基于改进的EfficientNet模型的岩屑岩性识别*

doi:10.7523/j.ucas.2025.062

中国科学院大学学报

基于改进的EfficientNet模型的岩屑岩性识别^*

董文豪¹, 张怀^1,2,3†

1.地球系统数值模拟与应用全国重点实验室,中国科学院大学地球与行星科学学院,北京 100049;
2.南方海洋科学与工程广东省实验室(珠海),广东珠海 519080;
3.北京燕山地球关键带国家野外科学观测研究站,北京 101408

收稿日期:2025-03-31 修回日期:2025-12-11 发布日期:2025-12-29
通讯作者: †E-mail：hzhang@ucas.ac.cn
基金资助:
*国家自然科学基金联合基金项目（No.U2239205）和国家重点研发计划（Nos.2020YFA0713400,2020YFA0 713401）资助

Lithology identification of cuttings based on improved EfficientNet model

DONG Wenhao¹, ZHANG Huai^1,2,3

1. State Key Laboratory of Earth System Numerical Modeling and Application, College of Earth and Planetary Sciences, University of Chinese Academy of Sciences, Beijing 100049, China;
2. Southern Marine Science and Engineering Guangdong Laboratory (Zhuhai), Zhuhai 519080, Guangdong, China;
3. Beijing Yanshan Earth Critical Zone National Research Station, Beijing 101408, China

Received:2025-03-31 Revised:2025-12-11 Published:2025-12-29

摘要/Abstract

摘要： 岩性智能识别技术是优化油气勘探决策的核心环节,其关键在于快速解译录井岩屑图像所蕴含的地质信息。随着录井技术的发展,岩屑图像数量剧增且复杂性增加,急需一种快速且准确的岩性识别方法。本文提出了一种基于改进EfficientNet的深度学习与迁移学习模型,用于8种岩屑的分类识别。与ResNet、Inception等经典神经网络方法相比,EfficientNet的迁移学习模型的泛化能力更强,计算速度更快,识别测试集准确率能达到97.84%。

关键词: 岩性识别, 深度学习, 迁移学习, EfficientNet

Abstract: Intelligent lithology identification technology serves as a critical component in optimizing oil and gas exploration decision-making, with its core focus lying in the rapid interpretation of geological information embedded in mud logging cuttings images. As mud logging technology advances, the volume of obtainable cuttings images has surged dramatically while the complexity and ambiguity of cuttings have intensified, creating an urgent demand for rapid and accurate lithology identification methods in field operations. This study develops an improved EfficientNet-based deep learning and transfer learning model to classify eight common types of cuttings. Compared to classical neural networks like ResNet and Inception, the EfficientNet-based transfer learning model shows better generalization and faster computation, achieving a recognition accuracy of 97.84% on the test dataset.

Key words: lithology identification, deep learning, transfer learning, EfficientNet

中图分类号:

董文豪, 张怀. 基于改进的EfficientNet模型的岩屑岩性识别^*[J]. 中国科学院大学学报, DOI: 10.7523/j.ucas.2025.062.

DONG Wenhao, ZHANG Huai. Lithology identification of cuttings based on improved EfficientNet model[J]. Journal of University of Chinese Academy of Sciences, DOI: 10.7523/j.ucas.2025.062.

