研究背景与任务
岩石样本检测是地质勘探的重要环节，传统方法依赖复杂的特征工程和专业知识，效果不理想。近年来，深度学习在图像分类领域取得突破，为岩石样本检测提供了新的思路。本研究旨在利用图像处理技术和深度学习算法，实现岩石样本的智能识别分类，并计算岩石含油气情况。
数据探索与预处理
研究发现数据存在类别不平衡、标签错误、图像信息杂乱、数据格式差异等问题。针对这些问题，采取了相应的预处理措施，包括使用Focal Loss解决类别不平衡、利用置信学习剔除错误标签数据、通过裁剪图像的颜色占比减少类别外的干扰信息、通过轮廓检测和闭环处理精确JPG格式图像的岩石面积等。此外，还采用了随机裁剪和网格裁剪进行数据增强，并基于两种不同的裁剪策略搭建了不同的分类模型。
基于DCNN的岩性智能识别与分类
针对随机裁剪数据，构建了“全局-局部模型”，通过并联式模块融合图像全局与局部特征，岩石分类准确率为81.43%。针对网格裁剪数据，分别以EfficientNet-B3与MobileNet-V3为主干网络训练分类模型，并结合TTA策略进行滑动窗口预测，岩石分类的准确率分别为78.57%和80.00%。最后，通过“硬投票”方式对三个模型进行融合，岩石分类准确率提升至82.86%。
岩石含油比例计算
针对荧光环境下的图像数据，通过HSV颜色空间转换和Canny边缘检测，分割出荧光区域和岩石区域，并计算二者面积占比，从而估计岩石的含油量。实验结果表明，该方法能够有效分割荧光区域和岩石区域，并计算出较为准确的岩石含油比例。
实验结果分析
实验结果表明，所提出的模型和方法能够有效识别岩石样本的岩性类别，并计算岩石的含油量。在数据质量不佳的情况下，依然能够实现80%以上的分类准确率，具备一定的岩石岩性识别与分类的能力。
总结与展望
本研究成功地将深度学习技术应用于岩石样本的智能识别分类和含油量计算，为地质勘探提供了新的技术手段。未来，期待能有更高质量的数据图像及标签，以及更先进的深度学习模型，进一步提升岩石样本检测的准确性和效率。
