基于自然图像的钻探岩心识别.pdf

基于自然图像的钻探岩心识别高辉1,2，吴振坤3，柯雨4，谭松成1,2，何思琪1，段隆臣1,2(1.中国地质大学(武汉)工程学院，湖北 武汉 430074；2.中国地质大学(武汉)地球深部钻探与深地资源开发国际联合研究中心，湖北 武汉 430074；3.中国地质大学(武汉)自动化学院，湖北 武汉 430074；4.中国地质大学(武汉)未来技术学院，湖北 武汉 430074)摘要:传统的现场岩心识别与编录主要依赖技术人员的经验，不确定性因素较多，使用手机或相机拍摄自然图像是采集岩心信息最为便捷的方式。通过搜集大量的岩心样本，采用薄片鉴定的方式确定岩心的类型和名称，然后在不同的光照、尺度条件下拍摄岩心图像，形成图像和名称标记相对应的卷积神经网络的训练数据集。为解决数据增强和不同训练批次在不同测试数据集上产生的识别准确率的差异性问题，提出基于多训练模型的岩心联合识别方法，同时采用多个模型对图像进行识别，综合确定识别结果。选择 8 个数据集对模型进行测试，使用 4 个模型联合识别的准确率比单模型无数据增强时最大提升 20.34%，平均提升 9.13%；比单模型有数据增强时最大提升 4.41%，平均提升2.75%，对每个测试集的识别准确率均有明显提升，总的识别准确率达 91.56%，有效避免了使用单模型识别时对部分数据集识别效果好，而对部分数据集识别效果差的问题。为了在现场快捷使用岩心识别模型，采用 TensorFlow Lite 框架研发了岩心识别手机 APP，通过手机拍摄图像，并进行识别。在河北省保定市博野县地热勘探中的测试结果表明，该 APP 的现场识别准确率可达 85%,较实验室测试时有所降低，说明野外的拍摄环境与岩心状态比实验室测试时更加复杂，不过，其依然可以作为一个辅助工具为现场工作人员提供重要的参考。研究表明，通过选用更复杂的卷积神经网络、不断扩大岩心图像数据集、采用更有效的数据增强方法和策略、建立某个区域的专有岩心识别模型等手段，可以进一步提升岩心图像的识别准确率，为智能钻探的决策提供更有效的信息。关键词：自然图像；岩心识别；深度学习；卷积神经网络；智能钻探中图分类号：P624.5；O235 文献标志码：A 文章编号：1001-1986(2023)09-0064-08DrillingcoreidentificationbasedonnaturalimageGAO Hui1,2,WU Zhenkun3,KE Yu4,TAN Songcheng1,2,HE Siqi1,DUAN Longchen1,2(1.Faculty of Engineering,China University of Geosciences,Wuhan 430074,China;2.National Center for International Research onDeep Earth Drilling and Resource Development,China University of Geosciences,Wuhan 430074,China;3.School of Automation,China University of Geosciences,Wuhan 430074,China;4.School of FutureTechnology,China University of Geosciences,Wuhan 430074,China)Abstract:The traditional on-site core identification and recording mainly rely on the experience of technicians,andthere are many uncertain factors.Limited by the site conditions,using mobile phones or cameras to capture the naturalimages is the most convenient way to collect the core information.Therefore,it is necessary to study the feature informa-tion extraction technology of core image and apply it to the identification and prediction of core type and other informa-tion.Specifically,a large number of core samples were collected,the thin-section identification method was employed to 收稿日期:2023-06-10；修回日期:2023-08-06基金项目:国家自然科学基金重点项目(61733016)第一作者:高辉，1977 年生，男，湖北天门人，博士，副教授，从事岩石破碎和智能钻探相关的教学科研工作.E-mail：通信作者:段隆臣，1967 年生，男，江西九江人，博士，教授，博士生导师，从事深部地质工程、钻头与岩土的相互作用方面的研究工作.E-mail： 第 51 卷 第 9 期煤田地质与勘探Vol.51 No.92023 年 9 月COAL GEOLOGY&EXPLORATIONSep.2023高辉，吴振坤，柯雨，等.