基于轻量化网络的馆藏岩心图像二维岩性智能识别方法

张燕; 张凌远; 张宏兵; 孙江兵; 唐泽宇; 何紫娟; 雒聪

doi:10.12404/j.issn.1671-1815.2507503

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (30) :12926-12941 DOI: 10.12404/j.issn.1671-1815.2507503

论文：天文学、地球科学

基于轻量化网络的馆藏岩心图像二维岩性智能识别方法

张燕 ¹^,² ,
张凌远 ³^,^* ,
张宏兵 ³ ,
孙江兵 ¹^,²^,³ ,
唐泽宇 ³ ,
何紫娟 ¹^,² ,
雒聪 ³

作者信息 +

2D Lithology Intelligent Recognition Method of Core Images in Library Collections Based on Lightweight Network

ZHANG Yan ¹^,² ,
ZHANG Ling-yuan ³^,^* ,
ZHANG Hong-bing ³ ,
SUN Jiang-bing ¹^,²^,³ ,
TANG Ze-yu ³ ,
HE Zi-juan ¹^,² ,
LUO Cong ³

Author information +

文章历史 +

摘要

随着中国能源资源勘探的深入,传统岩性识别方法已难以满足海量岩心样本的高效精准分析需求。人工智能技术的发展为岩性智能识别提供了新思路,但仍面临复杂地质条件下岩性边界模糊、多尺度特征融合不足等挑战。为此,提出了一种结合深度学习与精细化标签技术的创新方法。构建了残差全连接网络(串联式与并联式),有效解决了深层网络梯度问题,并设计群点采样和奇偶行列采样策略,突破传统点对点预测模式,大幅增加了模型对区域岩性特征的感受野。此外,基于K-means聚类和专家知识建立的二次精细化标签体系,实现了对过渡带、裂缝等复杂地质特征的精准捕捉。实验结果表明,采用多维度红绿蓝色彩模型(red-green-blue, RGB)图像特征,配合19×19采样窗口的并联式网络结构,模型在测试集上准确率为80%,Macro-F₁为72.5%,相对基线模型提升显著,其中二长片麻岩识别准确率超85%。本文方法在保持模型轻量化、提升训练效率47%的同时,展现出广阔的应用前景:其不仅能规模化应用于馆藏岩心的自动化解释以降低人工成本,更为未来在勘探现场部署边缘计算设备、推动地质勘探迈向即时化与智能化提供了核心技术支撑,为地质信息学与人工智能的深度融合开辟了新路径。

Abstract

With the deepening of energy resource exploration in China, traditional lithology identification methods have become inadequate for the efficient and accurate analysis of massive core samples. The development of artificial intelligence technology has provided new insights for intelligent lithology identification. However, it still faces challenges under complex geological conditions, such as blurred lithological boundaries and insufficient multi-scale feature fusion.To address these issues, an innovative method combining deep learning with fine-grained labeling technology was proposed. Residual fully connected networks (both serial and parallel) were innovatively constructed, and the vanishing gradient problem in deep networks was effectively solved by these networks. Group-point and odd-even row-column sampling strategies were further designed. Through these strategies, the traditional point-to-point prediction mode was broken through, and the model’s receptive field for regional lithological features was significantly expanded. In addition, a secondary fine-grained labeling system based on K-means clustering and expert knowledge was established, and the precise capture of complex geological features such as transition zones and fractures was enabled. Experimental results show that using multi-dimensional RGB (red-green-blue)image features and a parallel network structure with a 19×19 sampling window, the model achieves an accuracy of 80% and a Macro-F₁ score of 72.5% on the test set. This represents a significant improvement over baseline models. Notably, the recognition accuracy for monzogranitic gneiss exceeds 85%. This method maintains the model’s lightweight nature while improving training efficiency by approximately 47%, demonstrating broad application prospects. It can be scaled for the automated interpretation of archived core samples to significantly reduce labor costs. Looking forward, it provides core technical support for deploying edge computing devices directly at exploration sites, driving geological exploration toward a real-time, intelligent paradigm and opening a new path for the deep integration of geoinformatics and artificial intelligence.

Graphical abstract

关键词

岩性识别 / 深度学习 / 轻量化网络 / 残差全连接 / 矿物成分分析 / 智能地质勘探

Key words

lithology identification / deep learning / lightweight network / residual fully connected / mineral composition analysis / intelligent geological exploration

引用本文

引用格式 ▾

张燕, 张凌远, 张宏兵, 孙江兵, 唐泽宇, 何紫娟, 雒聪. 基于轻量化网络的馆藏岩心图像二维岩性智能识别方法[J]. 科学技术与工程, 2026, 26(30): 12926-12941 DOI:10.12404/j.issn.1671-1815.2507503

ZHANG Yan, ZHANG Ling-yuan, ZHANG Hong-bing, SUN Jiang-bing, TANG Ze-yu, HE Zi-juan, LUO Cong. 2D Lithology Intelligent Recognition Method of Core Images in Library Collections Based on Lightweight Network[J]. Science Technology and Engineering, 2026, 26(30): 12926-12941 DOI:10.12404/j.issn.1671-1815.2507503

登录浏览全文

4963

注册一个新账户忘记密码

地质大调查以来,中国开展了多轮地质矿产勘查和大量基础地质调查工作,获取了大量的岩心样本。传统岩性识别与分类主要依赖地质工作者通过野外观察、取心薄片分析等方式进行^[1]。然而,在大面积的取心找矿背景下,精细化的岩性划分对专家识别的效率和精度提出了较高要求。特别是在岩性过渡带、薄夹层和裂缝等复杂地质区域,传统方法往往因考虑岩体的整体岩性而忽略局部细节特征^[2]。随着高分辨率岩心扫描技术的应用^[3-5],海量岩心图像数据进一步加剧了人工解释的负担,需要高效且自动化的智能识别方法,以辅助专家解决大数据条件下的地质钻探和岩性识别工作。

