摘要：
在油气勘探中，岩石样本识别是一项既基础又重要的环节，同时岩石含油量的测量在生产中也尤为重要。对此，我们采用多模型融合的集成式深度学习岩石分类模型对岩石样本识别，采用色彩空间转换和图像掩模提取图像后统计像素点测定岩石含油量。
针对问题一，研究流程主要分为数据分析与数据增强、模型训练、模型组合、数据分类四个部分。由于图片分辨率大且尺寸不统一，直接输入神经网络会因比例缩放造成失真而影响最终模型训练效果。故先对高分辨率图像随机切分，生成不同尺寸的图像后再进行旋转等操作。由于图像特征相差较小，导致泛化能力不够，因此我们采用GAN网络进行样本生成。
先随机选择图像生成训练集与测试集，经过大量神经网络模型测试，最终选择了高效高精度的Efficientnet v2、CvT、Swin Transformer三种图像分类模型。使用Efficientnet代替了传统的VGG-16特征提取网络从而形成更高效的孪生神经网络结构。
在多模型融合中，先随机切分高分辨率图像，生成三组各五个大小不一的图像，再使用多线程，将图像放入三种网络模型中同步识别，每种网络投票得到该图像的标签，再统计三个网络的投票结果，若都不同则使用孪生神经网络进行最终分类。在保证精度的前提下大大提高了速度。结果显示：集成模型的准确率为：92.43%，平均用时：0.45s。
针对问题二，研究流程主要分为图片增强与色彩提取、图像掩模及抠图提取与像素点赋值遍历统计四个部分。由于图像中的色彩过多过杂过密，无法直接提取出所需的颜色部分，所以我们选择先通过CURL模型为原图去除噪点等干扰因素，再通过HSV颜色空间设定相应颜色的具体参数单独提取出所需部分。通过图像掩模处理，遮盖提取出的部分，在保证图像像素值不变的情况下使其转为黑白图，最后对图片赋值转化，遍历图片中所有像素点，再计算白色像素个数的占比求得答案。针对岩石并未占满全图的部分岩石图像，要先采用RemoveBg库对图像进行抠图操作，去除其背景颜色的干扰，先通过图片掩模和遍历像素点的方法求出石子部分在图片中的占比，再将原图按照CURL→HSV空间转化→图像掩模→遍历像素点的顺序计算出含油部分得比值，最后计算其与石子在图片中的比值之比，得出结果。
关键词：细粒度图像分类、小样本学习、数据增强、模型融合、空间转化、图像提取