基于自然图像的钻探岩心识别J.煤田地质与勘探，2023，51(9)：6471.doi:10.12363/issn.1001-1986.23.06.0333GAO Hui，WU Zhenkun，KE Yu，et al.Drilling core identification based on natural imageJ.Coal Geology&Exploration，2023，51(9)：6471.doi:10.12363/issn.1001-1986.23.06.0333determine the core types and names,and then the core images were taken under different lighting and scale conditions toform the training data sets of convolutional neural networks corresponding to the image and name markers.In order tosolve the problem of the different identification accuracy generated by data augmentation and different training batcheson different test datasets,a joint core identification method based on multiple training models was proposed,and mul-tiple models were used simultaneously to identify the images so as to comprehensively determine the final identificationresults.Besides,8 datasets were selected to test the model,and the accuracy of joint identification using multiple models(4 models were used herein)was improved by 20.34%at maximum(9.13%on average)compared to the single modelwithout data augmentation,and 4.41%at maximum(2.75%on average)compared to the single model with data aug-mentation.In general,the identification accuracy for each test set is significantly improved,with a total identification ac-curacy of 91.56%.Hence,the proposed method effectively avoids the problem that a single model has the performancegood for some datasets but poor for the others during the identification.In order to quickly use the core identificationmodel in field drilling,a core identification mobile APP was developed using the TensorFlow Lite framework,so thatthe core images could be taken directly with the mobile phone at the scene for identification.The test results of geo-thermal exploration in Boye County,Baoding City,Hebei Province,show that APP has the field identification accuracyup to 85%,which is lower than that obtained in the laboratory test.This indicates that the shooting