传统方法的局限性促使了自动化技术的发展。随着计算机性能的提升与人工智能技术的快速发展,地质及油气勘探领域的应用获得了新的技术路径。研究人员采用机器学习和深度学习的方法,基于岩石特征参数、测井资料或岩心图像等多源数据,开展了岩性识别、智能检测以及薄片矿物识别等工作。早期研究多采用支持向量机^[6]、随机森林^[7]和浅层神经网络^[8]等机器学习算法,实现手标本尺度图像的智能化识别。后期逐渐转为利用卷积神经网络(convolutional neural network,CNN)、ResNet等深度学习算法对测井序列数据和岩心图像数据进行处理与识别^[9]。然而,这类模型高度依赖样本特征工程的精确性,且难以有效处理高维图像数据特征。为此,研究者引入卷积神经网络^[10]提取图像全局特征,显著提高了图像处理的能力。Xu等^[11]利用常规的卷积层对手标本图像进行分类取得了较好效果,随后针对二维图像的风化和人为污染问题,提出结合岩石的元素信息的序列化处理方法^[12],为复杂岩性以及现场快速鉴定工作提供了思路。谭永健等^[13]引入深度可分离卷积的Xception网络和残差连接,结合迁移学习微调方法,在减少参数量的同时保持较高的岩性分类精度。

但上述方法局限于手标本岩样,难以处理实际取芯样本中存在的构造裂缝或岩性变化等复杂情况。Ran等^[14]利用野外俯拍图像选取局部窗口构建数据集,有效识别地质过程中天然形成的裂缝,实现了6类常见岩石的准确分类。Liu等^[15]采用Faster R-CNN目标检测框架对手标本图像进行放大处理,通过建立具有重叠样本的数据集,提高了地下岩体稳定性评价和岩石分类的精细度。Alzubaidi等^[16]针对实际岩心图像采用小窗口分类预测方法,在油气勘探关注的砂岩、页岩、灰岩和泥岩等岩性识别中取得较好效果。熊越晗等^[17]基于工程勘察中的砂岩、泥岩及其过渡岩性,利用Inception模型进行预测,但砂质泥岩和泥质砂岩等相似岩性的识别效果仍有待提升。Yan等^[18]通过改进CNN网络并引入高斯约束,分别预测红色软岩层和风化程度,并将模型集成到小程序中辅助野外地质调查。闫彦芳等^[19]针对岩性影像纹理相似性高,单一二维影像识别困难的问题,引入无人机采集的影像,结合通道叠加、小波变换等4种多模态融合影像融合方式,提高了野外碎屑岩岩性识别的稳定性与可靠性。Hou等^[20]针对岩石图像特征相似但纹理不同的问题,采用残差网络和自适应矩估计改进目标检测算法,提升了原位岩石图像的识别可靠性。值得注意的是,常规图像分类方法多采用卷积神经网络,而卷积核尺度直接影响岩性边界的识别效果。在仅依赖图像特征的情况下,缺乏明确的指示特征可能导致岩性边界模糊或过渡带误判等问题^[21]。因此,综合考虑特征提取类型和矿物成分分析是建立可靠岩性标签的重要基础。

在手标本或局部图像的基础上,许多学者关注岩石内部的矿物成分,通过偏光镜、扫描电镜或X射线衍射等方式^[22-24],开展薄片矿物图像的智能化识别研究。杨彪等^[25]采用多分辨率的图像,结合可分离卷积模块和注意力机制,建立了5类矿物的有效识别方法,并对结果进行可解释性分析。曹蒙等^[26]专注于火成岩薄片的矿物成分预测,利用SVM模型识别石英和铁镁矿物,并结合地质信息进行解释。李春生等^[27]引入注意力机制改进Mask R-CNN算法,实现了致密岩石的矿物成分的精确分割与识别。王婷婷等^[28]改进ConvNeXt V2模型,嵌入全局注意力机制和多尺度特征融合模块,对6类矿物成分进行识别,在多项指标的对比中均获得了最优效果。任书杰等^[29]基于Faster R-CNN算法对砂岩中存在的石英、长石和岩屑三类显微组分进行判别,为正交偏光薄片矿物分类提供了智能化的处理流程。刘烨等^[30]不仅实现矿物成分分割,还结合自然语言处理技术对薄片矿物图像进行智能化的地质解释,通过模型微调获得良好的迁移学习效果,降低了人工误判风险。尽管矿物鉴别尺度与岩心样本存在差异,但岩性特征本质上由矿物分布与岩石成因共同决定,因此矿物识别研究为岩性识别提供了重要的多源信息参考和算法支持。需要指出的是,岩性识别较矿物鉴定更为复杂,仅依靠图像颜色信息难以满足需求,必须综合考虑矿物赋存状态、地质条件和识别尺度等多重因素来构建岩性识别数据集。

综合上述研究背景及当前海量岩心分析面临的技术瓶颈,现提出以下解决方案:首先,在模型架构层面,引入残差结构克服深层全连接网络的反向传播中的梯度爆炸或消失问题,构建残差全连接神经网络架构,这大幅提升了岩性识别模型的轻量化特性,为未来在地质勘探现场部署边缘计算设备、实现即时岩性分析奠定了算力基础。其次,在标签标定层面,建立以主要矿物成分聚类为基础的二次精细化岩性标签体系,在确保标签可靠性的前提下,增加模型对裂缝、岩性过渡带和矿物聚集等复杂区域的识别与泛化能力;最后,在特征捕捉层面,改进样本采样策略,突破传统点对点预测模式,构建适配岩性识别的“群点对单点”及“奇偶行列”预测模式。通过扩大样本感受野范围,模型能充分利用小窗口岩石信息综合预测单点岩性变化,从而实现高效、精准的岩性智能化分析,为地学大数据处理提供全新的数据驱动范式。

1 岩心图像智能处理与识别流程

1.1 研究区概况与数据集

研究区位于秦岭造山带的东延部分——苏鲁造山带南缘,夹持于邵桑断裂和海泗断裂之间,位于沭阳盆地的南东侧边缘及南部,盆地基本为第四系所覆盖。据已有地质与多源物探资料,区内可能最老的地层为古元古代东海变质岩群,中—新元古代锦屏岩群主要为一套绿色片岩、变粒岩、白云石大理岩及磷灰石岩变质建造,而新元古代云台岩群则主要为一套变粒岩和浅粒岩变质建造。锦屏岩群系指覆盖于东海杂岩中花岗质片麻岩之上,整合于云台岩群之下的一套以含磷岩系为主的沉积变质地层,岩石组合以大理岩-片岩-磷灰石岩为特征,并夹有少量变粒岩、石英岩等岩石。

