深度学习算法应用于岩石图像处理可行性探讨.doc

深度学习算法应用于岩石图像处理的可行性研究 　　摘要：近年来，机器学习领域中的“深度学习”开始受到国内外学者的广泛关注。借助深度学习，具有多处理层结构的计算机模型可通过多层抽象来学习数据表征。这些方法推动了语音识别、视觉识别、目标检测以及许多其它领域的技术发展。深度学习被应用到计算机视觉、语音识别、自然语言处理、在线广告等领域，并取得了良好效果。将计算机技术与地质勘探相结合，在岩石处理方面已取得了不少成果，不断有新的或者改进方法用于提高处理效率和改善效果，以更好地投入到实际生产中去。针对目前传统的岩石薄片图像处理方法，试图将深度学习中典型的两类算法模型：深度信念网络（Deep Belief Networks，DBNs）、卷积神经网络（Convolutional Neural Networks，CNNs）引入到岩石图像的处理中，分析算法在操作中的可行性及优势 关键词：深度学习；深度信念网络；卷积神经网络；岩石图像处理 DOIDOI：10.11907/rjdk.161408 中图分类号：TP317.4 文献标识码：A文章编号文章编号2016）009016304 基金项目基金项目：陕西省自然科学基础研究计划项目（2014JQ5193）；西安石油大学青年科技创新基金项目（2014BS13） 作者简介作者简介：程国建（1964-），男，陕西扶风人，西安石油大学计算机学院教授，研究方向为机器学习、模式识别、图像处理与数据挖掘；刘丽婷（1991-），女，江苏靖江人，西安石油大学计算机学院硕士研究生，研究方向为智能计算与可视化技术 0引言 机器学习已经逐渐渗透到现代生活的方方面面，从网页搜索到社交网络内容过滤，再到电商推荐，在相机、智能手机等电子产品中的应用也越来越多。自20世纪80年代以来，机器学习在算法、理论和应用等方面都获得了巨大成功。从2006年起，国外开始了深度学习方面的深入研究，并取得了一定的阶段性成果。深度学习（Deep Learning，DL）[1]的概念来源于人工神经网络，所谓“深度”是含多隐层的感知器。深度学习可以将低层次特征有效组合起来，逐步进行学习与特征提取，形成能够表示属性类别的抽象高层次特征 传统的岩石薄片图像鉴定以肉眼观察和描述为主，存在一系列问题，如实验周期偏长、定量困难、效率较低、受主观影响较大等，在低孔隙度、低渗透率岩心条件下存在问题很多，因此已不能满足现场测井资料解释评价的需要。针对目前岩石分析工作中存在的实际问题，应用现代图像处理以及人工智能技术领域的深度学习算法对岩石薄片图像进行矿物识别、信息提取、岩石分类、岩心重构、特征标注等处理极具理论和现实意义。人工神经网络因其多隐层结构而具有良好的特征学习能力，能将数据本质更好地表现出来，对数据的可视化和模式分类十分有利。这对于测井解释中的岩石物理研究是非常必要的。同时，深度学习模型的层次、参数多，容量大，满足了岩石图像分析中海量数据的处理需要 1深度学习（Deep Learning） 根据加拿大多伦多大学教授Geoffrey Hinton 2006年在《Science》上发表的文章[2]，以及Yoshua Bengio、Yann Lecun等人的相关工作，深度学习逐渐被人们关注。“深度学习”指多层的人工神经网络和训练方法。一层神经网络会把大量矩阵数字作为输入，通过非线性激活方法取得权重，再产生另一个数据集合作为输出。其类似生物神经大脑的工作机理，通过合适的矩阵数量，将多层组织链接在一起，形成神经网络“大脑”来进行精准复杂的处理，并通过“逐层初始化”（layerwise pretraining）克服深度神经网络在训练上的难度[3]。用较少的参数表示复杂函数是多层优势的体现。深度学习将具有多隐层的机器学习模型和海量的训练数据构建起来，用“深度模型”的手段达到“特征学习”的目的，最终提升分类或预测的准确性[4] 在对岩石图像的特征信息提取、岩石分类、岩心重构、特征标注、孔隙识别等处理中运用了大量图像处理与人工智能技术，经过大量反复实验表明，图像处理技术在测井实际应用中已经有了良好基础[57]。将深度学习运用到岩石图像的处理分析中，具有重要的研究意义与较大的发展空间 深度学习模型有多种，如深度信念网络、卷积神经网络、自动编码器等，通过与其它方法的结合改进，又出现了一些新方法。深度学习的各类算法模型有着各自的特点与优势，在语音、图像、自然语言、在线广告等领域的应用取得显著进展[8]。Volvo采用NVIDIA车载深度学习电脑来提供更安全的驾驶服务；中国科学院计算机技术研究所发布了全球首个能”深度学习”的神经网络处理器芯片，名为“寒武纪”；不久前，谷歌DeepMind开发的人工智能围棋