environment and corestate in the field are more complex than that during laboratory testing,but it can still be used as an auxiliary tool toprovide an important reference for field workers.The research shows that the identification accuracy of core images canbe further improved by using the more complex convolutional neural networks,expanding the core image datasets,ad-opting the more effective data augmentation methods and strategies,and establishing a proprietary core identificationmodel for a specific area,so as to provide more effective information for the decision-making of intelligent drilling.Keywords:natural image;core identification;deep learning;convolutional neural network;intelligent drilling 智能钻探的研究领域涵盖钻速的优化、钻进过程的智能控制、钻进故障的识别与防控、随钻测量、地层识别等。对于地质岩心钻探，采取的岩心是进行地层识别最直接的手段，一般的地层岩性编录依赖于现场技术人员的经验，准确的岩性识别1需要将样本带回实验室进行薄片鉴定，试验周期较长。随着人工智能技术的发展，基于人工定义的特征提取的机器学习算法可以用于岩石薄片图像的自动识别2。基于深度学习的岩石薄片矿物自动识别方法，通过卷积神经网络自动提取图像特征，进一步提升了识别的准确率3。基于轻量级卷积神经网络结构的算法对岩石薄片图像进行分类，可减少模型参数，提升岩石分类速度，增强模型的可移植性4。不过，岩石薄片图像是在显微镜下成像的，并非自然图像。自然图像是采用照相机根据感光单元拍摄出来的，使用阳光、灯光等普通光源，自然图像具有易于获得、成本较低的优势，目前多用于不同状态下露头岩石或岩块的识别5，一种无监督特征学习方法用于岩石的自动分类，可解决大量数据集岩石标记难的问题6。迁移学习方法用于对野外露头岩石图像进行识别7，多尺度的方法可对任意尺度的野外露头岩石进行有效的识别8，孪生卷积神经网络方法同时利用岩石的全局特征和局部特征，可提高岩石图像识别的准确率9。深度学习算法用于岩块图像的识别10-12，人工定义的特征和卷积神经网络自动提取的特征相融合的方法，可实现煤岩图像的识别13。不过，用于识别的岩心图像的获取目前主要采用360 度岩心扫描14、X 射线断层扫描15、高光谱成像16等技术实现，这类方法需要使用辅助仪器进行成像，不能直接使用普通光源，与本文的识别目标不同，其主要用于研究岩心的结构特征，而且这些成像设备体积较大、成本较高，无法在现场推广应用。因此，开展了基于自然图像的岩心识别研究，并开发了相应的手机APP17-19，以期提高岩心自动识别的现场使用便捷程度。1岩心图像库的建立本文的研究累计搜集岩心 220 块，通过薄片鉴定等方法，共标记出 3 大类岩中的 15 种岩心，分别是泥岩、页岩、灰岩、白云岩、砂岩、硅质岩、凝灰岩、安山岩、正长岩、花岗岩、英安岩、大理岩、板岩、片麻岩、石英岩。为了提高识别的效果，岩心表面应尽量保持平整，并放置在白色的背景之上，以免因为背景颜色的不同影响识别的效果。通过手机对每个岩心拍照，尽量选择侧面或正面的角度进行拍摄，拍摄时保持一定的距离，保证图像清晰，拍摄训练图像集、测试图像集以及现场岩心图像时均保持上述相同的原则。光照条件对图像的识别有一定的影响，拍摄时尽量保证正常的均匀光照，由于拍摄训练集时不能覆盖更多的光照环境，将对训练集的数据进行人工增强，即对训练集进行各种不同的变换，以模拟更多的拍摄环境，大幅增加训练集的数据量，提高模型的泛化性。图 1 是 15 种岩心代表性的图像，其拍摄方式有所第 9 期高辉等：基于自然图像的钻探岩心识别 65 不同。拍摄距离较远时，岩心图像中包含较多的背景，而拍摄距离较近时，则图像中包含的背景很少或完全不包含背景。此外，岩心照片的拍摄部位包括顶面、底面及侧面，而岩心形状则主要为圆形或方形。硅质岩页岩灰岩白云岩砂岩泥岩凝灰岩安山岩正长岩花岗岩英安岩大理岩板岩片麻岩石英岩图 1 训练集中代表性的岩心图像及其不同的拍摄方式Fig.1 Representative core images in the training set and their different shooting methods 2岩心识别模型2.1图像数据增强对于同一个岩心，由于拍摄时的环境、角度等不同，拍摄出来的图像有很大的差异，训练图像集不可能覆盖所有的情况，因此，常采用数据增强(包含图像增强、图像变换等)的方式来增加训练集的数量，通过对图片进行各种处理，模拟现场环境的变化，扩大识别模型的适应范围。