该区域主要针对锦屏岩群中可能赋存的磷矿资源以及伴生的大理石资源进行开发利用。在勘探过程中获取了大量的钻孔岩心样本,但对岩心的解释和定名耗费了大量的专家资源。依托岩心数据库的基础,岩心图像的智能化识别技术能够实现降本增效,同时降低人工误判的情况。数据来源为研究区的A孔,选择了其中200 m作为代表岩心段,共获取了664张岩心滚扫图像。由于部分图像存在地质人员在取心过程中用红色油漆进行编号的情况,以及过于破碎的岩心段需要进行裁剪和筛除。因此,最后参与训练和预测的总计为338张岩心滚扫图像,具体的岩性类别以及训练与预测数量划分(表1)。

需要特别说明的是,经过处理后的单张岩心图片可以提供30 000~50 000个样本,如果采用改进的采样方式,每个样本对应的数据量将扩大数倍,因此整个数据集能够满足大数据的样本要求。此外,受限于设备内存要求,在338张图像中,选择161张参与训练与验证,其中80%的样本作为训练集,20%作为验证,而余下177张图像作为未知样本检验模型泛化性。

1.2 方法流程

本文方法的流程如图1所示,研究目标是根据专家进行粗分类的岩心滚扫图像,通过聚类的方式分析其矿物分布并进行二次精细化打标,获取反映数据集岩性过渡、夹层和裂缝等细节的二维标签。通过降采样特征提取扩充样本特征并缩小图像尺寸,最后基于深度学习模型实现滚扫岩心图像的智能化识别,并利用未知样本对模型的精度、稳定性与泛化性进行评估。

总体而言,本文方法分为4个主要步骤。

(1)数据集预处理与特征提取。所使用的数据集均为岩心柱经过滚扫所拍摄的图像,由于岩心保留了采集时留下的红色油漆以及破裂面不具有典型性,同时岩心图像分辨率过高,不匹配设备要求。因此,首先对原始图像进行裁剪,去掉油漆部分以及顶底端岩心横切面破裂处,保证图像整体色彩参数一致。此外,原始岩心图像尺寸较大,计算机处理的速度和存储空间有限,而训练需要涵盖不同岩性的大量图像参与,所以对图像进行降采样处理并结合特征提取,获得了3类有意义的特征,具体的处理方法在2.3节中进行了阐述。

(2)人机协同精细化标签处理。经过处理后的图像需要经过专家判别并给定粗标签,结合勘探的地质资料与岩心切片分析结果可以获得主要的矿物成分和含量范围作为二次划分的基础。基于K-means无监督聚类的方法,将不同粗标签的矿物依据其种类确定聚类中心数量,聚类后获得岩心图像的矿物分布。进而利用小尺度的滑动窗口对矿物分布图像进行二次精细化打标,根据窗口中不同矿物的含量给单像素点赋予标签。具体的处理方法和结果在3.1节中进行了阐述。

(3)网络模型建立与采样方式。为了网络轻量化及稳定性,选用了全连接网络结构,并引入残差连接避免深层网络在反向传播过程中梯度消失问题。以此为基础设计了串联式与并联式残差全连接网络结构,通过多个残差模块的串联或并联的方式增加网络复杂性(网络细节在3.2节中进行详细阐述),并且能够引入不同的数据采样方式获得不同的感受野。需要特别说明的是,岩性是由区域尺度的矿物、结构与构造定义的,采用点对点预测岩性并未考虑尺度效应。因此,在3.3节中针对设计的两类网络采用了群点采样和奇偶采样的方式获取更大的感受野,提高单个样本对整个采样窗口矿物的综合考虑程度。

(4)模型训练与评估。最后,依据2.1节中已划分的数据集对模型进行训练,选择准确率(Accuracy)和宏-F₁(Macro-F₁)为指标,待损失曲线收敛后保存模型并用于评估。在模型训练和参数优化的过程中,选择验证集预测指标进行调整,当验证集达到最优的效果后选择该模型对测试集预测,评估模型对岩心图像智能化预测的整体效果、稳定性和泛化性。

1.3 降采样特征提取

原始岩心图像具有高分辨率的特征,直接对全分辨率的图像数据进行处理将导致计算复杂度和时间复杂度呈指数级增长,对计算机硬件设备的要求也极高。因此,为平衡计算效率并保留矿物特征,采用局部窗口对原始图像进行降采样特征提取处理。主要提取的特征如下。①均值:表征窗口内RGB三通道像素值强度的平均水平;②标准差:表征窗口内RGB三通道像素值的离散程度;③熵:衡量窗口内RGB三通道像素值纹理复杂度,特征提取的步骤如下。

令输入图像为I,在图像坐标为(x,y)处取n×n的局部窗口W_x_,_y,窗口的滑动步长为1,窗口内的RGB三通道像素值可以分别定义为{p_i_,_j|1≤i,j≤n},其中${\mathit{p}}_{\mathit{i},\mathit{j}}=\{{\mathit{r}}_{\mathit{i},\mathit{j}},{\mathit{g}}_{\mathit{i},\mathit{j}},{\mathit{b}}_{\mathit{i},\mathit{j}}\}\in {\mathrm{R}}^{1\times 3}$,则3个特征共9个特征值计算公式为

(1)${\mathit{\mu }}_{\mathit{x},\mathit{y}}=\frac{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}{\mathit{p}}_{\mathit{i},\mathit{j}}}{\mathit{n}\times \mathit{n}}$

(2)${\mathit{\sigma }}_{\mathit{x},\mathit{y}}=\frac{1}{\mathit{n}}\sqrt{\stackrel{\mathit{n}}{\sum _{\mathit{i}=1}}\stackrel{\mathit{n}}{\sum _{\mathit{j}=1}}({\mathit{p}}_{\mathit{i},\mathit{j}}-{\mathit{\mu }}_{\mathit{x},\mathit{y}}{)}^{2}}$

(3)${\mathit{H}}_{\mathit{x},\mathit{y}}=-\stackrel{255}{\sum _{\mathit{k}=0}}\frac{\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}({\mathit{p}}_{\mathit{i},\mathit{j}}=\mathit{k})}{\mathit{n}\times \mathit{n}}\mathrm{l}\mathrm{o}{\mathrm{g}}_{2}\left[\frac{\mathrm{c}\mathrm{o}\mathrm{u}\mathrm{n}\mathrm{t}({\mathit{p}}_{\mathit{i},\mathit{j}}=\mathit{k})}{\mathit{n}\times \mathit{n}}\right]$

