联的第五单元和第六单元，所述第五单元包括512个3*3的卷积核，所述第六单元包括512个3*3的卷积核，所述第八卷积模块包括2个第三卷积单元，每个所述第三卷积单元包括512个3*3的卷积核和512个3*3的卷积核。5.根据权利要求1至3中任一项所述的方法，其特征在于，所述根据各张所述样本图像的预测分类结果和分类标注结果，确定所述resnet34分类网络模型的总损失值，包括：根据各张所述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，确定所述resnet34分类网络模型的总损失值。6.根据权利要求1至3中任一项所述的方法，其特征在于，对于每张所述样本图像，所述样本图像通过图像采集设备采集，所述图像采集设备包括：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，所述送样结构包括岩屑样本的送样口和入样口；所述送样口下方对应所述成像室的内部，所述岩屑盘设置在所述成像室的底部，所述入样口处设置有可活动挡板，在所述图像采集器采集样本图像时，通过所述可活动挡板将所述送样口封闭；在所述图像采集器采集完所述样本图像时，将所述可活动挡板开启，以使新的岩屑样本通过所述送样口投放至所述岩屑盘；所述图像采集器设置在所述成像室外部，所述图像采集器对准所述岩屑盘，用于采集所述岩屑盘上盛放的所述岩屑样本的样本图像；所述岩屑盘与所述驱动装置连接，所述驱动装置用于为所述岩屑盘提供动力以使所述岩屑盘翻转倾倒，将所述岩屑盘上的岩屑样本从所述岩屑盘上倒出去。7.根据权利要求1至3中任一项所述的方法，其特征在于，所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。8.一种岩屑类型识别装置，其特征在于，包括：图像获取模块，用于获取待识别岩屑图像；识别模块，用于将所述待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到所述待识别岩屑图像的识别结果；其中，所述岩屑类型识别模型是通过以下模型训练模块训练得到的：模型训练模块，用于获取训练样本，所述训练样本中包括多个类型的样本图像，每张所述样本图像对应一个分类标注结果，多个所述类型包括粗砂岩、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；将所述训练样本输入至resnet34分类网络模型，得到每张所述样本图像的预测分类结果；根据各张所述样本图像的预测分类结果和分类标注结果，确定所述resnet34分类网络模型的总损失值；在所述总损失值满足预设的模型训练结束条件时，将训练结束时的所述resnet34分类网络模型作为所述岩屑类型识别模型，若所述总损失值不满足所述模型训练结束条件，调整所述resnet34分类网络模型的模型参数，根据调整后的模型参数对所述resnet34分类网络模型进行迭代训练，直到所述总损失值满足所述模型训练结束条件。
9.一种电子设备，其特征在于，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，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的方法。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的方法。
技术总结
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，该方法包括：获取待识别岩屑图像；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；其中，岩屑类型识别模型是基于ResNet34分类网络模型训练得到的。通过本发明的方法，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。智能化水平。智能化水平。
技术研发人员：丁燕 崔猛 汪海阁 伍东 赵飞 史肖燕 崔奕 于洋 汪文智
受保护的技术使用者：中国石油集团工程技术研究院有限公司
技术研发日：2022.06.13
技术公布日：2022/8/5