为了不增加数据集的存储空间，一般采用运行时增强的模式，即在读入一张原始训练图像时，根据一定的概率对该图像进行某种变换或变换组合，变换之后加入当前训练批次的图像中对模型进行训练，训练结束之后并不保存该图像。根据岩心图像的特点，须保证其变换之后依然具有岩心图像的基本特征，所以只选用部分有效的变换函数。按照 80%的概率对图像进行变换，首先执行水平翻转、垂直翻转、旋转等三种几何变换中的一种或多种变换的组合，然后执行模糊变换(随机选择高斯滤波、均值滤波或中值滤波中的一种)、锐化变换、浮雕变换、边缘变换、亮度变换、色相和饱和度变换等六种色彩或纹理变换中的一种或多种变换的组合，各种变换的参数在一定的范围内随机选取。2.2卷积神经网络采用卷积神经网络自动提取岩心图像特征，实现岩心的识别，卷积神经网络的基本结构如图 2 所示。(1)一张二维的原始岩心图像输入网络中，首先缩放到固定的大小，然后经过一系列的卷积、池化操作后(此时的权重参数为缺省值，有待根据损失函数进行更新)形成多张二维的岩心特征图像。(2)接下来将二维图像平铺成一维数据，经过测试，将多张二维特征图像进行像素平均后平铺成一维数据，输入图像 统一尺寸卷积层池化层激励函数卷积层池化层激励函数多次卷积池化多张二维特征一维特征图降维全连接层Softmax岩心识别结果图 2 岩心识别卷积神经网络结构Fig.2 Convolutional neural network structure for core identification 66 煤田地质与勘探第 51 卷这样可以达到降维的目的，同时便于和后面的节点形成全连接网络。(3)后面直接增加一个全连接网络，与输出的 15种岩心分类值进行连接，此时产生全连接层的权重参数，是后续训练重点更新的值。(4)在全连接层后面连接一个 Softmax 激励函数，将分类值转换成概率值，在训练时与真值对比并计算损失函数值，在预测时输出岩心分类的结果。训练时，根据预测值和真实值计算损失函数，根据损失函数降低的原则，计算全连接层各权重参数的更新梯度值，并向前传递，更新和优化卷积、池化等操作的权重参数，最终获得最优的权重参数，使得模型输出的预测值和真实值最接近。由于卷积神经网络的深度较大，需要训练的参数较多，一般的专业训练数据集大小不够，训练时会出现严重的过拟合现象，因此，一般采用迁移学习的方法，首先在卷积、池化层网络中直接采用通用数据集的训练模型的参数，只训练全连接层网络的参数；接下来对卷积、池化层网络参数进行微调，只训练该网络中与全连接层接近的部分层，这样提高训练的效率和质量。2.3基于多训练模型的岩心联合识别数据增强虽然是一种有效增加训练数据集、提高模型泛化性的方法，但是人工数据的加入也有可能改变实际训练集的特征，降低卷积神经网络表征与实际训练集接近的测试数据集图像特征的能力，从而降低对该数据集的识别准确率。测试发现，经过数据增强后，确实提高了部分数据集的识别准确率，但是也降低了其他数据集的识别准确率。另外，由于模型的训练是一个随机过程，因此，每次训练出来的模型是不一样的，这样会导致每次训练的模型对不同测试数据的识别准确率会有变化，有的模型对部分数据集的识别准确率高，而对另一些数据集的识别准确率低。为了解决数据增强和不同训练批次在不同测试数据集上产生的识别准确率的差异性问题，提出基于多训练模型的岩心联合识别方法，同时采用多个模型对图像进行识别，每个模型的识别结果是该图像属于各类别的概率，比如 15 种岩心类别，那么每个模型会给出 15 个概率值，对于常规的单模型识别，则直接取这15 个概率中最高的值所对应的类别作为岩心的识别结果；对于多模型联合识别，则将每个模型对各类别的预测概率值累加，取累加值最高的项所对应的类别作为岩心的识别结果。3模型测试3.1训练集数据增强测试采用的训练数据集共有 2 931 张图像，15 种岩心类别，迁移学习训练阶段采用的学习率为 0.001，训练次数为 150 次，在微调阶段采用的学习率为 0.000 1，训练次数为 150 次，微调的层数量占比为 1/3。训练数据集中的 20%用来进行模型的验证，剩下 80%用作实际的训练，图 3a 为训练准确率和验证准确率的变化趋势图，在训练步数达 125 左右时已经收敛，同时，图 3b 中的损失值也稳定在一个较低位。(a)准确率(b)损失00.20.40.60.81.01.250100150准确率/%训练步数训练准确率验证准确率00.20.40.60.81.01.21.41.61.850100150损失值训练步数训练损失值验证损失值图 3 训练过程中的准确率和损失值曲线Fig.3 Accuracy and loss curve during training 为了测试模型的泛化性，测试数据集并不是取自原始的训练数据集，而是在多种不同的条件下重新拍摄而成的新数据集。