基于Debseg-Net的岩屑图像语义分割

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和通用机器学习模型在岩屑岩性识别上的不适用性：包括准确率欠佳、网络参数冗杂、网络效率低下,针对岩屑图像的特征设计了一种岩屑图像的语义分割网络Debseg-Net,该网络采用编解码结构,卷积与转置卷积结合实现对岩屑图像特征的提取与像素级分类,采用深度可分离卷积减少参数量从而可进一步加深网络,使用跳级连接避免迭代过程中的信息丢失。同时提出了一种高效的岩屑图像自标记方法。经多次实验,Debseg-Net在以10口探井收集的640张共计5类岩屑图像数据集上,识别准确率达到98.43%,平均交并比达到90.01%,领先同类型分割网络2.59至7.04个百分点,在实现数字化岩屑录井进程中提供了方法。     

基于多维自适应滤波与泊松融合的多聚焦图像融合算法

针对现有的多聚焦图像融合算法,在抗噪性能、图像连续性以及时间复杂度上的不足,提出了一种基于多维自适应滤波与泊松融合的多聚焦图像融合算法。首先,对统一尺度的源图像构建梯度矩阵,并设计尺度分段的多维自适应核函数对矩阵进行分割;然后,引入判定条件,对泊松重建中的图像边界进行伪边缘抑制,得到纯化后的全聚焦图像;最后,将抗噪算法与融合算法分别对比其他算法模型,进行综合比较,通过6种图像质量评价指标来评估融合性能与效果。结果表明：本文算法不仅有良好的运行效率,清晰的视觉观感,而且在评价因子上有更理想的数据结果。可见,不论主观还是客观上来看,该算法都具备明显优势。     

计算软件在结构动力学教学中的应用

针对传统教学方法在结构动力学教学中的不足,提出把结构力学求解器、Matlab和Simulink软件、有限元软件ANSYS等计算软件应用于结构动力学的教学实践中,可以帮助学生理解结构动力学的基本概念和基本理论,提高教学质量和效果。     

融合图像外特征的岩屑岩性深度学习识别方法

岩屑的岩性识别是地质工作中的一项重要内容。为解决传统人工鉴别岩性的低效问题和传统机器识别的低可靠性问题，提出一种融合图像特征与图像外特征的岩性识别方法。首先采集岩屑的高分辨率图像，使用Xception特征提取器对图像特征进行提取并降维为一维向量，提高模型抽象特征敏感性并防止网络退化问题。同时量化岩屑的物理化学特征如：与盐酸反应程度、含矿物纯度、元素分析结果、硬度等，构建图像外特征向量。融合图像特征向量与图像外特征向量为总特征向量，构建神经网络与分类器进行训练，产生岩性识别模型。该模型相较于仅图像训练模型，在高质量岩屑图像数据集上提高3.45个百分点，在低质量岩屑图像数据集上提高20.92个百分点。该模型结合了传统录井与机器学习的优势，为建立可靠岩性剖面与实现数字化岩屑录井提供了更为高效的方法。