一种海相遗迹化石识别模型的训练方法、识别方法及装置与流程

1.本发明涉及地理信息技术领域，特别涉及一种海相遗迹化石识别模型的训练方法、识别方法及装置。


背景技术：

2.遗迹化石是指地史时期生物的生命活动在沉积物和其他底质中留下的痕迹，由于遗迹化石大都是原地埋藏，因此在实体化石和其他沉积构造不发育的地层中更有优势，作为扰动构造，遗迹化石常对无机的沉积构造具有破坏作用。遗迹化石在古环境、古生物、古生态和古气候的重建及油气和固体矿产资源的勘探开发工作中具有重要作用。
3.传统的遗迹化石研究手段主要为岩心描述和野外露头考察，岩心资料是直接钻取于地下地质体的高可信度资料，是油气田勘探开发工作的基础和依据，传统方式主要为人工识别，人工识别岩心遗迹化石工作量大，工作繁琐，并且，受限于单一的研究手段，传统的遗迹化石研究所取得的成果普遍受到人为主观性的影响，且无法观察到地层内部遗迹化石的特征。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种海相遗迹化石识别模型的训练方法、识别方法及装置。
5.第一方面，本发明实施例提供一种海相遗迹化石识别模型的训练方法，包括：
6.获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；
7.对所述岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；
8.将所述海相遗迹化石数据集划分为训练集和测试集；
9.利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
10.获取原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库，包括：
11.将包含多个属种遗迹化石的原始岩心图片数据，按照不同属种进行分割，得到多个属种遗迹化石分别对应的岩心图片数据。
12.对所述岩心图片数据库中的图片数据进行预处理，包括下述任一项操作或多项操作的组合：
13.对图片数据的颜色、对比度、亮度进行调整，
14.裁剪或旋转图片数据；
15.剔除图片数据中的噪声数据。
16.将图片数据数量低于预设条件的属种图片数量进行扩充。
17.图片数据对应的海相遗迹化石标签信息，通过下述方式生成：
18.选定图片数据中包含遗迹化石的目标区域，并确定所述目标区域的最小矩形框，记录所述最小矩形框的左上角与右下角的坐标值；
19.将所述左上角和右下角的坐标值与所述图片数据的属种信息一并生成所述海相遗迹化石标签信息。
20.所述预设的神经网络模型为yolov4网络，所述网络包括下述四个部分：输入端、backbone主干网络、neck连接结构、prediction head输出。
21.利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型，包括：
22.调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数；
23.将训练集输入至使用不同组训练参数的神经网络模型中，对所述神经网络模型进行训练，并将测试集输入训练得到的训练模型，并分别计算训练集的损失率和测试集的损失率；
24.选取其中测试集损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
25.所述调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数，包括：
26.对学习率参数、batch_size参数和epoch参数，使用控制变量的方法，改变不同组中的一个参数，使其他参数保持不变，得到多组训练参数。
27.对学习率的调整，使用余弦退火衰减法设置不同组内的不同学习率参数。
28.第二方面，本发明实施例提供一种海相遗迹化石识别模型的识别方法，包括：
29.将待识别的岩心图像进行处理；
30.将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；所述海相遗迹化石识别模型是通过如权利要求1-8所述的海相遗迹化石识别模型的训练方法训练得到的。
31.将待识别的岩心图像进行处理，包括：
32.根据所述岩心图像的大小，确定预设宽度的图像提取窗口；
33.以岩心图像左上角为坐标原点，从所述坐标原点开始滑动所述窗口，依次读取窗口内的图像数据，直至整个岩心图像读取完成；
34.所述将处理后的图像输入至海相遗迹化石识别模型进行识别，包括：
35.将提取出的各窗口的图像数据，分别输入至所述海相遗迹化石识别模型进行识别。
36.第三方面，本发明实施例提供一种海相遗迹化石识别模型的训练装置，包括：
37.获取模块，用于获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；
38.数据集生成模块，用于对所述岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；
39.训练模块，用于将所述海相遗迹化石数据集划分为训练集和测试集；利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
40.第四方面，本发明实施例提供一种海相遗迹化石识别模型的识别装置，包括：
41.图像处理模块，用于将待识别的岩心图像进行处理；
42.识别模块，用于将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；所述海相遗迹化石识别模型是通过如权利要求1-8所述的海相遗迹化石识别模型的训练方法训练得到的。