选择 8 个新数据集进行测试，测试数据集的拍摄条件见表 1，主要考虑拍摄设备、岩心背景、干湿状态、光照条件等影响成像效果的 4 个因素。图像的状态与拍摄者的关系较大，本测试数据集中包含 4 名测试员分别采用 4 种不同的设备拍摄的图像。8 个测试集均覆盖所有 15 类岩心，每个测试集包含 300 张左右的图像。同一个岩心在部分测试集中的图像如图 4 所示，不同的拍摄条件对图像的影响较大。通过对比代表性的卷积神经网络20-22，本节选用较适合现场手机 APP 使用的轻量级卷积神经网络第 9 期高辉等：基于自然图像的钻探岩心识别 67 MobileNet V2_1.423为例测试。由于卷积神经网络模型随机预设权重初始值，所以每次训练的结果都相近，但不完全相同，表 2 列出了在无数据增强和有数据增强两种情况下，分别训练 4 次的模型在 8 个数据集上的测试结果。表 3 给出了无数据增强和有数据增强时 4 次训练的模型在单个数据集中识别准确率的平均值以及在所有数据集中总的平均值，无数据增强时的识别准确率总的平均值为 82.43%，有数据增强时的识别准确率总的平均值为 88.81%，高于无数据增强时的结果。不过，使用数据增强后，测试集 5 和 6 的识别准确率降低了，其他数据集的识别准确率均有所提升，这说明使用数据增强后，卷积神经网络模型降低了对数据集 5 和 6的图像特征的表征能力。3.2多训练模型的联合测试为了解决部分模型降低识别准确率的问题，采用前文提出的基于多训练模型的岩心联合识别方法，经过测试，从 8 个模型中选择 4 个模型，即模型+模型+模型+模型进行联合识别效果最佳，其中来自无数据增强时的训练模型，、来自有数据增强时的训练模型。表 3 显示了该多模型联合识别的准确率以及其与无数据增强和有数据增强时的对比结果，使用多模型联合识别的准确率有明显提升，比无数据增强时的准确率最大提升 20.34%，平均提升 9.13%；比有数据增强时的准确率最大提升 4.41%，平均提升2.75%。使用多模型联合识别后，对每个测试集的识别准确率均有所提升，总的识别准确率达 91.56%，有效避免了使用单模型识别时，提升部分数据集的识别准确率，而降低其他数据集的识别准确率的问题。对比各测试集上的识别结果，总体上可以分为四个区间，第一个区间包含数据集 1 和 6 的识别准确率，均在 98%以上，说明这两个数据集和训练数据集的拍摄条件最吻合；第二个区间包含数据集 2、5 和 8 的识别准确率，均在 93%98%之间，影响这 3 个数据集的因素较多，包括测试员的拍摄设备、拍摄方式、岩心所处背景等均对识别结果可能产生影响；第三个区间包含数据集 3 和 7 的识别准确率，为 91%93%，这两个数据集是在阳光下拍摄的，由于阳光的强弱变化比灯光显著，相比室内可控的光照条件，室外的光照条件更复杂；第四个区间包含数据集 4 的识别准确率，仅为72.99%，该数据集是在潮湿条件下拍摄的，潮湿表面的水对光线的反射与干燥表面的反射有较大的差异，所以该数据集的识别准确率较低。据上述分析可知，对识别准确率影响最大的是干湿条件，由于训练数据集全部是在干燥情况下拍摄的，所以对于潮湿岩心的识别准确率不高，建议在识别的 表1测试数据集的拍摄条件Table1Shootingconditionsfortestdatasets测试数据集编号拍摄设备背景状态光照1A白色干灯光2B白色干灯光3B白色干阳光4B白色湿灯光5C白色干灯光6D白色干灯光7D灰色干阳光8D土色干灯光 2 号测试集3 号测试集4 号测试集8 号测试集图 4 同一个岩心在不同测试集中的图像Fig.4 Images of the same core from different test sets 表2不同训练批次的模型得到的岩心识别准确率 Table2Coreidentificationaccuracyobtainedbymodelsindifferenttrainedbatches%测试数据集编号无增强有增强第1次第2次第3次第4次第1次第2次第3次第4次196.6296.0193.5593.5595.3995.3996.0195.70278.1974.7677.2572.2790.9691.9085.6690.34375.4974.5075.1675.4989.7389.4086.4290.39454.6652.7348.8754.3472.6673.9567.5270.41593.4690.9193.2691.8389.1889.8990.0089.18697.5097.5097.5096.2696.2695.3294.0898.44786.2385.9387.1586.2389.9086.2386.54486.85885.8882.8285.8885.8892.3390.4991.7193.55注：为模型编号。68 煤田地质与勘探第 51 卷时候保持岩心处于干燥状态；由于阳光的照射条件比较复杂，建议有条件时，将岩心样本放在比较均衡的光照下识别；背景对识别的结果影响也较大，建议识别的时候将岩心放在白色背景下。