式中:μ_x,y、σ_x,y和H_x,y分别为图像坐标为(x,y)处提取后的均值、标准差和熵;count(·)为计数函数。

选择数据集中具有代表性的岩心图像为例说明降采样过程(图2),包括斜长片岩、斜长片麻岩、二长片麻岩和云母石英片岩这4类岩性,每个子图的左侧为原始岩心图像,右侧为经过降采样的岩心图像结果。可以看出降采样后的结果保留了原始图像表现出来的岩石结构、构造和矿物特征,同时降低了图像占用的物理内存,便于图像数据快速加载与处理,满足了小内存设备的要求。

此外,选择图2(c)说明特征提取过程,该图粗标签定义为二长片麻岩。原图尺寸为5 671×6 204像素,经过降采样后图像尺寸为333×364像素,内存空间降低至原来的 1/280。基于实际岩心样本尺寸,纵向为25.6 cm,横向为28 cm,降采样后图像的等效像素间距约为0.769 mm,该采样间距适用于整个岩心滚扫数据集。降采样的过程能够与特征提取并行处理,通过滑动窗口获取均值、标准差和熵的RGB三通道构成的图像(图3)。均值实际为提取后的低分辨率图像,标准差对色差较大的区域以及岩心裂缝较为敏感,而熵值在高亮区域表现为偏紫色的特征,在红色锈迹以及相对深色处表现为白色。因此,特征提取丰富了模型输入所关注的不同角度,从原有的RGB 3个特征增加到3类共9个特征,对提高模型预测精度和泛化性具有较大影响。

2 岩心图像标签化与智能识别模型设计

2.1 基于K-means聚类的岩性标签精细划分

由于原始的岩心滚扫图像数据集中没有给定标签需要进行专家鉴定,选择了长度约为200 m的岩心段,共计664张,提供专家打标。但专家标签大部分是针对相对较长的一段岩心给定统一的岩性标签,而其中的岩性过渡、互层和夹层等细节现象较难确定具体位置。为了精细化识别二维岩心图像的岩性分布,需要通过窗口区域的矿物分布与含量二次确定每个像素点的岩性类别,为模型识别提供高质量的岩性标签。专家判定的粗类别包括4类:斜长片岩、斜长片麻岩、二长片麻岩和云母石英片岩,而精细化打标在此基础上增加了表示裂隙和污染的其他类,以及表示石英石条带的石英石类,共计6类。

主要可以分为3个步骤:①岩性粗类别判定。由专家确定代表性岩心图片的粗类别,结合取心的薄片矿物成分和种类;②K-means聚类矿物分布,依据粗类别确定的矿物种类获得岩心图片的主要矿物成分分布;③窗口岩性标签确定。最后选择合适窗口对主要矿物进行统计,并依据矿物含量百分比进行精细化打标,并填充因窗口缺失的图像边缘,恢复至原始图像尺寸。

K-means聚类是一种无监督机器学习算法,用于将数据样本划分为K个类别(即互斥簇),使得同一簇内样本的相似度最大化,不同簇间样本的相似度最小化。该算法依据专家对岩心样本的粗划分岩性结果,以及收集整理的少量岩心薄片矿物统计结果计算聚类中心数量,并应用于岩心图像的主要矿物成分自动聚类,为后续小区域矿物成分二次打标为精细化岩性标签奠定基础,其优化目标是最小化簇内误差,以欧氏距离作为代价函数表示为

(4)$\mathit{S}\mathit{S}\mathit{E}=\stackrel{\mathit{K}}{\sum _{\mathit{i}=1}}\sum _{\mathit{x}\in {\mathit{C}}_{\mathit{i}}}{\left(\mathit{x}-{\mathit{\mu }}_{\mathit{i}}\right)}^{2}$

式(4)中:C_i为第i个互斥簇;μ_i为第i个互斥簇的聚类中心;x为数据点。

K-means聚类包括以下步骤。

步骤1 初始化。随机选择K个点作为聚类中心。

步骤2 分配数据点。计算每个数据点到所有聚类中心的距离,将其分配到最近的聚类中心。

步骤3 更新聚类中心。计算每个簇内所有点的均值,并将聚类中心移动到这个均值的位置。

步骤4 重复步骤2和步骤3,直到聚类中心不再明显变化或达到最大迭代次数。

以二长片麻岩和云母石英片岩为例(图4),两张图像经过粗分类[图4(b)],所有像素点均被划分为二长片麻岩(用红色表示)或云母石英片岩(用灰色表示),经过K-means聚类后获得的矿物分布[图4(c)]不仅明显体现出钾长石、斜长石、黑云母和石英的分布,同时能反映出裂缝、红色锈迹以及中部钻井污染的横向条带等非矿物特征(统一用蓝色表示)。最后,选择21×21且步长为1的滑动窗口对矿物分布图进行采样,保留非矿物的其他类不变,并以窗口中不同矿物的含量作为划分条件精细化给定标签[图4(d)]。可以看出精细化标签能够保持与专家粗标签大类一致,并且增加了裂缝、石英石条带等更多细节内容。需要注意的是,精细化标签可能在矿物聚集区形成错误类标签,例如云母石英片岩中,黑云母在中部汇集,导致精细化标签判定为斜长片麻岩,但这一情况在整个数据集中出现得较少,仅使用相对明显的图像进行说明。

2.2 残差全连接网络及样本采样策略

为实现岩心滚扫图像智能识别技术的轻量化开发,选择具有高效、稳定、泛化性高和可训练性强等特点的全连接网络作为识别模型主体。但随着网络结构和层数增加,反向传播的过程中易造成梯度消失或梯度爆炸等问题,在传统全连接的基础上引入残差连接构建残差全连接网络模块[图5(a)],主要由输入层、输出层及2个隐藏层构成,并使用ELU激活函数进行非线性映射及Dropout层引入扰动避免出现过拟合。其中的残差连接为将输入数据直接并入第2个隐藏层的输出,最终传递到输出层。基于该模块的线性串联,设计了串联式残差全连接网络[图5(b)],该网络由3个结构相同的残差全连接模块彼此连接构成,但全连接层的参数设置不同,增加了网络的复杂性,能够更好地刻画岩心图像与复杂岩性之间的关系。模块①~模块③的参数分别为[input_num, 256, 256, 512],[512, 1 024, 512, 256],[256, 128, 64, output_num],Dropout层统一采用0.3,整体参数量约为288.5万。

