高校大数据挑战赛优秀论文A240941.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

本科组bdc240941

基于多模态特征融合的岩石薄片智能鉴定方法

摘要

针对多种岩石模型智能识别问题，本文提出了一种基于深度学习的岩石智能分类模

型，该模型以“南京大学岩石教学薄片显微图像数据集”为基础，综合运用颜色、纹理、

亮度等多种特征，实现了对沉积岩、变质岩和火成岩的自动识别与分类。求解思路如下：

针对问题一，设计了一个沉积岩薄片识别模型，该模型能够准确识别包括火山碎屑

岩、砂岩、泥页岩、粉砂岩、灰岩、白云岩、硅质岩和蒸发岩在内的多种岩石类型。通

过提取岩石图像的颜色和纹理等传统特征，并与ResNet50网络提取的深度特征进行融

合，显著提升了模型的分类性能。实验结果表明，该模型在沉积岩分类任务中达到了95%

以上的准确率，验证了其在岩石分类任务中的有效性和优越性。

针对问题二，进一步验证了该模型在变质岩、沉积岩和火成岩三类岩石中的分类性

能。通过结合传统特征与深度学习特征，改进后采用EfficientNet模型，在三类岩石分类

任务中，性能均取得了显著提升，分类准确率分别达到92%、95%和93%。这一结果证

明，该模型在多类别岩石识别中鲁棒性高，泛化能力较强。

针对问题三，本文将训练好的模型，应用于“附件1”中的岩石薄片显微镜图像数

据，首先筛选出沉积岩，并进一步分类为砂岩、泥页岩、粉砂岩、灰岩和白云岩。实验

结果表明，该模型在实际应用中，具有良好的分类性能，能够高效完成岩石薄片的自动

鉴定任务，为地质学和矿物学领域的岩石分类研究，提供了新的技术支持。

关键词：岩石智能分类；ResNet50；深度学习；EfficientNet；地质学

1

一、问题重述

1.1问题背景

随着全球矿产资源需求持续增长，地质勘探智能化转型加速，传统岩矿鉴定方法，

面临效率瓶颈。人工显微镜观测存在主观性强、训练周期长（通常需5-10年经验积累）、

成本高等问题，难以满足“一带一路”沿线矿产勘探、深地探测等国家战略工程对快速

化、标准化鉴定的迫切需求。与此同时，人工智能技术的突破为地学领域带来革新机遇：

2018年《自然》期刊指出，深度学习在矿物识别中的准确率，已接近人类专家水平；2023

年国际地质大会（IGC）更将“AI+地质”列为十大前沿方向。然而，现有研究多聚焦单

一岩类识别，缺乏跨类别泛化能力，且对颜色、纹理等先验知识的融合机制尚未完善。

在地质学与矿物学研究中，岩石的精准分类，是揭示地球演化历史、矿产资源分布，

及地质环境特征的核心任务。岩矿石薄片分析通过偏光显微镜观察岩石的矿物组成、结

构构造（如颗粒大小、排列方式）及光学性质（颜色、双折射等），为判断岩石成因（如

火成岩的岩浆结晶过程、沉积岩的成岩作用）提供关键依据。例如，沉积岩中的砂岩与

灰岩，可通过碎屑颗粒磨圆度、胶结物类型等特征区分，而变质岩的片理构造，则反映

了地壳运动的温压条件。然而，传统人工鉴定方法高度依赖专家经验，存在显著局限性：

1.主观性偏差：不同专家对同一薄片的矿物含量估算、纹理描述可能存在分歧，尤

其在过渡性岩类（如粉砂岩与泥页岩）中，定性判断易引入误差。

2.效率瓶颈：单一样品的鉴定需数小时至数天，难以应对区域地质调查中海量样本

的快速处理需求。

3.成本高昂：专业地质人员培养周期长，显微镜设备维护及样本制备（如薄片切割、

抛光）费用较高，制约了大规模应用。

随着数字图像技术的进步，显微图像数字化为自动化岩石鉴定提供了新途径。南京

大学发布的“岩石教学薄片显微图像数据集”（含变质岩、沉积岩、火成岩三大类，共

9亚类）是当前国内权威的公开数据集。对该数据的简要介绍如下：

沉积岩子集包含火山碎屑岩、砂岩、泥页岩、粉砂岩、灰岩、白云岩、硅质岩、蒸

发岩等8种亚类，其显微特征差异细微（例如，砂岩的颗粒分选性与灰岩的生物碎屑结

构），对模型的特征敏感度，提出极高的要求。