: 基于弱监督自组织映射与深度学习的工作流实现钻芯照片高效自动分类

《Computers & Geosciences》:Automated classification of drill core photographs: A complete workflow for weakly supervised training

【字体: 大 中 小 】 时间:2026年03月21日 来源:Computers & Geosciences 4.4

编辑推荐:

  针对矿物勘探中钻芯照片标注耗时、专家分类主观性强等难题,研究人员开发了一套从预处理、特征提取、自组织映射(SOM)聚类、地质专家半自动化标注,到深度学习(CNN/Mean Teacher)模型训练与应用的完整自动化分类工作流。该工作流成功应用于砂岩盆地和结晶基底两类岩石的薄片图像数据集,显著降低了人工标注工作量,实现了钻芯蚀变程度和岩性的高精度自动识别,为海量历史勘探数据的快速、标准化处理与三维建模提供了高效技术方案。

  
矿物勘探行业在长期工作中积累了海量的钻芯照片。传统上,地质学家主要通过肉眼观察来研究金刚石钻芯,从中获取关于岩石结构、岩性、构造和蚀变状态的丰富信息。这些信息对于三维建模、地统计学研究和区域尺度的地层接触面恢复至关重要。然而,将这些数据集整合到更大尺度的模型或区域研究中时,地质学家的分类往往是局部的、主观的,并且不同专家之间的解读可能存在显著差异。这种不一致性可能导致模型构建和地质统计分析在利用勘探钻井数据时遇到困难,因为分类方案可能因年份和人员而异。尽管地球物理和岩石物理测井可以部分替代人工判读的差异,但在矿产勘探领域,这类数据相比油气行业仍然稀少。为了减轻这些偏差,近年的研究展示了利用深度学习架构(如二维卷积神经网络)在具有良好标注的数据集上进行岩性预测的可能性。然而,深度学习方法需要大量已标注数据才能表现良好。标注图像数据集通常是一项耗时且繁琐的任务,这成为了应用深度学习架构的一个主要障碍。因此,在处理用于区域尺度勘探数据集编制的钻芯图像时,主要挑战更多地在于获取广泛的已标注图像数据集,而非深度学习架构在这些图像上的性能(这一点现已得到很好证实)。本研究的核心贡献在于开发了一套完整的工作流,旨在以最少的标注时间,高效地将原始勘探数据集转化为可用于深度学习的已标注数据集。
这项研究题为“钻芯照片的自动分类:用于弱监督训练的完整工作流”,发表在《Computers 》期刊上。研究人员Mehdi Serdoun、Frédéric Sur等人提出并验证了一个五步走的完整工作流,用于快速标注和分类钻芯照片。该工作流首先利用形态学算子从木制托盘中分离出岩芯;然后使用颜色直方图获取比色信息,使用Gabor滤波器获取纹理信息,从而提取图像特征描述符;接着,将这些特征描述符作为自组织映射(SOM)的输入数据,生成可以由地质学家进行部分标注的聚类,从而以有限的工作量创建出包含已标注和未标注图像的混合数据集;之后,这个部分标注的数据集可用于训练全监督或半监督的深度学习架构以生成分类;最终,获得的分类模型可以应用于未见数据,实现测井过程的自动化。研究分别在两个不同的地质域(根据漂白特征强度分类的沉积岩数据集和根据岩性域分类的结晶基底岩数据集)上演示了此工作流,并将软件代码和数据集公开。
为开展此项研究,作者主要应用了以下关键技术方法:
  1. 1.
    图像预处理:包括针对宽角镜头照片的透镜畸变校正(基于Hough变换),使用Canny边缘检测和形态学算子(膨胀、腐蚀、开运算)进行岩芯-托盘分离,以及将长图像切片为标准化的较小图像段以构建未标注数据集。
  2. 2.
    特征提取:对每个切片图像计算图像描述符,包括用于表征纹理信息的Gabor滤波器(提取不同方向和空间频率下的均值和标准差)和用于表征颜色信息的3D颜色直方图(RGB空间,8×8×8分箱,经主成分分析降维),最终为每个图像生成96维特征向量。