43.第四方面，本发明实施例提供一种计算设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如前述的海相遗迹化石识别模型的训练方法或如前述的相遗迹化石识别模型的识别方法。
44.第五方面，本发明实施例提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述的海相遗迹化石识别模型的训练方法或如前述的相遗迹化石识别模型的识别方法。
45.本发明实施例提供的上述技术方案的有益效果至少包括：
46.本发明实施例提供了一种海相遗迹化石识别模型的训练方法、识别方法及装置，多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；并基于岩心图片数据库中的图片数据遗迹对应的标签信息，生成海相遗迹化石数据集，将海相遗迹化石数据集分为训练集和测试集，并利用训练集合测试集，训练得到海相遗迹化石识别模型，并利用该模型对待识别的岩心图片进行海相遗迹化石识别。本发明实施例将使用神经网络模型识别目标检测图像的技术应用于岩心遗迹化石属种的识别，为岩心遗迹化石属种的识别提供了一种快速准确的方法，解决了传统海相遗迹化石识别方式中人工识别工作量大，工作内容繁琐，识别结果易受人工主观因素影响，容易出现误判的难题，有效提高了油气田勘探开发阶段岩心中遗迹化石属种识别的工作效率，可以广泛应用于地质勘探等领域。
47.本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
48.下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
49.附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。在附图中：
50.图1为本发明实施例中海相遗迹化石识别模型的训练方法的流程图；
51.图2为本发明实施例中已初步分割为9个属种遗迹化石的图像的示意图；
52.图3为本发明实施例中图片旋转的例子的示意图；
53.图4为本发明实施例中一个yolov4网络的特征结构的例子的示意图；
54.图5为本发明实施例中mish激活函数的曲线示意图；
55.图6为本发明实施例中采用余弦退火衰减法，学习率的变化示意图；
56.图7为本发明实施例中海相遗迹化石识别模型的识别方法的示意图；
57.图8为本发明实施例中海相遗迹化石识别模型的训练装置的结构框图；
58.图9为本发明实施例中海相遗迹化石识别模型的识别装置的结构框图。
具体实施方式
59.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
60.本发明实施例提供了一种海相遗迹化石识别模型的训练方法，参照图1所示，该方法包括下述步骤：
61.s11、获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；
62.s12、对所述岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；
63.s13、将所述海相遗迹化石数据集划分为训练集和测试集；
64.s14、利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
65.上述步骤s11中，将包含多个属种遗迹化石的原始岩心图片数据，按照不同属种进行分割，得到多个属种遗迹化石分别对应的岩心图片数据。
66.岩心的原始岩心图片数据长宽比极不均衡，多种遗迹化石属种混杂在一幅图像中，需要进行切割处理，将一幅图像按照一定深度值进行分割，并记录其深度范围。
67.例如图2所示的已初步分割为9个属种遗迹化石的图像。
68.上述s12中，对所述岩心图片数据库中的图片数据进行预处理，包括下述任一项操作或多项操作的组合：
69.对图片数据的颜色、对比度、亮度进行调整，
70.裁剪或旋转图片数据；
71.剔除图片数据中的噪声数据。
72.将图片数据数量低于预设条件的属种图片数量进行扩充。
73.具体来说，对数据的预处理主要包括照片颜色统一调整、对比度统一调整、亮度统一调整、裁剪、旋转、剔除噪声数据等，在步骤s11中初步裁剪的图像尺寸较大，需要进一步裁剪，例如将图片数据统一按照分辨率320*320大小进行裁剪。
74.剔除噪声数据，主要包括将类别特征不明显，不具有代表性的图片数据删除，删除部分图片数据后各个类别之间数据量有较大差距，此时则需对数据量较少的类别已有的图片数据进行扩充，主要方法为将图像进行顺时针旋转90
°
、180
°
、270
°
并保存(例如图3所示的图片旋转的例子，最左边的是旋转前的图片、左数第二张为旋转90度的图片、左数第三张为旋转180度的图片，右数第一张为旋转270的图片)，以达到不同类别之间图片数据量相差
不要太大，提升模型的泛化能力。
75.上述步骤s12中，图片数据对应的海相遗迹化石标签信息，通过下述方式生成：
76.选定图片数据中包含遗迹化石的目标区域，并确定所述目标区域的最小矩形框，记录所述最小矩形框的左上角与右下角的坐标值；
77.将所述左上角和右下角的坐标值与所述图片数据的属种信息一并生成所述海相遗迹化石标签信息。
78.例如拉框选定图片数据中的目标区域，记录最小矩形框的左上角与右下角的坐标值，同种属信息一并保存为预设格式文件，该文件的标识并与所处理的图片的标识保持一致。