此外,在采样策略方面,由于岩性是由区域尺度的矿物、结构与构造特征所定义的,采用常规全连接网络点对点预测岩性并未考虑尺度效应对预测效果的影响。因此,在本研究中设计了群点采样策略[图5(c)],选择图像I中坐标为(x,y)的像素点,以此为中心取m×m大小步长为1的滑动窗口构成群点,由于每个像素点包含了降采样过程中提取的9类特征,定义群点为${\mathit{q}}_{(\mathit{x},\mathit{y})}\in {\mathrm{R}}^{\mathrm{m}\times \mathrm{m}\times 9},$其对应的标签为坐标(x,y)处原始的岩性标签。

在实验的过程中,群点构成的训练样本数量所需内存空间较大,并且希望获得更大的感受野实现更好的训练效果,导致常规台式计算机较难满足要求。为平衡设备内存与感受野之间的矛盾,利用残差全连接模块优化设计了并联式残差全连接网络,并配合设计了奇偶行列采样策略。并联式网络采用了4个残差全连接模块[图6(a)],单独对奇数行列数据与偶数行列数据进行非线性处理,各自经过2个模块后将输出数据进行拼接,通过整合层汇总信息并预测岩性结果。其中模块①和模块③,以及模块②和模块④的参数设置相同,分别为[input_num, 512, 512, 256]和[256,256,128,128],2个整合层及输出层的参数为[256, 64, output_num],Dropout层统一采用0.3,整体参数量约为193.6万,大致为串联式网络参数量的67%。

奇偶行列数据的采样[图6(b)]与群点采样类似,以坐标为(x,y)的像素点为中心取m×m大小步长为1的滑动窗口,分别从窗口中提取奇数行与列、偶数行与列的数据构成奇偶行列组,可定义为$\{\mathrm{o}\mathrm{d}{\mathrm{d}}_{(\mathit{x},\mathit{y})},\mathrm{e}\mathrm{v}\mathrm{e}{\mathrm{n}}_{(\mathit{x},\mathit{y})}\},$若假设m=2k+1其中$\mathrm{o}\mathrm{d}{\mathrm{d}}_{(\mathit{x},\mathit{y})}\in {\mathrm{R}}^{(\mathrm{k}+1)\times (\mathrm{k}+1)\times 9},\mathrm{e}\mathrm{v}\mathrm{e}{\mathrm{n}}_{(\mathit{x},\mathit{y})}\in {\mathrm{R}}^{\mathrm{k}\times \mathrm{k}\times 9}\mathit{。}$与群点采样配合串联式网络相比,并联式网络虽然增加了模块数量,但网络参数的调整使得其占用的内存空间与串联式基本一致;奇偶行列采样策略在窗口大小相同的情况下,降低了近一半的内存空间。因此,并联式网络结构与奇偶行列采样相结合,在相似内存空间下实现了增加图像感受野的效果。

2.3 模型建立和环境配置

本研究针对串联式和并联式网络模型实例化选择了多类不同的超参数组合进行对比说明,具体参数设置(表2)。通过模型①至模型③对比,说明采样窗口尺寸对预测效果的影响;通过模型③和模型⑤对比,说明串联式和并联式残差全连接网络对该任务的适配程度;通过模型④至模型⑥对比,说明输入特征量对模型预测效果的影响。此外,并联式模型采用19×19的采样窗口所占用的内存大小与串联式模型17×17的采样窗口基本一致,该设计是为了充分利用计算设备以获得更大的图像感受野。具体的对比实验将在第4节中进行详细阐述。

使用Python 3.10环境创建和开发串联式与并联式残差全连接模型,利用了PyTorch(版本=2.0)和Scikit-Learn(版本=1.3)库。模型均在RTX3070显卡CUDA(version=12.2)系统的Inter(R) Core(TM) i7-11700K CPU @3.60 GHz上运行。需要特别说明的是,为实现岩性的精确预测,使用多点预测单点的映射方式,使得该模型的训练过程至多需要96~128 G的运行内存。

3 实验与分析

为说明残差全连接网络对岩心滚扫图像智能化岩性识别的整体效果,结合表2所述的模型参数,设计了如下3组对比试验。

实验1:针对不同的采样窗口尺寸,使用模型①、模型②、模型③进行训练与预测,选择最优采样窗口尺寸。

实验2:针对不同的网络结构,使用模型③和模型⑤进行训练与预测,选择最优网络结构。

实验3:针对不同输入数据的特征量,使用模型④、模型⑤、模型⑥进行训练与预测,选择能够充分利用内存的最优特征数量。

此外,针对岩心滚扫图像的多分类任务,采用准确率(Accuracy)和宏F₁(Macro-F₁)两个指标进行综合评价。准确率(Accuracy)是评价整个样本空间中分类正确的比例,能评价模型整体的预测效果,其公式为

(5)$\mathrm{A}\mathrm{c}\mathrm{c}\mathrm{u}\mathrm{r}\mathrm{a}\mathrm{c}\mathrm{y}=\frac{\mathrm{T}\mathrm{P}+\mathrm{T}\mathrm{N}}{\mathrm{T}\mathrm{P}+\mathrm{F}\mathrm{P}+\mathrm{T}\mathrm{N}+\mathrm{F}\mathrm{N}}\times 100\mathrm{\%}$

式中:TP、TN、FP、FN分别为真正例、真负例、假正例和假负例的样本数量。

F₁指标是每一类样本精确率(Precision)和召回率(Recall)的调和平均数,精确率是指在所有模型预测为正的样本中实际为正的比例,而召回率是指所有实际为正样本中,模型能够正确预测的比例。而宏F₁是每一类别的F₁的平均数,因此宏-F₁不仅能够更准确地体现模型的真实效果,同时对各类别中预测偏差较大的情况敏感度较高,需要先引入精确率(Precision)和召回率(Recall)的公式。

(6)$\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{i}\mathrm{o}{\mathrm{n}}_{\mathit{c}}=\frac{\mathrm{T}{\mathrm{P}}_{\mathit{c}}}{\mathrm{T}{\mathrm{P}}_{\mathit{c}}+\mathrm{F}{\mathrm{P}}_{\mathit{c}}}\times 100\mathrm{\%}$

(7)$\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}{\mathrm{l}}_{\mathit{c}}=\frac{\mathrm{T}{\mathrm{P}}_{\mathit{c}}}{\mathrm{T}{\mathrm{P}}_{\mathit{c}}+\mathrm{F}{\mathrm{N}}_{\mathit{c}}}\times 100\mathrm{\%}$