参考文献

[1] 王新领, 祝新益, 张宏兵, 等. 基于随机树嵌入的随钻测井岩性识别方法[J]. 吉林大学学报(地球科学版), 2024, 54(2): 701-708. DOI: 10.13278/j.cnki.jjuese.20230193.
[2] 张众, 郭金涛, 李鹏. 录井技术对钻井井控中的作用分析[J]. 石化技术, 2025, 32(1): 291-293. DOI: 10.3969/j.issn.1006-0235.2025.01.101.
[3] 潘柯宇, 卢正东, 唐明, 等. 四川盆地SYS构造录井岩屑识别方法探讨及应用[J]. 钻采工艺, 2020, 43(z1): 24-26,34. DOI: 10.3969/J.ISSN.1006-768X.2020.增.07.
[4] 杨宇轩, 钟宝荣. 基于改进ConvNeXt模型的轻量化岩屑岩性识别方法[J]. 现代电子技术, 2024, 47(24): 131-136. DOI: 10.16652/j.issn.1004-373x.2024.24.020.
[5] 马世拓, 班一杰, 戴陈至力. 卷积神经网络综述[J]. 现代信息科技, 2021, 5(2): 11-15. DOI: 10.19850/j.cnki.2096-4706.2021.02.003.
[6] Karen Simonyan, Andrew Zisserman. Very Deep Convolutional Networks For Large-scale Image Recognition[J]. arXiv preprint arXiv:1409.1556, 2014.
[7] He K M, Zhang X Y, Ren S Q, et al.Deep residual learning for image recognition[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 27-30, 2016, Las Vegas, NV, USA. IEEE, 2016: 770-778. DOI: 10.1109/CVPR.2016.90.
[8] Szegedy C, Liu W, Jia Y Q, et al.Going deeper with convolutions[C]//2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). June 7-12, 2015, Boston, MA, USA. IEEE, 2015: 1-9. DOI: 10.1109/CVPR.2015.7298594.
[9] Xu Z H, Ma W, Lin P, et al.Deep learning of rock microscopic images for intelligent lithology identification: Neural network comparison and selection[J]. Journal of Rock Mechanics and Geotechnical Engineering, 2022, 14(4): 1140-1152. DOI: 10.1016/j.jrmge.2022.05.009.
[10] 杨磊, 熊昶, 刘文超, 等. 基于改进ResNet深度残差网络的岩屑岩性识别研究[J]. 长江大学学报(自然科学版), 2023, 20(2): 11-19. DOI: 10.3969/j.issn.1673-1409.2023.02.002.
[11] Liu Z F, Zhang J J, Li Y G, et al. Lithology prediction of one-dimensional residual network based on regularization constraints[J]. Journal of Petroleum Science and Engineering, 2022, 215, Part B: 110620. DOI: 10.1016/j.petrol.2022.110620.
[12] 凌同华, 陈梓浓, 张胜, 等. 岩石岩性轻量化网络识别方法及其隧道工程应用[J]. 铁道科学与工程学报,2023, 20(9): 3604-3615. DOI: 10.19713/j.cnki.43-1423/u.T20221939.
[13] 董文豪, 张怀. 基于迁移学习的岩屑岩性识别[J]. 中国科学院大学学报, 2023, 40(6): 743-750.
[14] Liu C Z, Li M C, Zhang Y, et al.An enhanced rock mineral recognition method integrating a deep learning model and clustering algorithm[J]. Minerals, 2019, 9(9): 516. DOI: 10.3390/min9090516.
[15] Wang H J.Intelligent identification of logging cuttings based on deep learning[J]. Energy Reports, 2022, 8: 1-7. DOI: 10.1016/j.egyr.2022.10.049.
[16] Tan M, Le Q V.(2019). EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks. In International Conference on Machine Learning (ICML). arXiv preprint arXiv:1905.11946.
[17] 王潇怡,罗运华,喻忠军,等. 基于EfficientNet的多通道雷达目标微动特征分类方法[J]. 系统工程与电子技术, 2024, 46(9): 2988-2998. DOI: 10.12305/j.issn.1001-506X.2024.09.11.
[18] 付军军, 陈林, 童华敏, 等. 基于改进EfficientNet的海上风机叶片早期缺陷检测及分类[J]. 电子测量技术, 2024, 47(16): 110-119. DOI: 10.19651/j.cnki.emt.2416268.
[19] 沈先耿. 深度学习综述[J]. 数字化用户,2017(11):63. DOI: 10.3969/j.issn.1009-0843.2017.11.057.
[20] 马世龙, 乌尼日其其格, 李小平. 大数据与深度学习综述[J]. 智能系统学报, 2016, 11(6): 728-742. DOI: 10.11992/tis.201611021.
[21] 刘嘉雄, 周骏. 基于深度学习的风格迁移方法综述[J]. 人工智能科学与工程, 2024, 2(1): 1-19. DOI: 10.3969/j.issn.1002-6339.2025.02.014
[22] 黄兆培, 张峰源, 赵金明, 等. 情感识别中的迁移学习问题综述[J]. 信号处理, 2023, 39(4): 588-615. DOI: 10.16798/j.issn.1003-0530.2023.04.002.
[23] 华晨晨, 王奭寅, 徐茂森, 等. 基于改进VGG16的射流式鱼泵内鱼类损伤的图像识别与分类[J]. 中国海洋大学学报(自然科学版), 2024, 54(11): 49-57. DOI: 10.16441/j.cnki.hdxb.20230216.
[24] 于营, 杨婷婷, 杨博雄. 混淆矩阵分类性能评价及Python实现[J]. 现代计算机, 2021(20): 70-73, 79. DOI: 10.3969/j.issn.1007-1423.2021.20.014.
[25] 邹永康, 范琴, 王佩瑜. 改进UNet++与联合损失函数的建筑物提取方法[J]. 长江信息通信, 2024, 37(6): 78-80. DOI: 10.20153/j.issn.2096-9759.2024.06.023.
[26] 阚涛, 高哲, 杨闯. 采用分数阶动量的卷积神经网络随机梯度下降法[J]. 模式识别与人工智能, 2020, 33(6): 559-567. DOI: 10.16451/j.cnki.issn1003-6059.202006009.