尽管采用数据增强和多模型联合识别的方法，一定程度上提高了模型的泛化性，但是在不同条件下岩心的识别准确率依然不同，为了达到更好的识别效果，建议在相对一致的拍摄条件下进行岩心识别。训练数据集虽然不能覆盖所有的拍摄条件和岩心状态，不过，不断扩充训练数据集依然是提高模型泛化性的有效手段。4现场应用为了在现场便捷使用并快速进行识别，开发了岩心识别手机 APP，采用 TensorFlow Lite(TF Lite)框架，将原来生成的大体积模型文件转换成适用于移动终端的模型(TFLite 模型)，在不影响准确率的情况下减小模型的大小并提高其性能，同时具有很好的可移植性。用 TFLite 解释器所提供的接口读取转换后的模型文件，模型即可被部署到应用程序中，APP 的界面如图 5所示，除了岩心类型外，还提供了岩性的基本介绍、推荐使用的钻探规程参数等。选取河北省保定市博野县地热勘探井(JZ04)的岩心进行手机 APP 测试。现场得到的岩心表面大多被泥浆材料覆盖，因此在试验前需要用清水将岩心上的泥浆及其他碎屑洗净，用洗净后的岩心拍照识别。现场岩心如图 6 所示，其中图 6a 中的数字为该段岩心的长度(单位为 m)，图 6b 为硅质岩，分布深度为4 013.014 013.11 m，图 6c 中的白云岩分布深度为4 009.624 010.02 m。取钻进孔段 4 009.624 017.50 m进行测试，岩心整体为青灰色或灰白色，以硅质含量较高的白云岩为主，白云岩层间分布有厚度不一的深灰色的硅质岩层，岩心多含有裂隙，部分岩心破碎程度较大。开发的手机 APP 搭载轻量级网络 MobileNetV2_1.4，用该 APP 对完整的岩心进行拍照，测试岩心照片共 40 张。采用有数据增强的单模型可正确识别32 张，准确率为 80%，单张图像识别平均耗时 350 ms；采用多模型联合方法(本文取 4 个模型)可正确识别34 张，识别的准确率为 85%，单张图像识别平均耗时1.15 s。虽然采用多模型联合方法的识别时间有所增加，但是准确率提升了 5%。最终测试岩心定名结果见表 4，4 张硅质岩图像全部识别成功，36 张白云岩图像中正确识别 30 张，白云岩容易误判为硅质岩、灰岩、砂岩、板岩等类似的沉积岩或浅变质岩，它们之间确实具有较多相似性。5结论a.提出的基于多训练模型的岩心联合识别方法，同时采用多个模型(本文取 4 个模型)对图像进行识别，综合确定识别结果，对每个测试集的识别准确率均有明显提升，有效避免了使用单模型识别时，提升部分数据集的识别准确率，而降低其他数据集的识别准确率的问题，提高了模型的泛化性。b.本次野外试验中，手机 APP 搭载的是轻量级网络 MobileNet V2_1.4，使用多模型联合识别方法后，该网络在实验室测试的平均准确率为 91.56%，野外测试的准确率为 85%，单张图像识别平均耗时为 1.15 s，该结果仅反映单次试验的情况，不同的试验条件下，测试结果会有变化。目前手机 APP 岩心识别只能给现场技术人员提供一种岩心类别判定的选项，辅助现场决 表3基于多训练模型的岩心联合识别准确率对比 Table3Comparisonofjointcoreidentificationaccuracybasedonmultipletrainingmodels%测试数据集编号无增强平均值有增强平均值多模型联合无增强提升值有增强提升值194.9395.6298.153.222.53275.6289.7193.1417.523.43375.1688.9991.3916.232.40452.6571.1472.9920.341.85592.3789.5693.971.604.41697.1996.0298.441.252.42786.3987.3891.134.743.75885.1292.0293.258.131.23总平均82.4388.8191.569.132.75 图 5 岩心识别手机 APP 界面Fig.5 Mobile APP interface of core identification第 9 期高辉等：基于自然图像的钻探岩心识别 69 策，还不能完全替代技术人员。c.对基于图像的岩心识别进行了试验，试验结果依然还有较大的提升空间，通过选用更复杂的卷积神经网络、不断扩大岩心图像数据集、采用更有效的数据增强方法和策略、建立某个区域的专有岩心识别模型等手段，可以进一步提升岩心图像的识别准确率，为智能钻探的决策提供更有效的信息。参考文献(References)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)：22902304.XU Zhenhao，MA Wen，LI Shucai，et al.Lithology identification：Method，research status and intelligent development trendJ.Geological Review，2022，68(6)：22902304.1 MLYNARCZUK M，GORSZCZYK A，SLIPEK B.The applica-tion of pattern recognition in the automatic classification of mi-croscopic rock imagesJ.Computers&Geosciences，2013，60：126133.2 徐圣嘉，苏程，朱孔阳，等.