79.卷积神经网络是一种深度学习算法，近年来广泛用于人脸识别、车辆识别等基于图片的目标识别领域，能够较准确、高效地从图像中根据目标结构、颜色信息识别目标体类型。海相遗迹化石是一类具有一定的可识别结构特征的岩体结构，因而采用卷积神经网络对岩心图片中的遗迹化石进行目标位置、化石类型进行识别是可行的。
80.进一步地，在本发明实施例中，上述神经网络模型可选择多种神经网络模型，例如yolov4网络，该网络包括下述四个部分：输入端、backbone主干网络、neck连接结构、prediction head输出，一个yolov4网络的特征结构的例子参照图4所示。
81.yolov4架构的特征在于主干特征提取网络为cspdarknet53网络，激活函数为mish激活函数。mish函数为：
82.mish＝x
×
tanh(ln(1+e
x
))
83.图5所示的是mish激活函数的曲线。
84.输入端：输入数据集(训练集或测试集)中的图片，例如输入大小为320*320的数据集图像，进行图像预处理；在模型训练阶段，使用mosaic数据增强、cmbn跨小批量标准化、sat自动训练；mosaic是一种数据增强方法，将4张训练图像组合成一张进行训练。作用是增强了对正常背景之外的对象的检测，每个mini-batch包含大量的图像，使用mosaic后是原来mini-batch所包含图像数量的4倍，减少了估计均值和方差时需要大mini-batch的要求。
85.cmbn跨小批量标准化是cbn的改进版本，把大batch内部的4个mini-batch当作一个整体，对外隔离，仅仅在mini-batch内部进行汇合操作，保持bn一个batch更新一次可训练参数。sat自动训练又称自对抗训练，是一种新型数据增强方式，在第一阶段，神经网络改变原始图像而不是网络权值，通过这种方式，神经网络对其自身进行一种对抗式的攻击，改变原始图像，制造图像上没有目标的假象；在第二阶段，训练神经网络对修改后的图像进行正常的目标检测。
86.backbone主干网络：使用cspdarknet53网络提取特征，同时使用mish激活函数、dropblock正则化、csp跨阶段部分连接。
87.neck中间层：这是在backbone与最后的head输出层之间插入的一些层，yolov4中添加了spp模块、fpn+pan结构。spp采用1x1、5x5、9x9和13x13的最大池化方式，进行多尺度特征融合。
88.head输出层：输出层的锚框机制为通过聚类提取先验框尺度，并约束预测边框的位置，改进训练时的损失函数ciou_loss，以及预测框筛选的diou_nms。
89.使用mosaic数据增强，具体来说，利用训练集或测试集的四张图片进行拼接，分别
对四张图片进行翻转、缩放、色域变化等，并且按照四个方向位置摆好，进行图片的组合和框的组合，进行bn计算。
90.选择label smoothing平滑，具体公式为：
91.new_onehot_labels＝onehot_labels*(1-label_smoothing)+label_smoothing/num_classes
92.进行标签平滑就是将原始标签为0、1，在平滑后变为0.005、0.995(此为二分类)，目的为让模型不可以分类的太准确，可以有效避免过拟合问题。使用ciou作为回归优化loss，ciou将目标与anchor之间的距离、重叠率、尺度以及惩罚项都考虑在内，使得目标框回归变得更加稳定。公式如下：
[0093][0094]
其中，代表预测框和真实框的中心点的欧氏距离，c代表的是能够同时包含预测框和真实框的最小闭包区域的对角线距离。a和v的公式如下：
[0095][0096][0097]
上述w和h分别代表预测框的宽和高，为真实框的宽和高。
[0098]
该模型的损失(loss)的计算公式为：
[0099]
loss
ciou
＝1-ciou
[0100]
进一步地，上述步骤s14中，调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数；
[0101]
训练过程中，将训练集输入至使用不同组训练参数的神经网络模型中，对所述神经网络模型进行训练，并将测试集输入训练得到的训练模型，并分别计算训练集的损失率和测试集的损失率；
[0102]
选取其中测试集损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
[0103]
通常，测试集的损失率的最小值应小于预设的损失率阈值，并且，对应的训练集的损失率值也应小于等于测试集的损失率值。
[0104]
进一步地，上述调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数，具体实施时，对学习率参数、batch_size参数和epoch参数，使用控制变量的方法，改变不同组中的一个参数，使其他参数保持不变，得到多组训练参数。
[0105]
例如，对学习率的调整，使用余弦退火衰减法设置不同组内的不同学习率参数。
[0106]
学习率的设置采取余弦退火衰减法学习率，学习率将会先上升再下降，上升时使用线性上升，下降时模拟余弦(cos)函数下降。改变学习率，不同参数组对应的训练集与测试集损失率的例子参照表1所示：
[0107]
表1
[0108][0109][0110]
图6所示的是采用余弦退火衰减法，学习率的变化示意图。
[0111]
基于前面海相遗迹化石识别模型的训练方法，本发明实施例还提供了一种海相遗迹化石识别模型的识别方法，参照图7，包括：
[0112]
s71、将待识别的岩心图像进行处理；
[0113]
s72、将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；上述海相遗迹化石识别模型是通过如前述的海相遗迹化石识别模型的训练方法训练得到的。