基于改进的EfficientNet模型的岩屑岩性识别^*

Lithology identification of cuttings based on improved EfficientNet model

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们

[1]	周庆泽, 郭擎. 多重残差网络的多光谱遥感图像锐化方法[J]. 中国科学院大学学报, 2025, 42(4): 565-575.
[2]	曾建顺, 吕炎杰, 覃驭楚. 基于多尺度语义先验的街景图像修复算法[J]. 中国科学院大学学报, 2025, 42(4): 496-507.
[3]	钟金彦, 陈俊, 李宇, 吴业炜, 葛小青. 基于MFF-SFE的遥感图文跨模态检索方法[J]. 中国科学院大学学报, 2025, 42(2): 236-247.
[4]	周文雪, 张华春. 一种面向SAR图像快速舰船检测的轻量化网络[J]. 中国科学院大学学报, 2024, 41(6): 776-785.
[5]	喻永生, 罗铁坚. 基于GAN反演的无缝图像补全技术[J]. 中国科学院大学学报, 2024, 41(5): 705-714.
[6]	陈经纬, 李宇, 陈俊, 张洪群. 基于MFF-Deeplabv3+网络的高分辨率遥感影像建筑物提取方法[J]. 中国科学院大学学报, 2024, 41(5): 654-664.
[7]	黄玉林, 梁磊, 李卫军, 习晓环. 基于多尺度特征和注意力机制的深度学习点云压缩[J]. 中国科学院大学学报, 2024, 41(5): 687-694.
[8]	林昱彤, 王红, 柴团耀. 基于卷积神经网络多尺度特征的大豆基因组表型预测[J]. 中国科学院大学学报, 2024, 41(4): 468-476.
[9]	董文豪, 张怀. 基于迁移学习的岩屑岩性识别[J]. 中国科学院大学学报, 2023, 40(6): 743-750.
[10]	肖俊, 石光田. 三维点云去噪技术[J]. 中国科学院大学学报, 2023, 40(5): 577-595.
[11]	盛晓光, 王颖, 张迎伟, 项若曦, 付红萍. WILS：面向学业预警的非均衡增量式学习方法[J]. 中国科学院大学学报, 2023, 40(3): 422-432.
[12]	姚沐风, 昝露洋, 李柏鹏, 李庆亭, 陈正超. 基于CAR-Siamese网络的高分辨率遥感图像建筑物变化检测[J]. 中国科学院大学学报, 2023, 40(3): 380-387.
[13]	陈若男, 彭玲, 刘玉菲, 卫志超, 吕蓓茹, 陈德跃. 引入空间距离信息的城郊山区道路提取与应用[J]. 中国科学院大学学报, 2022, 39(5): 658-667.
[14]	古煜民, 阎福礼. 基于不同骨架UNet++网络的建筑物提取[J]. 中国科学院大学学报, 2022, 39(4): 512-523.
[15]	林大权, 范睿, 张良峰. 基于高维特征的图像对抗攻击算法[J]. 中国科学院大学学报, 2022, 39(3): 421-431.