基于级联卷积神经网络的岩石薄片图像岩石分类
图像与视频处理
2020-03-25 v1 地球与行星天体物理
摘要
岩石分类在岩石力学、岩石学、采矿工程、岩浆作用以及众多其他地球科学相关领域中起着重要作用。本研究提出一种级联卷积神经网络（Con-CNN）方法，基于岩石薄片对地质岩石类型进行分类。其中，使用平面偏振光（PPL）和正交偏振光（XPL）获取薄片图像作为基础数据。在进行必要的预处理分析后，将 PPL 与 XPL 图像及其合成图像（CI）输入三个结构相同的卷积神经网络（CNN）中以完成初步分类；这些图像通过融合主成分分析（PCA）得到。随后，利用最大似然检测将各 CNN 的结果级联以获得综合分类结果。最后，应用统计修正来修正因外观相似矿物比例差异导致的误分类。本研究制作了 13 类共 92 个岩石样本、196 张岩石薄片、588 张图像和 63504 个图像块用于 Con-CNN 的训练与验证。五折交叉验证表明，所提方法总体准确率达 89.97%，促进了岩石薄片岩石分类的自动化。
引用
@article{arxiv.2003.10437,
title = {Rock Classification in Petrographic Thin Section Images Based on Concatenated Convolutional Neural Networks},
author = {Cheng Su and Sheng-jia Xu and Kong-yang Zhu and Xiao-can Zhang},
journal= {arXiv preprint arXiv:2003.10437},
year = {2020}
}