Macro-F₁可以表示为

(8)$\mathit{M}\mathit{a}\mathit{c}\mathit{r}\mathit{o}-{\mathit{F}}_{1}=\frac{2}{\mathit{n}}\frac{\stackrel{\mathit{n}}{\sum _{\mathit{c}=1}}\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{i}\mathrm{o}{\mathrm{n}}_{\mathit{c}}\stackrel{\mathit{n}}{\sum _{\mathit{c}=1}}\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}{\mathrm{l}}_{\mathit{c}}}{\stackrel{\mathit{n}}{\sum _{\mathit{c}=1}}\mathrm{P}\mathrm{r}\mathrm{e}\mathrm{c}\mathrm{e}\mathrm{s}\mathrm{i}\mathrm{o}{\mathrm{n}}_{\mathit{c}}+\stackrel{\mathit{n}}{\sum _{\mathit{c}=1}}\mathrm{R}\mathrm{e}\mathrm{c}\mathrm{a}\mathrm{l}{\mathrm{l}}_{\mathit{c}}}\times 100\mathrm{\%}$

式中:n为总岩性类别数;c为类别;Precesion_c和Recall_c分别为第c类的精确率和召回率;TP_c、FP_c和FN_c分别为第c类的TP、FP和FN。

需要特别说明的是,模型训练以验证集损失超过10轮未下降作为停止指标,记录所有指标并给出混淆矩阵。后续的多组对比试验选择了测试集中具有夹层或条带的3张图片为例进行效果说明。

3.1 采样窗口尺度对模型预测效果的影响

针对采样窗口尺寸设计了m=11、13、17的3类大小,均使用串联式残差全连接网络的预测指标(表3)。从测试结果可以看出,随着采样窗口增大,每轮训练的时间也相对变长,但在可接受范围内,模型的准确率自73.54%提升至76.12%,Macro-F₁自63.07%提升至68.94%,均表现出明显提升。

除整体指标外,模型①~模型③的混淆矩阵(图7)具体说明了不同岩性的预测准确度,以及具体预测的岩心图片和结果对比。从混淆矩阵来看,3个模型均对片岩和片麻岩识别精度较低,出现彼此误判的现象,二长片麻岩的识别精度最高。云母石英片岩在模型①和模型②中识别精度较低,但石英石的精度很高,说明这两类岩性也容易混淆误判。模型③在保持其他类精度基本一致的情况下,提高了对云母石英片岩和石英岩的整体精度,但误判依然存在。从预测结果对比(图8)也可看出,图8(a)~图8(c)的变化较小,模型③降低了片麻岩中错判为石英岩的比例,但图像中上部的片岩则增加了错判的比例。图8(d)~图8(f)随着采样窗口增加,降低了识别为石英岩而增加了云母石英片岩的概率,且污染条带在模型③的预测结果中相对明显。图8(g)~图8(i)中明显体现出随着窗口尺寸增加,识别为错误岩性的概率降低,整体识别结果连续性更强。但受限于设备内存无法再增大群点采样的窗口尺寸,因此最优模型的采样窗口尺寸考虑采用模型③的设置。

3.2 网络结构对预测效果的影响

由于群点采样已经达到设备极限,选择采用奇偶行列采样配合并联式残差全连接网络进行模型训练。根据4.1节所述,群点采样的窗口为m=17,若采用奇偶行列采样的方式,单个样本包含的像素点基本一致,但采样窗口可以拓展到m=19,增加样本感受野。改变网络结构后的预测指标(表4),模型的测试集准确率在77%左右,Macro-F₁自68.94%提升至71.52%,均表现出明显提升。此外,并联式残差全连接网络的参数量少于串联式,模型每轮的训练时间减半,在基本一致的性能下训练效率明显提高。

从混淆矩阵的结果(图9)可以看出,模型⑤对其他类、斜长片岩、斜长片麻岩和云母石英片岩的提升不明显或近似,二长片麻岩精度略微增加,但石英石的预测准确度提高了12%。但其中斜长片岩和斜长片麻岩、云母石英片岩和石英石的误判依然突出。从预测结果对比(图10)来看,模型③在片岩的刻画中相对模型⑤更好,而片麻岩差强人意,值得一提的是模型⑤的预测结果在中上部体现出了条带特征;相比模型⑤,模型③对污染条带的刻画较强,但二长片麻岩误判为石英云母片岩较多,二者均有可取之处;图10(e)和图10(f)展示的两个模型效果近似,二者对比可以看出模型③在中部错误的概率较小,云母石英片岩的连续性更好,而模型⑤对底部石英石预测更完整。

通过对比不同模型结构的预测效果,认为并联式残差全连接网络实现了与串联式网络相似的精度,同时提高了网络训练效率,结合奇偶行列采样策略获得了更大的感受野,能够实现更广泛信息的综合。

3.3 参数数量对模型预测效果的影响

结合所选择的采样窗口尺寸和模型架构,主要针对并联式网络结构的输入数据特征数进行讨论。通过降采样特征提取,获得了RGB 3个参数各自的均值、标准差和熵,据此设计了使用均值的3个特征、使用均值和标准差的6个特征以及全部使用的9个特征进行对比试验。预测指标(表5)随特征数量增加,测试集准确率从67.8%提高至80%,而Macro-F₁从61.8%提高至72.5%,均出现10%以上的明显提高,每轮训练时间也相对增加不大,相比模型③使用6个特征且单个样本像素点基本一致的情况下,模型⑥的单轮训练时间仍然较短,说明并联式网络高效改善了训练过程。

随着特征数增加,模型对斜长片岩、斜长片麻岩和云母石英片岩的预测效果逐渐提升,二长片麻岩的准确率基本达到瓶颈(图11)。虽然模型⑥的整体效果较好,但对石英石的判断力降低了,模糊为云母石英片岩。对混淆矩阵的分析能清晰地反映在预测结果中(图12),模型⑤和模型⑥对片岩和片麻岩的判断准确度较好,特别是模型⑥对于片麻岩条带刻画十分清晰,也保留了中上部条带的变化。二长片麻岩的预测结果相似。此外,图12(g)~图12(i)中部的云母石英片岩的连续性更明显,干扰岩性更少,但模型⑥底部石英石的准确性相比模型⑤较低。

