高校大数据挑战赛优秀论文A241703.pdfVIP

所在组别参赛编号

“未来杯”2024年第四届高校大数据挑战赛

本科生bdc241703

基于改进ResNet50的岩石图像分类模型

摘要

岩矿石薄片是地质学与矿物学研究的关键分析手段，广泛用于岩石分类、演化解析

及矿产勘探，通过镜下特征揭示矿物组成与地质历史，助力资源开发。本文通过对

ResNet50模型进行改进，建立了KW-ResNet50和KW-TA-ResNet50模型，旨在为矿产

资源勘探和地质历史解析提供技术支撑。

对于问题一我们建立了KW-ResNet50模型，首先本文在ResNet50网络中引入了

KernelWarehouse动态卷积（KWConv）机制。然后将ResNet50网络中的卷积替换为了

KWConv，并以加权交叉熵为损失函数。其次以Adam算法为优化器并设置超参以准备

训练模型。再以准确率、精确率、召回率和F1得分来作为模型的评价指标。最后利用

Python编程在Pytorch框架下训练模型，得到上述四种评价指标结果分别为：92.6%、

92.4%、91.3%和88.7%，并给出模型的混淆矩阵。

对于问题二，我们建立了KW-TA-ResNet50，首先本文对三重注意力机制（TA）的

三个分支进行改进，并将改进后的TA模块加入KW-ResNet50模型中。然后采用与问

题一中相同的超参设置和评价指标来对模型进行训练。其次利用Python编程在Pytorch

框架下训练模型，得到四种评价指标结果分别为：93.2%、93.1%、92.3%和89.6%，并

给出模型的混淆矩阵。最后为了验证改进的TA模块与添加的KWConv对ResNet50模

型的影响，本文对模型进行了热力图对比和消融实验，相较于基线模型，改后的KW-

TA-ResNet50模型的四种评价指标分别提升了：2.9%、2.3%、2.7%和1.3%。

对于问题三，我们使用问题一和问题二所建立的模型对附件1中的图片进行分类，

首先本文利用KW-ResNet50模型对附件1中的286张图片进行分类，发现6张非沉积

岩图片。然后利用KW-TA-ResNet50模型对剩下的280张图片进行具体的分类。最后得

出砂岩、泥页岩、粉砂岩、灰岩和白云岩的数量分别为：54、12、177、33和4张，并

将各岩石图片详细的分类结果保存在bdc241703.xlsx表格中。

针对所建立模型的可用性，本文还对建立的模型进行了灵敏度分析和鲁棒性检验，

首先对于模型的权重参数和偏置参数对模型进行了灵敏度分析。然后针对训练的数据集

规模对模型进行了鲁棒性检验，模型在数据集达到70%后，各评级指标提升趋于稳定。

最后为了模拟真实环境下的岩石图片，对数据进行了增强操作，得出模型在数据增强前

后评价指标无明显变化的结论，体现了模型良好的鲁棒性。

最后我们还对模型进行评价、改进和推广，研究证实该方法可为复杂岩矿鉴定提供

可靠技术手段，其动态卷积与注意力机制融合范式对显微图像分析具有普适推广价值，

为智能地质解译系统开发奠定了算法基础。

关键词：ResNet50；KernelWarehouse动态卷积；三重注意力机制；鲁棒性检验

1

一、问题重述

1.1问题背景

在地质学和矿物学研究中，岩石薄片是一种重要的分析工具。这种经过特殊工艺制

作的薄片标本，能够帮助科研人员清晰观察岩石的矿物组成、结构构造以及矿物之间的

相互关系。通过显微镜下的详细观察和分析，薄片技术常用于解决岩石分类、成因演化

等基础地质问题，同时在岩石地球化学特征研究和矿物学分析方面也发挥着关键作用。

此外，这些研究成果对矿产资源的勘探和开发也有着重要的指导价值，为寻找和评估矿

产资源提供了科学依据。

(a)(b)(c)