基于深度學(xué)習(xí)的巖石圖像識(shí)別
發(fā)布時(shí)間:2023-05-24 21:20
隨著計(jì)算機(jī)技術(shù)的崛起,地質(zhì)調(diào)查工作方式產(chǎn)生了巨大的變革。巖石圖像識(shí)別是地質(zhì)學(xué)研究的一個(gè)重要領(lǐng)域,也是地質(zhì)調(diào)查工作的一項(xiàng)重要內(nèi)容。在目前的巖性識(shí)別工作中,仍需專業(yè)人員對(duì)野外獲取的巖石標(biāo)本制備巖石薄片進(jìn)行分析,整個(gè)流程工作量大,時(shí)間周期長(zhǎng)。為優(yōu)化此流程,本文提出基于深度學(xué)習(xí)的巖石圖像識(shí)別方法,探索巖石新鮮剖面圖像的自動(dòng)識(shí)別。一方面,本文提出了基于深度學(xué)習(xí)的巖石巖性自動(dòng)識(shí)別方法。針對(duì)巖石新鮮剖面圖像,結(jié)合遷移學(xué)習(xí)方法,通過對(duì)預(yù)訓(xùn)練模型的凍結(jié)與微調(diào),實(shí)現(xiàn)了基于VGG、Res Net和Dense Net的巖石圖像識(shí)別模型,獲得了巖石巖性識(shí)別最佳實(shí)踐。對(duì)比分析表明,Dense Net網(wǎng)絡(luò)結(jié)構(gòu)深度大、連接稠密,作為模型的特征提取器,可以在巖石新鮮剖面數(shù)據(jù)集上獲得最佳識(shí)別效果,其中模型my Dense Net-all在測(cè)試集上的F1為89.84%,準(zhǔn)確率為94.48%。另一方面,針對(duì)地質(zhì)人員野外離線作業(yè)環(huán)境,本文研究了巖石識(shí)別模型的壓縮和移動(dòng)端部署。通過輕量化模型設(shè)計(jì)、網(wǎng)絡(luò)剪枝和模型量化的思想,設(shè)計(jì)并實(shí)現(xiàn)了巖石圖像識(shí)別的壓縮模型,大幅降低模型大小。實(shí)驗(yàn)表明,先進(jìn)行0.1閾值的通道稀疏化,再量化整個(gè)模型...
【文章頁(yè)數(shù)】:59 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究進(jìn)展
1.2.1 巖石圖像識(shí)別
1.2.2 深度學(xué)習(xí)技術(shù)
1.3 研究?jī)?nèi)容
1.4 論文技術(shù)路線
1.5 論文組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
2.1 深度學(xué)習(xí)基礎(chǔ)
2.1.1 從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)
2.1.2 從人腦視覺機(jī)理到計(jì)算機(jī)視覺
2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
2.2 巖石巖性基礎(chǔ)
2.2.1 巖石巖性
2.2.2 巖石巖性識(shí)別
2.3 本章小結(jié)
3 基于深度學(xué)習(xí)的巖石圖像識(shí)別方法研究
3.1 識(shí)別方法設(shè)計(jì)
3.1.1 遷移學(xué)習(xí)
3.1.2 特征提取器
3.1.3 損失函數(shù)和優(yōu)化器
3.1.4 分類器
3.1.5 評(píng)價(jià)指標(biāo)
3.2 數(shù)據(jù)集的建立
3.2.1 數(shù)據(jù)來源
3.2.2 數(shù)據(jù)標(biāo)注
3.2.3 數(shù)據(jù)集劃分
3.2.4 數(shù)據(jù)增強(qiáng)
3.3 實(shí)驗(yàn)過程
3.3.1 實(shí)驗(yàn)環(huán)境
3.3.2 模型建立
3.4 實(shí)驗(yàn)結(jié)果與對(duì)比分析
3.5 本章小結(jié)
4 巖石識(shí)別模型壓縮研究
4.1 壓縮方法設(shè)計(jì)
4.1.1 基于深度可分離卷積的壓縮方法
4.1.2 基于網(wǎng)絡(luò)剪枝和模型量化的壓縮方法
4.2 實(shí)驗(yàn)過程
4.2.1 實(shí)驗(yàn)環(huán)境
4.2.2 模型建立
4.3 實(shí)驗(yàn)結(jié)果與對(duì)比分析
4.4 模型移動(dòng)端部署與對(duì)比分析
4.4.1 模型部署
4.4.2 模型推理與對(duì)比分析
4.5 本章小結(jié)
5 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝
本文編號(hào):3822335
【文章頁(yè)數(shù)】:59 頁(yè)
【學(xué)位級(jí)別】:碩士
【文章目錄】:
摘要
ABSTRACT
1 緒論
1.1 研究背景及意義
1.2 國(guó)內(nèi)外研究進(jìn)展
1.2.1 巖石圖像識(shí)別
1.2.2 深度學(xué)習(xí)技術(shù)
1.3 研究?jī)?nèi)容
1.4 論文技術(shù)路線
1.5 論文組織結(jié)構(gòu)
2 相關(guān)理論基礎(chǔ)
2.1 深度學(xué)習(xí)基礎(chǔ)
2.1.1 從生物神經(jīng)網(wǎng)絡(luò)到人工神經(jīng)網(wǎng)絡(luò)
2.1.2 從人腦視覺機(jī)理到計(jì)算機(jī)視覺
2.1.3 卷積神經(jīng)網(wǎng)絡(luò)
2.2 巖石巖性基礎(chǔ)
2.2.1 巖石巖性
2.2.2 巖石巖性識(shí)別
2.3 本章小結(jié)
3 基于深度學(xué)習(xí)的巖石圖像識(shí)別方法研究
3.1 識(shí)別方法設(shè)計(jì)
3.1.1 遷移學(xué)習(xí)
3.1.2 特征提取器
3.1.3 損失函數(shù)和優(yōu)化器
3.1.4 分類器
3.1.5 評(píng)價(jià)指標(biāo)
3.2 數(shù)據(jù)集的建立
3.2.1 數(shù)據(jù)來源
3.2.2 數(shù)據(jù)標(biāo)注
3.2.3 數(shù)據(jù)集劃分
3.2.4 數(shù)據(jù)增強(qiáng)
3.3 實(shí)驗(yàn)過程
3.3.1 實(shí)驗(yàn)環(huán)境
3.3.2 模型建立
3.4 實(shí)驗(yàn)結(jié)果與對(duì)比分析
3.5 本章小結(jié)
4 巖石識(shí)別模型壓縮研究
4.1 壓縮方法設(shè)計(jì)
4.1.1 基于深度可分離卷積的壓縮方法
4.1.2 基于網(wǎng)絡(luò)剪枝和模型量化的壓縮方法
4.2 實(shí)驗(yàn)過程
4.2.1 實(shí)驗(yàn)環(huán)境
4.2.2 模型建立
4.3 實(shí)驗(yàn)結(jié)果與對(duì)比分析
4.4 模型移動(dòng)端部署與對(duì)比分析
4.4.1 模型部署
4.4.2 模型推理與對(duì)比分析
4.5 本章小結(jié)
5 總結(jié)與展望
5.1 總結(jié)
5.2 展望
參考文獻(xiàn)
個(gè)人簡(jiǎn)介
導(dǎo)師簡(jiǎn)介
獲得成果目錄
致謝
本文編號(hào):3822335
本文鏈接:http://www.sikaile.net/kejilunwen/shengwushengchang/3822335.html
最近更新
教材專著