4 结论与展望

4.1 结论

随着新一轮找矿突破战略行动的推进,岩心样本量必将迅速增加,对岩心样本的解释和定名会耗费大量专家资源。依托岩心大数据库的背景,岩心智能化识别技术能够实现降本增效,同时降低人工误判的风险。构建了基于残差全连接网络的岩心滚扫图像智能化识别模型,提出了基于K-means聚类的精细化岩性标签,构建了串联式和并联式残差全连接网络模型。两类模型架构在传统全连接的基础上引入残差结构,有效克服了梯度回传过程中的消失或爆炸现象。不同模型配合使用的群点采样和奇偶行列采样策略,避免了传统点对点的预测模式,形成更适配岩性识别的群点对单点的模式;奇偶行列采样在控制内存占用的同时,成倍扩充了感受野范围。

实验结果表明,增加采样窗口大小和样本多维特征输入(均值、标准差、熵),有助于提升样本信息丰富度,提高模型对岩性整体的精细刻画能力。尤其是采用19×19窗口的并联式残差全连接网络,在保持模型参数量约为串联式67%的轻量化优势下,显著提升了训练效率和准确率,实现了算力资源与预测精度的优异平衡。不仅关注了深度学习在地学的应用,也为海量馆藏岩心数据的自动化解释提供了可靠工具。同时,结合地学领域的岩性定义构建样本数据,为地质信息学与智能识别、数据驱动的融合提供了新的研究视角和方向。

4.2 展望

(1)多模态数据融合与自动化处理前景。尽管本文通过K-means聚类实现了精细化标签,但仍存在少量次要矿物干扰主要矿物聚类的情况,且未考虑图像中的红色油漆等人工标记。未来应用中,可引入自然语言处理解析测井报告与野外记录,结合更高精度的图像分割模型,构建“图像-文本-地质先验”多模态融合的岩心自动化处理流水线,进一步优化数据质量。

(2)相似岩性与原位地质解释体系。现有模型对部分构造相似岩性的识别仍存在混淆,这受限于变质岩命名高度依赖岩石构造而非单一成分的特性。未来的研究应致力于建立岩石构造、矿物成分及岩性演化之间的底层地质知识图谱映射关系。这不仅能提升类间辨识度,更能将该轻量化模型直接嵌入野外无人机或便携式取心设备中,实现从实验室分析向勘探现场实时决策的应用发展。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	仝容超. 高光谱结合机器学习的岩性识别方法研究[D]. 西安: 西安石油大学, 2024.

[2]	Tong Rongchao.Research on lithology identification method combining hyperspectral and machine learning[D]. Xi’an: Xi’an Shiyou University, 2024.

[3]	许振浩, 马文, 李术才, 等. 岩性识别: 方法、现状及智能化发展趋势[J]. 地质论评, 2022, 68(6): 2290-2304.

[4]	Xu Zhenhao, Ma Wen, Li Shucai, et al. Lithology identification: methods, current situation and intelligent development trends[J]. Geological Review, 2022, 68(6): 2290-2304.

[5]

Larson T E, Sivil J E, Periwal P, et al. A machine-learning workflow to integrate high-resolution core-based facies into basin-scale stratigraphic models for the wolfcamp and third bone spring sand, delaware basin[J]. Journal of Subsurface Characterization, 2023, 11(4). DOI: 10.1190/INT-2023-0009.1.

[6]	Zhang X, Zhang H, Chang F, et al. Application of corrected met-hods for high-resolution XRF core scanning elements in lake sediments[J]. Applied Sciences, 2020, 10(22). DOI: 10.3390/app10228012.

[7]	Khodadadzadeh M, Gloaguen R. Upscaling high-resolution mineralogical analyses to estimate mineral abundances in drill core hyperspectral data[C]// IEEE International Geoscience and Remote Sensing Symposium. Yokohama: IEEE, 2019: 1845-1848.

[8]	管耀, 王清辉, 冯进, 等. 基于机器学习的蚀变火成岩测录井综合岩性识别--以南海北部珠江口盆地惠州26-6井区为例[J]. 吉林大学学报(地球科学版), 2024, 54(1): 345-358.

[9]

Guan Yao, Wang Qinghui, Feng Jin, et al. Integrated lithological identification of altered igneous rocks based on machine learning: a case study of the Huizhou 26-6 well area in the Pearl River Mouth Basin of the South China Sea[J]. Journal of Jilin University (Earth Science Edition), 2024, 54(1): 345-358.

[10]	孙婧, 赵军龙, 张雨辰, 等. 基于SSMO-SSA-LGBM算法的致密砂岩储层岩性识别[J]. 地质通报, 2025, 44(5): 935-948.

[11]	Sun Qian, Zhao Junlong, Zhang Yuchen, et al. Rock type identification of tight sandstone reservoirs based on the SSMO-SSA-LGBM algorithm[J]. Geological Bulletin of China, 2025, 44(5): 935-948.

[12]	高雅田, 杨俊国. 基于PSO-BP的岩性识别方法研究[J]. 计算机与数字工程, 2024, 52(4): 1119-1124.

[13]	Gao Yatian, Yang Junguo. Research on rock type recognition method based on pso-bp[J]. Computer & Digital Engineering, 2024, 52(4): 1119-1124.

[14]	曾锐, 邵燕林, 黄宇, 等. 基于深度学习的测井岩性智能识别[J]. 科学技术与工程, 2025, 25(30): 12804-12812.

[15]	Zeng Rui, Shao Yanlin, Huang Yu, et al. Intelligent identification of logging lithology based on deep learning[J]. Science Technology and Engineering, 2025, 25(30): 12804-12812.

[16]	Xu Z, Ma W, Lin P, et al. Deep learning of rock images for intelligent lithology identification[J]. Computers & Geosciences, 2021, 154: 104799.

[17]	Xu Z, Shi H, Lin P, et al. Integrated lithology identification based on images and elemental data from rocks[J]. Journal of Petroleum Science & Engineering, 2021, 205: 108853.

[18]	Xu Z, Shi H, Lin P, et al. Intelligent on-site lithology identification based on deep learning of rock images and elemental data[J]. IEEE Geoscience and Remote Sensing Letters, 2022, 19: 1-5.

[19]	谭永健, 田苗, 徐德馨, 等. 基于Xception网络的岩石图像分类识别研究[J]. 地理与地理信息科学, 2022, 38(3): 17-22.

