Classification of Limestone Thin-Section Images Based on an Improved MobileNetV3 Incorporating RTEM and MFCM
本文提出了一种改进的 MobileNetV3 框架，用于石灰岩薄片图像分类，该框架集成了岩石纹理增强模块（RTEM）和多源特征互补模块（MFCM），以有效解决复杂的纹理变化和耦合特征问题，在保持低参数量的同时实现了 91.11% 的准确率。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
长期以来，地质学家一直依赖于将岩石切成薄片，安装在玻璃上并通过显微镜进行观察，以了解地球的历史。这些被称为“薄片”的切片揭示了矿物成分、颗粒大小以及岩石是如何胶结在一起的。通过研究这些细节，科学家可以识别出特定类型的石灰岩，这项任务对于寻找石油和天然气、理解地下水以及评估储层至关重要。传统上，这项工作由人类专家完成，他们需要花费数小时观察显微镜，这个过程缓慢、令人疲劳，且容易因人而异产生判断差异。挑战在于许多类型的石灰岩看起来极其相似；颗粒之间的边界可能很模糊，而且即使在同一种岩石类型内部，纹理也会发生剧烈变化。为了解决这个问题，研究人员转向了人工智能，希望教会计算机比人类肉眼更快、更一致地识别这些微妙的模式。
来自东北石油大学和蒙纳士大学的研究小组开发了一种帮助计算机识别这些岩石类型的新方法。他们专注于一种名为 MobileNetV3 的特定人工智能网络，该网络以体积小、速度快而闻名，非常适合在计算能力有限的设备上使用。然而，该网络的标准版本在区分极其相似的石灰岩纹理这一棘手任务中表现得并不够好。研究人员发现，当网络处理图像时，它往往会模糊掉精细的细节，例如矿物颗粒的锐利边缘或岩石纹理的细腻图案，而这些正是区分不同岩石类型所需的关键线索。为了解决这个问题，他们重新设计了网络，使其表现得更像一个从不错过任何微小细节的细心观察者。
该团队为系统引入了两项主要的改进。首先，他们添加了一个专门用于增强岩石纹理的模块。该模块的工作原理是同时以两种不同的方式观察图像：一条路径侧重于寻找颗粒的清晰轮廓，而另一条路径则侧重于观察纹理的整体排列和模式。通过结合这两种视角，系统能够更好地观察定义每种岩石类型的边界和结构。其次，他们创建了一种整合来自网络不同层级信息的方法。想象一下，一个网络首先将图像视为一张模糊的概览图，然后是一张稍清晰的照片，最后是一张详细的特写图。通常，网络仅利用最后一张最详细的视图来做出决策，往往会忘记它之前看到的有用线索。然而，新系统会收集模糊、中等和详细视图中的线索并将其融合在一起。这确保了最终的决策既基于大局，也基于微小的关键细节。
为了确保系统学习正确，研究人员还在训练过程中增加了额外的检查点。他们没有等到最后才看计算机是否正确，而是在过程中好几个阶段都要求它进行预测。如果计算机在早期犯了错误，它会立即收到反馈以纠正路径。这种被称为“深度监督”的技术帮助系统学习得更快、更准确。他们还使用了各种技巧来增加训练数据的多样性，例如轻微改变亮度、旋转图像以及混合不同图像的部分内容。这防止了计算机死记硬背特定的图片，并迫使它学习岩石纹理的一般规律。
研究人员在包含六种不同类型石灰岩（包括粒屑岩、颗粒灰岩和泥晶灰岩）的 3,600 幅图像数据集上测试了他们的新系统。结果令人印象深刻。改进后的系统正确识别岩石类型的准确率达到了 91.11%，相比原始未修改网络的 78.75% 有了显著提升。它还能保持极高的轻量化水平，仅使用约 200 万个参数，这只是其他强大图像识别系统的极小一部分。事实上，它的表现优于许多需要更多计算能力的更大、更复杂的网络。该系统在区分最具挑战性的岩石对（例如那些在肉眼看来几乎完全相同的细颗粒岩石）方面表现尤为出色。
这项工作证明，构建一个既高度准确又足够小巧高效、可用于野外或便携式设备的岩石识别工具是可能的。通过专注于保留岩石纹理的精细细节并结合不同层级的分析信息，研究人员创建了一个弥合速度需求与精度需求之间鸿沟的模型。虽然该系统在面对某些岩石类型之间最微妙的变化时仍面临挑战，但它代表了自动化地质分析迈出的重要一步。研究结果表明，通过适当的架构调整，人工智能可以成为地质学家的可靠伙伴，帮助他们以新的清晰度和速度解码隐藏在地球岩石中的故事。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。