[0114]
具体地，上述s71中的处理过程，包括：根据所述岩心图像的大小，确定预设宽度的图像提取窗口；
[0115]
以岩心图像左上角为坐标原点，从所述坐标原点开始滑动所述窗口，依次读取窗口内的图像数据，直至整个岩心图像读取完成；
[0116]
然后将提取出来的图像数据，逐一输入到已训练得到的海相遗迹化石识别模型中，识别出其中包含的海相遗迹的种属信息和分布深度。
[0117]
例如，待识别的原始岩心数据中，遗迹化石混杂在一幅图像中且呈垂直分布，原始图像分辨率较大，无法直接进行判别，本发明采用滑动窗口识别法，针对原始图像宽度值，制作一个大小为280*280的窗口，以图像左上角为坐标原点(0，0)，从图像坐标原点开始依次读取，提取窗口内图像数据，使用训练好的海相遗迹化石识别模型进行识别，并将识别结果记录在一个excel表格中，同时，记录其目标框的左上角坐标值以及右下角坐标值。向下移动窗口，重复上述步骤，直至整幅图像全部被识别。最终可得到岩心图像中遗迹化石属种及其分布深度值，并通过计算获得遗迹化石种类、数量、发育位置、发育密度(个/m2)。
[0118]
基于同一发明构思，本发明实施例还提供了一种海相遗迹化石识别模型的训练装置、海相遗迹化石识别模型的识别装置，由于这些装置所解决问题的原理与前述海相遗迹化石识别模型的训练方法、海相遗迹化石识别模型的识别方法相似，因此该装置的实施可以参见前述方法的实施，重复之处不再赘述。
[0119]
本发明实施例提供的海相遗迹化石识别模型的训练装置，参照图8所示，包括：
[0120]
获取模块81，用于获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；
[0121]
数据集生成模块82，用于对所述岩心图片数据库中的图片数据进行预处理，并添
加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；
[0122]
训练模块83，用于将所述海相遗迹化石数据集划分为训练集和测试集；利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。
[0123]
本发明实施例提供的海相遗迹化石识别模型的识别装置，参照图9所示，包括：
[0124]
图像处理模块91，用于将待识别的岩心图像进行处理；
[0125]
识别模块92，用于将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；所述海相遗迹化石识别模型是通过如权利要求1-8所述的海相遗迹化石识别模型的训练方法训练得到的。
[0126]
本发明实施例提供的一种计算设备，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如前述的海相遗迹化石识别模型的训练方法或如前述的相遗迹化石识别模型的识别方法。
[0127]
本发明实施例提供的一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如前述的海相遗迹化石识别模型的训练方法或如前述的相遗迹化石识别模型的识别方法。
[0128]
本发明实施例提供了一种海相遗迹化石识别模型的训练方法、识别方法及装置，多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；并基于岩心图片数据库中的图片数据遗迹对应的标签信息，生成海相遗迹化石数据集，将海相遗迹化石数据集分为训练集和测试集，并利用训练集合测试集，训练得到海相遗迹化石识别模型，并利用该模型对待识别的岩心图片进行海相遗迹化石识别。本发明实施例将使用神经网络模型识别目标检测图像的技术应用于岩心遗迹化石属种的识别，为岩心遗迹化石属种的识别提供了一种快速准确的方法，解决了传统海相遗迹化石识别方式中人工识别工作量大，工作内容繁琐，识别结果容易受人工主观因素影响，容易出现误判的难题，有效提高了油气田勘探开发阶段岩心中遗迹化石属种识别的工作效率，可以广泛应用于地质勘探等领域。
[0129]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0130]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0131]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指
令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0132]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0133]
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

技术特征：