[20]	Tan Yongjian, Tian Miao, Xu Dexin, et al. Research on rock image classification and recognition based on xception network[J]. Geography and Geo-Information Science, 2022, 38(3): 17-22.

[21]	Ran X, Xue L, Zhang Y, et al. Rock classification from field image patches analyzed using a deep convolutional neural network[J]. Mathematics, 2019, 7(8). DOI: 10.3390/math7080755.

[22]	Liu X, Wang H, Jing H, et al. Research on intelligent identification of rock types based on faster R-CNN method[J]. IEEE Access, 2020, 8: 21804-21812.

[23]	Alzubaidi F, Mostaghimi P, Swietojanski P, et al. Automated lithology classification from drill core images using convolutional neural networks[J]. Journal of Petroleum Science & Engineering, 2021, 197. DOI: 10.1016/j.petrol. 2020.107933.

[24]	熊越晗, 刘东燕, 刘东升, 等. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版), 2021, 51(5): 1597-1604.

[25]	Xiong Yuehan, Liu Dongyan, Liu Dongsheng, et al. An automatic rock classification method based on deep learning of microscopic images of rock samples[J]. Journal of Jilin University (Earth Science Edition), 2021, 51(5): 1597-1604.

[26]	Yan B, Zheng L, Wang X, et al. Deep learning-based recognition method of red bed soft rock image[J]. Geological Journal, 2023, 58(6): 2418-2426.

[27]	闫彦芳, 邵燕林, 王庆, 等. 基于数据融合的无人机影像碎屑岩岩性识别[J]. 科学技术与工程, 2024, 24(12): 4869-4875.

[28]	Yan Yanfang, Shao Yanlin, Wang Qing, et al. Lithology identification of clastic rock in UAV images based on data fusion[J]. Science Technology and Engineering, 2024, 24(12): 4869-4875.

[29]	Hou Z, Wei J, Shen J, et al. Intelligent lithology identification methods for rock images based on object detection[J]. Natural Resources Research, 2023, 32(6): 2965-2980.

[30]	Rodger A, Fabris A, Laukamp C. Feature extraction and clustering of hyperspectral drill core measurements to assess potential lithological and alteration boundaries[J]. Minerals, 2021, 11(2). DOI: 10.3390/min11020136.

[31]	郝慧珍, 顾庆, 胡修棉. 基于机器学习的矿物智能识别方法研究进展与展望[J]. 地球科学, 2021, 46(9): 3091-3106.

[32]	Hao Huizhen, Gu Qing, Hu Xiumian. Research progress and prospects of intelligent mineral recognition methods based on machine learning[J]. Earth Science, 2021, 46(9): 3091-3106.

[33]

Müller S, Meima J A. Mineral classification of lithium-bearing pegmatites based on laser-induced breakdown spectroscopy: application of semi-supervised learning to detect known minerals and unknown material[J]. Spectrochimica Acta, Part B: Atomic Spectroscopy, 2022, 189. DOI: 10.1016/j.sab. 2022.106370.

[34]	施宁, 刘敬寿, 张冠杰, 等. 利用语义分割深度学习的致密砂岩储层薄片裂缝连通性计算[J]. 科学技术与工程, 2026, 26(7): 2834-2843.

[35]	Shi Ning, Liu Jingshou, Zhang Guanjie, et al. Fracture connectivity calculation of tight sandstone reservoir thin sections using semantic segmentation deep learning[J]. Science Technology and Engineering, 2026, 26(7): 2834-2843.

[36]	杨彪, 倪瑞璞, 高皓, 等. 基于多分辨率图像的矿物特征自动提取与矿物智能识别模型[J]. 有色金属工程, 2022, 12(5): 84-93.

[37]	Yang Biao, Ni Ruipu, Gao Hao, et al. Automatic extraction of mineral features based on multi-resolution images and intelligent recognition model for minerals[J]. Nonferrous Metals, 2022, 12(5): 84-93.

[38]	曹蒙, 王志章, 李冰涛, 等. 火成岩岩石薄片智能识别及分类方法[J]. 地质论评, 2023, 69(4): 1581-1588.

[39]	Cao Meng, Wang Zhizhang, Li Bingtao, et al. Intelligent recognition and classification method for thin sections of igneous rocks[J]. Geological Review, 2023, 69(4): 1581-1588.

[40]	李春生, 刘涛, 刘宗堡, 等. 基于空间注意力机制的Mask R-CNN致密储层岩石薄片图像鉴定[J]. 中国石油大学学报(自然科学版), 2024, 48(4): 24-32.

[41]	Li Chunsheng, Liu Tao, Liu Zongbao, et al. Image identification of dense reservoir rock thin sections based on the spatial attention mechanism of Mask R-CNN[J]. Journal of China University of Petroleum (Natural Science Edition), 2024, 48(4): 24-32.

[42]	王婷婷, 蒋静怡, 赵万春, 等. 改进ConvNeXt V2的岩石薄片岩性识别方法[J]. 石油地球物理勘探, 2025, 60(2): 292-301.

[43]	Wang Tingting, Jiang Jingyi, Zhao Wanchun, et al. Improved ConvNeXt V2 method for identifying rock thin section lithology[J]. Oil Geophysical Prospecting, 2025, 60(2): 292-301.

[44]	任书杰, 胡勇, 何文祥, 等. 基于深度学习的砂岩组分显微图像识别[J]. 科学技术与工程, 2024, 24(9): 3727-3736.

[45]	Ren Shujie, Hu Yong, He Wenxiang, et al. Microscopic image recognition of sandstone components based on deep learning[J]. Science Technology and Engineering, 2024, 24(9): 3727-3736.

[46]	刘烨, 韩雨伯, 朱文瑞. 矿物组分识别与智能解释在不同岩性之间的信息共享与迁移学习[J]. 地学前缘, 2024, 31(4): 95-111.

[47]	Liu Ye, Han Yubo, Zhu Wenrui. Identification and intelligent interpretation of mineral components, as well as information sharing and transfer learning among different rock types[J]. Earth Science Frontiers, 2024, 31(4): 95-111.

基金资助

江苏省地质勘查项目(824121916)

国家自然科学基金(42374128)

国家级大学生创新创业训练计划(202510294048)

PDF (43250KB)

访问

被引

详细

导航

Received	Published	Revised
2025-10-28	2026-10-28	2026-04-21
Online Date
2026-11-10

摘要