摘 要：
岩石样本检测是地质勘探中的重要环节，传统的岩石样本检测算法往往过分依赖复杂的特征工程和地质学的专业知识，且尚不能取得满意的效果。近年来，基于深度学习理论的算法在图像分类、目标检测等方面取得突破性进展，在岩石样本检测任务上也同样拥有巨大潜能。因此，本文将通过图像处理技术和深度学习算法设计有效的模型，识别出岩石样本的岩性类别及含油气情况，实现岩石样本智能识别分类。
针对任务一，本文利用图像的高分辨率特性，分别采取随机裁剪与网格裁剪两种方式对数据进行处理，并应用于不同的模型架构。首先，对于随机裁剪的数据，以ResNeXt-50为主干网络，通过搭建“并联式”模块融合图像全局与局部特征，并据此建立“全局-局部模型”，其岩石分类准确率为81.43%。其次，采用置信学习剔除网格裁剪的错误数据，分别以EfficientNet-B3与MobileNet-V3为主干网络训练分类模型，在预测阶段结合TTA策略进行滑动窗口预测，根据多个预测结果投票得到最终的预测结果，其岩石分类的准确率分别为78.57%和80.00%。最后，利用上述三个模型在不同岩石类别的识别能力差异及各自的优缺特性，进行模型融合以再次提升岩性识别能力，最终的岩石分类准确率为82.86%。
针对任务二，任务目标“计算石油含量”可分解为荧光区域分割、岩石区域分割两个步骤。首先，将图像映射至HSV空间，通过可视化方法确定石油荧光的HSV取值范围，从而快速、准确地分割出荧光区域。同时为计算岩石所占总面积，本文基于Canny边缘检测算法设计了高效的岩石轮廓提取方案，借此重新校准石油荧光的分割结果，从而减少误判。最后，计算荧光区域和岩石区域的像素数量，将二者相除即得所估计的石油含量面积百分比。
关键词：岩性识别；含油量计算；图像处理；深度学习