基于深度学习的岩石薄片矿物自动识别方法J.浙江大学学报(理学版)，2022，49(6)：743752.XU Shengjia，SU Cheng，ZHU Kongyang，et al.Automatic iden-tification of mineral in petrographic thin sections based on im-ages using a deep learning methodJ.Journal of Zhejiang Uni-versity(Science Edition)，2022，49(6)：743752.3 程国建，李碧，万晓龙，等.基于SqueezeNet卷积神经网络的岩石薄片图像分类研究J.矿物岩石，2021，41(4)：94101.CHENG Guojian，LI Bi，WAN Xiaolong，et al.Research on clas-sification of rock section image based on SqueezeNet convolu-tional neural networkJ.Mineralogy and Petrology，2021，41(4)：94101.4 FERREIRA A，GIRALDI G.Convolutional neural network ap-proaches to granite tiles classificationJ.Expert Systems withApplications，2017，84：111.5 SHU Lei，MCLSAAC K，OSINSKI G R，et al.Unsupervised fea-ture learning for autonomous rock image classificationJ.Com-puters&Geosciences，2017，106：1017.6 张野，李明超，韩帅.基于岩石图像深度学习的岩性自动识别与分类方法J.岩石学报，2018，34(2)：333342.ZHANG Ye，LI Mingchao，HAN Shuai.Automatic identifica-tion and classification in lithology based on deep learning in rockimagesJ.Acta Petrologica Sinica，2018，34(2)：333342.7 马泽栋，马雷，李科，等.基于岩石图像深度学习的多尺度岩性识别J.地质科技通报，2022，41(6)：316322.MA Zedong，MA Lei，LI Ke，et al.Multiscale lithology recogni-tion based on deep learning of rock imagesJ.Bulletin of Geolo-gical Science and Technology，2022，41(6)：316322.8 冯雅兴，龚希，徐永洋，等.基于岩石新鲜面图像与孪生卷积神经网络的岩性识别方法研究J.地理与地理信息科学，2019，35(5)：8994.FENG Yaxing，GONG Xi，XU Yongyang，et al.Lithology recog-nition based on fresh rock images and twins convolution neuralnetworkJ.Geography and Geo-Information Science，2019，35(5)：8994.9 XU Zhenhao，MA Wen，LIN Peng，et al.Deep learning of rockimages for intelligent lithology identificationJ.Computers&Geosciences，2021，154：104799.10 XU Zhenhao，SHI Heng，LIN Peng，et al.Integrated lithologyidentification based on images and elemental data from rocksJ.11 0.40.870.750.890.94(a)现场摆放的岩心注：数字为岩心长度，m。(b)硅质岩(c)白云岩0.680.260.150.850.900.90图 6 现场应用井场的钻探岩心Fig.6 Drilling cores of the field application well site 表4岩心定名测试