(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210773604.4 (22)申请日 2022.07.01 (71)申请人 河海大学 地址 211100 江苏省南京市江宁区佛城西 路8号 申请人 中国电建集团昆明勘测设计 研究院 有限公司 (72)发明人 陈志浩　毛莺池　张礼兵　冯燕明　 张帅　李祖银　杨洁　杨姗姗　 蔡卓森　 (74)专利代理 机构 南京乐羽知行专利代理事务 所(普通合伙) 32326 专利代理师 李玉平 (51)Int.Cl. G06V 10/44(2022.01)G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于度量元学习网络的岩石图像分类 方法及装置 (57)摘要 本发明公开一种基于度量元学习网络的岩 石图像分类方法及装置。 所述方法包括以下步 骤： 获取地质勘查领域的岩石 图像并标注， 得到 训练数据集； 使用训练数据集对度量元学习网络 进行训练， 并获得各类别岩石 图像的重构特征； 网络训练完成后， 将度量元学习网络与重构特征 组成岩石分类模型， 并构建应用系统， 采集岩石 图像并分类。 一种基于度量元学习网络的岩石图 像分类装置， 包括训练集单元、 特征提取器单元、 特征重构单元、 相似度计算单元。 本发明解决了 岩石颜色相近、 纹理相似、 类间相似度高、 特征差 异性小， 利用一般图像识别难以正确分类的问 题。 权利要求书3页 说明书9页 附图1页 CN 115147615 A 2022.10.04 CN 115147615 A 1.一种基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述方法包括以下步 骤： 步骤1） 获取地质勘查领域的岩石图像， 采集不同类型的岩石图像， 结合地质知识对岩 石图像进行 标注， 得到训练数据集； 所述训练数据集， 包括元训练集、 元验证集、 元测试集； 步骤2） 使用元训练集中的岩石图像对所述度量元学习网络进行训练， 并通过网络输出 获得各类别岩石图像的重构特征； 直到所述度量元学习网络分类效果在新的小样本 分类任 务上性能达到 设定目标， 将所述度量元学习网络与各类别岩石图像的重构特征共同组成岩 石分类模型； 步骤3） 将岩石分类模型迁移到一台或多台应用设备上， 通过应用设备组合形成应用系 统， 由应用系统采集 查询图像， 所述 查询图像经 过所述岩石分类模型进行分类。 2.根据权利要求1所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 步骤1） 的训练数据集， 包括元训练集、 元验证集、 元测试集； 其中， 所述元训练集、 元验证集 是由若干张岩石图像构成的； 所述元测试集是 由任务构成的， 每个任务包含了若干个岩石 图像类别， 每个类别包含若干个岩石图像样本； 所述训练数据集中， 所有图像均为三通道彩 色图像； 所述训练数据集中， 共 包含若干类别的岩石图像。 3.根据权利要求1所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 步骤1） 具体包 含以下过程： 步骤1‑1） 从网络以及实地拍摄所得的资料中采集不同种类的岩石图像， 并将岩石图像 进行分类整理； 步骤1‑2） 对分类后的岩石图像进行简单筛选， 选取符合清晰度要求的岩石图像， 并对 图像进行 数据增强处 理， 增加样本数量， 将图像 格式统一设置为统一格式； 步骤1‑3） 采用随机分配的方式将岩石图像数据集划分为元训练集、 元验证集以及元测 试集。 4.根据权利要求1所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 步骤 2） 中所述度量元学习网络是一种神经网络， 包含 特征提取子网络、 特征重构 子网络、 相似度 计算子网络 。 5.