(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 202211325088.5 (22)申请日 2022.10.27 (71)申请人 成都理工大 学 地址 610000 四川省成 都市二仙桥 东三路1 号 (72)发明人 杨凯　王向鹏　杨钰菡　范珊　 (74)专利代理 机构 四川域策汇智知识产权代理 有限公司 513 51 专利代理师 幸伟山 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) G06V 10/44(2022.01) G06V 10/26(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于卷积神经网络的页岩草莓状黄铁矿粒 径测量方法 (57)摘要 本发明公开了基于卷积神经网络的页岩草 莓状黄铁矿粒径测量方法， 包括： 获取含有页岩 草莓状黄铁矿的页岩样品的发射扫描场图像； 对 所述发射扫描场图像进行标记， 得到图像分割网 络所需的标注数据集； 构建maskRCNN实例分割网 络模型； 采用标注数据集进行训练， 输出图像尺 寸及分割图像； 对分割图像进行处理， 得到发射 扫描场图像对应的边框范围信息和蒙版图像； 构 建卷积神经网络， 并对边框范围信息和蒙版图像 进行文字识别和粒径测量。 通过上述方案， 本发 明具有逻辑简单、 准确可靠等优点， 在图像识别 统计技术领域具有很高的实用价 值和推广价 值。 权利要求书2页 说明书6页 附图5页 CN 115471713 A 2022.12.13 CN 115471713 A 1.基于卷积神经网络的页岩草莓状黄 铁矿粒径测量方法， 其特 征在于， 包括以下步骤： 获取含有页岩草莓状黄 铁矿的页岩 样品的发射扫描场图像； 对所述发射扫描场图像进行 标记， 得到图像分割网络所需的标注数据集； 构建mask  R CNN实例分割网络模型； 所述mask  R CNN实例分割网络模型由ResNet残差 网络和faster  R‑CNN内的RPN特征提取网络共同组成骨干网络； 在骨干网络内添加Mask网 络作为头 部网络； 所述头 部网络为预测分支， 并进行边界框识别； 采用标注数据集进行训练， 输出图像尺寸及分割图像； 对分割图像进行处 理， 得到发射扫描场图像对应的边框范围信息和蒙版图像； 构建卷积神经网络， 并对边框范围信息和蒙版图像进行文字识别和粒径测量； 设定mask  R CNN实例分割网络模型和卷积神经网络的总损失函数。 2.根据权利要求1所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 所述ResNet残差网络为ResNet 50残差网络或ResNet101残差网络或ResNet152残差 网络。 3.根据权利要求1所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 还包括： 对图像分割网络所需的标注数据集中的发射扫描场图像进行旋转、 裁剪、 变换亮度、 加噪中的一种或几种处 理。 4.根据权利要求1～3任一项所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量 方法， 其特征在于， 对所述 发射扫描场图像进 行标记， 包括第一标签、 第二标签和 第三标签； 所述第一标签为草莓状黄铁矿； 所述第二标签为发射扫描场图像的比例尺； 所述第三标签 为扫描电镜下测量的草莓状黄 铁矿粒径大小。 5.根据权利要求4所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 对分割图像进行处理， 得到发射扫描场图像对应的边框范围信息和蒙版图像， 包 括： 将mask R CNN实例分割网络模型输出的分割图像利用卷积处理或尺寸变化恢复至该 图像的原有尺寸， 并获得对应的边框范围信息； 分离第一标签和第 二标签所分割的位置数据， 并生成含有草莓状黄铁矿与比例尺的单 独的蒙版图像。 6.根据权利要求4所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 还 包括： 利用MINIST训练集和第三标签组成卷积神经网络的第二训练集； 对第二训练集内的图像进行 灰度转换和二 值化预处理， 得到黑底白字的图像； 将预处理后的第二训练集输入至卷积神经网络， 识别获得文字； 求得文字的比例尺刻度值； 利用比例尺刻度值和识别的比例尺像素值与识别的草莓状黄铁矿像素值进行值比与 换算， 其表达式为： 其中， M表示草莓状黄铁矿的预测粒径； C表示比例尺刻度； PC表示比例尺长度像素值； PM 表示草莓状黄 铁矿的中线像素值。权　利　要　求　书 1/2 页 2 CN 115471713 A 27.根据权利要求6所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 还 包括： 对分割图像进行边 缘检测， 获取图像中对应 轮廓线， 并得到数个 轮廓边框； 对任一轮廓线所划分的区域进行像素值计算； 识别并获得草莓状黄铁矿的轮廓 边框的两对角线的中点位置， 求得草莓状黄铁矿的轮 廓边框的像素值长度。 8.根据权利要求4所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 所述总损失函数的表达式为： L＝L1+L2 其中， L1表示mask R CNN实例分割网络模型的损失函数； 所述L2表示卷积神经网络的损 失函数； 所述mask  R CNN实例分割网络模型的损失函数的表达式为： L1＝LRPN+Lfast_rcn n+Lmask 其中， L1表示mask  R CNN实例分割网络模型的损失函数； LRPN表示faster  R‑CNN内的RPN 特征提取网络的损失值； Lfast_rcnn表示faster  R‑CNN网络的损失值； Lmask表示mask网络的损 失值； 所述卷积神经网络的损失函数的表达式为： L2＝Lcnn+LM 其中， Lcnn为卷积神经网络文字识别网络的损失值， LM为预测的粒径大小与预测的误差 大小的损失值。 9.根据权利要求8所述的基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法， 其特 征在于， 所述mask  R CNN实例分割网络模 型和卷积神经网络的任一项损失值采用二分类交 叉熵损失函数求得， 其表达式为： LBCE＝‑w×(Plabel×ln(Ppred)+(1‑Plabel)×ln(1‑Ppred)) 其中， LBCE表示二分类交叉熵损失函数； w表示权重； Plabel表示标签的预测值， PPred表示 网络预测值。权　利　要　求　书 2/2 页 3 CN 115471713 A 3