1.一种海相遗迹化石识别模型的训练方法，其特征在于，包括：获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；对所述岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；将所述海相遗迹化石数据集划分为训练集和测试集；利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。2.如权利要求1所述的方法，其特征在于，获取原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库，包括：将包含多个属种遗迹化石的原始岩心图片数据，按照不同属种进行分割，得到多个属种遗迹化石分别对应的岩心图片数据。3.如权利要求1所述的方法，其特征在于，对所述岩心图片数据库中的图片数据进行预处理，包括下述任一项操作或多项操作的组合：对图片数据的颜色、对比度、亮度进行调整，裁剪或旋转图片数据；剔除图片数据中的噪声数据；将图片数据数量低于预设条件的属种图片数量进行扩充。4.如权利要求1所述的方法，其特征在于，图片数据对应的海相遗迹化石标签信息，通过下述方式生成：选定图片数据中包含遗迹化石的目标区域，并确定所述目标区域的最小矩形框，记录所述最小矩形框的左上角与右下角的坐标值；将所述左上角和右下角的坐标值与所述图片数据的属种信息一并生成所述海相遗迹化石标签信息。5.如权利要求1所述的方法，其特征在于，所述预设的神经网络模型为yolov4网络，所述网络包括下述四个部分：输入端、backbone主干网络、neck连接结构、prediction head输出。6.如权利要求1所述的方法，其特征在于，利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型，包括：调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数；将训练集输入至使用不同组训练参数的神经网络模型中，对所述神经网络模型进行训练，并将测试集输入训练得到的训练模型，并分别计算训练集的损失率和测试集的损失率；选取其中测试集损失率最小的神经网络模型作为所述海相遗迹化石识别模型。7.如权利要求6所述的方法，其特征在于，所述调节所述神经网络模型的学习率参数、batch_size参数和epoch参数，得到多组神经网络模型的训练参数，包括：对学习率参数、batch_size参数和epoch参数，使用控制变量的方法，改变不同组中的
一个参数，使其他参数保持不变，得到多组训练参数。8.如权利要求7所述的方法，其特征在于，对学习率的调整，使用余弦退火衰减法设置不同组内的不同学习率参数。9.一种海相遗迹化石识别模型的识别方法，其特征在于，包括：将待识别的岩心图像进行处理；将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；所述海相遗迹化石识别模型是通过如权利要求1-8所述的海相遗迹化石识别模型的训练方法训练得到的。10.如权利要求9所述的方法，其特征在于，将待识别的岩心图像进行处理，包括：根据所述岩心图像的大小，确定预设宽度的图像提取窗口；以岩心图像左上角为坐标原点，从所述坐标原点开始滑动所述窗口，依次读取窗口内的图像数据，直至整个岩心图像读取完成；所述将处理后的图像输入至海相遗迹化石识别模型进行识别，包括：将提取出的各窗口的图像数据，分别输入至所述海相遗迹化石识别模型进行识别。11.一种海相遗迹化石识别模型的训练装置，其特征在于，包括：获取模块，用于获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；数据集生成模块，用于对所述岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；训练模块，用于将所述海相遗迹化石数据集划分为训练集和测试集；利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对所述神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为所述海相遗迹化石识别模型。12.一种海相遗迹化石识别模型的识别装置，其特征在于，包括：图像处理模块，用于将待识别的岩心图像进行处理；识别模块，用于将处理后的图像输入至海相遗迹化石识别模型进行识别，识别出所述待识别的岩心图像中包含的海相遗迹的种属信息和分布深度；所述海相遗迹化石识别模型是通过如权利要求1-8所述的海相遗迹化石识别模型的训练方法训练得到的。13.一种计算设备，其特征在于，包括：存储器、处理器及存储于存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如权利要求1-8任一项所述的海相遗迹化石识别模型的训练方法或如权利要求9或10所述的相遗迹化石识别模型的识别方法。14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1-8任一项所述的海相遗迹化石识别模型的训练方法或如权利要求9或10所述的相遗迹化石识别模型的识别方法。

技术总结
本发明公开了一种海相遗迹化石识别模型的训练方法、识别方法及装置。方法包括：获取包含多个属种遗迹化石的原始岩心图片数据并整理，生成包含多个属种遗迹化石的岩心图片数据库；对岩心图片数据库中的图片数据进行预处理，并添加图片数据对应的海相遗迹化石标签信息，生成海相遗迹化石数据集；将海相遗迹化石数据集划分为训练集和测试集；利用训练集和测试集对预设的神经网络模型进行训练，并计算训练集和测试集的损失率，对神经网络模型的参数进行调整，选择根据训练集和测试集的损失率最小的神经网络模型作为海相遗迹化石识别模型。本发明解决了传统海相遗迹化石识别方式中人工识别工作量大，工作内容繁琐，识别结果容易出现误判的难题。出现误判的难题。出现误判的难题。


技术研发人员：黄继新 齐梅 刘尚奇 徐芳 罗强 武军昌 刘洋 郭松伟 韩彬 田园
受保护的技术使用者：中国石油天然气股份有限公司
技术研发日：2022.01.24
技术公布日：2023/8/5