根据权利要求4所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 步骤 2） 具体如下： 步骤2‑1） 对元训练集中的每一类岩石图像， 经过特征提取子网络进行特征提取， 获得 所述类别每张岩石图像的支持特 征； 步骤2‑2） 对于所述类别每张岩石图像的支持特征， 将所有支持特征进行级联， 获得该 类岩石图像的支持特 征池； 步骤2‑3） 利用特征重构子网络将当前类别图像的支持特征池进行重构， 获得该类别的 重构特征； 步骤2‑4） 使用相似度计算子网络， 将该类别每张岩石图像的支持特征与重构特征进行 相似度计算， 获得 各张图像的预测结果； 步骤2‑5） 将预测结果与真实标注计算交叉熵损失， 并通过反向传播对所述度量元学习 网络的参数进行训练， 并获得训练好 参数的度量元 学习网络； 步骤2‑6） 使用元验证集， 验证所述度量元学习网络分类效果； 使用元测试集验证所述权　利　要　求　书 1/3 页 2 CN 115147615 A 2度量元学习网络在新的小样本分类任务上的性能； 步骤2‑7） 当所述度量元学习网络分类效果在新的小样本分类任务上性能达到设定目 标， 将所述度量元 学习网络与各类别岩石图像的重构特 征共同组成岩石分类模型。 6.根据权利要求4所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 特征提取子网络是一个多层级的卷积神经网络， 分为六段卷积网络， 所述岩石图像经过各 层网络计算 获得的结果被称之为特征， 岩石图像依次经过六段网络运算 获得结果的过程称 为特征提取； 所述卷积神经网络包含卷积层、 最大池化层、 残差块、 平均池化层和全连接层； 所述卷积神经网络使用ResNet12作为基准网络， 具体实现如下： 第一段卷积网络由一个卷积层和一个最大池化层组成， 卷积层共包含64个尺寸为7 ×7 的卷积核， 所述卷积核输入通道数为3， 输出通道数为64， 所述岩石图像经过所述卷积层后， 提取的特 征输入最大池化层， 所述网络 输入通道数为3， 输出通道数为64； 第二段网络由一个残差块组成， 该残差块包含两个卷积层， 每个卷积层包含64个3 ×3 的卷积核， 所述第二段网络 输入通道数为64， 输出通道数为128； 第三段网络由一个残差块组成， 该残差块包含两个卷积层， 每个卷积层包含128个 的卷积核， 所述第三段网络 输入通道数为128， 输出通道数为25 6； 第四段网络由一个残差块组成， 该残差块包含两个卷积层， 每个卷积层包含256个 的卷积核， 所述第四段网络 输入通道数为25 6， 输出通道数为512； 第五段网络由一个残差块组成， 该残差块包含两个卷积层， 每个卷积层包含512个 的卷积核， 所述第五段网络 输入通道数为512， 输出通道数为512； 第六段网络由一个平均池化层和全连接层组成， 第五段网络提取的特征首先通过平均 池化层， 之后将特征进行扁平化操作， 获得一维的特征向量， 将所述特征向量输入全连接 层， 经计算获得支持特 征。 7.根据权利要求4所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 特征重构子网络使用岭回归或正则化方法来进行 特征重构。 8.根据权利要求4所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 相似度计算子网络通过计算 查询图像特 征与所述重构特 征的欧氏距离来计算相似度。 9.根据权利要求1所述的基于度量元学习网络的岩石图像分类方法， 其特征在于， 所述 步骤3） 中应用设备为应用设备为无人机与地面站， 无人机与地面站组成应用系统， 应用系 统包括： 1） 数据采集模块， 属于所述无人机， 由一种成像设备构 成， 能够实时采集拍摄范围内的 岩石光学图像； 2） 数据存 储模块， 属于所述无 人机， 能够存 储数据采集模块采集的所述岩石光学图像； 3） 图像识别 模块， 属于所述无人机， 接收所述的岩石光学图像， 利用所述岩石分类模型 实时分析岩石图像的种类信息； 4） 数据传输模块， 属于所述无人机， 将数据采集模块拍摄的图像信息和图像识别模块 实时分析后的岩石图像种类信息进行传输； 5） 地面站系统， 接受无人机拍摄的岩石图像和岩石图像识别后的分类信息， 然后制定 飞行路线； 6） 飞控系统， 属于所述无人机系统， 接收地面站发出的指令， 控制无人机对需要识别的权　利　要　求　书 2/3 页 3 CN 115147615 A 3