  3. 3.
    自组织映射(SOM)聚类与标注:将标准化后的特征向量输入到10×10的SOM网格中进行聚类。由四位地质学家(两位学术研究人员和两位矿业公司勘探地质学家)独立检查每个神经元(聚类)中的代表性图像,并根据多数原则为聚类分配地质学标签(盆地:漂白、部分去除、赤铁矿化、非岩芯;基底:片麻岩、混合岩、熔融混合岩、伟晶岩、非岩芯),未分配标签的聚类图像则留作未标注数据。
  4. 4.
    模型训练:
    • •
      全监督学习:使用地质学家标注的数据,训练了一个基线CNN模型(三层卷积,ReLU激活,批归一化,最大池化,Dropout)和预训练的VGG16模型(迁移学习),并采用数据增强(高斯白噪声、随机翻转、亮度对比度扰动)。
    • •
      半监督学习:采用Mean Teacher架构,利用已标注数据和SOM未标注数据,通过学生-教师模型在施加独立扰动的数据上预测的一致性损失(MSE)来提升模型性能。
研究结果
4.1. 标注结果
基于SOM聚类结果,由不熟悉图像处理流程的独立地质学家为聚类分配了标签。最终,在盆地子集的95,983张图像中,有18,355张被标注;在基底子集的20,312张图像中,有4,673张被标注。具体的聚类坐标与标签对应关系及样本数量详见原文表1和表2。
4.2. 分类结果
研究在盆地和基底两个子集上分别训练了四种模型(基线CNN全监督、VGG16全监督、基线CNN半监督、VGG16半监督)。主要结果如下:
  • •
    盆地:最佳模型为基线CNN结合全监督学习,在测试集上取得了0.932的准确率。其中,“漂白”和“非岩芯”类别的预测准确率最高(分别约97%和96.8%),“赤铁矿化”类别的准确率相对较低(84.3%),最常见的误分类发生在“赤铁矿化”和“部分去除”类别之间。
  • •
    基底:最佳模型为基线CNN结合半监督学习(Mean Teacher),在测试集上取得了0.751的准确率。“熔融混合岩”和“混合岩”类别的预测准确率较低(分别为42.5%和49.2%),而“伟晶岩”和“片麻岩”类别的准确率较高(分别为82.1%和80.9%)。对“熔融混合岩”的误分类较多可能与其样本量极少(仅40个测试样本)有关。此外,处于中间状态(部分熔融程度中等)的类别(混合岩、熔融混合岩)比极端状态(无熔融的片麻岩、高熔融的伟晶岩)更难准确分类。
结论与意义
本研究成功地开发并验证了一个用于钻芯照片自动分类的完整工作流。该工作流的核心创新在于结合了传统的图像特征描述符(Gabor滤波器、颜色直方图)与自组织映射聚类,极大地减少了地质专家标注大规模图像数据集所需的时间和工作量,实现了从原始数据到可用于深度学习模型的标注数据的高效转化。
研究结论:
  1. 1.
    所提出的工作流能够有效地将原始钻芯照片数据集转化为可用于深度学习任务的标注数据集。
  2. 2.
    基于自标记策略(SOM聚类+专家标注),可以推断出基底子集的岩性类别和盆地子集的蚀变类别。
  3. 3.
    通过半监督学习(Mean Teacher)利用未标注样本,有潜力提高分类准确率,在基底子集上表现优于全监督的基线模型。
重要意义:
这项工作为矿产勘探领域处理海量历史钻芯图像数据提供了切实可行的解决方案。它能够生成更加客观、一致的岩石分类,减少不同地质学家之间的主观差异,有助于统一历史数据的命名法,从而更好地支持三维地质建模、资源量估算和区域勘探研究。此外,公开的软件代码和数据集使得该工作流易于被其他研究者和工业界采用和适配,推动了人工智能在地质勘探中的实际应用。尽管在复杂岩性的结晶基底分类上准确率有待提升(部分源于样本不平衡和类别定义的连续性),但在相对均一的砂岩盆地蚀变强度分类上展现了极高的精度,证明了该方法的有效性和应用潜力。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号