(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 20221027280 3.7 (22)申请日 2022.03.18 (71)申请人 上海海事大学 地址 201306 上海市浦东 新区临港新城 海 港大道15 50号 (72)发明人 李朝锋　梁源潼　刘洪林　张介辉　 邹辰　梅钰　李晓波　 (74)专利代理 机构 上海元好知识产权代理有限 公司 31323 专利代理师 包姝晴　朱成之 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/40(2022.01) G06V 10/82(2022.01) G06V 10/764(2022.01)G06K 9/62(2022.01) G06N 3/04(2006.01) (54)发明名称 基于特征融合的笔石图像分类方法和系统 (57)摘要 本发明公开了一种基于特征融合的笔石图 像分类方法和系统， 该方法包括： 获取笔石图像， 并将笔石图像输入至预训练的卷积神经网络模 型， 以提取笔石图像的低层特征、 高层特征和全 局特征； 将低层特征、 高层特征和全局特征进行 特征融合， 得到全局融合特征； 将全局融合特征 输入至分类器， 以使分类器根据全局融合特征生 成笔石图像的类别信息。 本发明能够快速且精准 地实现笔石图像的分类， 从而便于判断地层年 代， 且精准标定页岩地层 层位。 权利要求书2页 说明书7页 附图7页 CN 115035370 A 2022.09.09 CN 115035370 A 1.一种基于特 征融合的笔石图像分类方法， 其特 征在于， 包括： 步骤S1： 获取笔石图像， 并将所述笔石图像输入至预训练的卷积神经网络模型， 以提取 所述笔石图像的低层特 征、 高层特 征和全局特 征； 步骤S2： 将所述低层特征、 所述高层特征和所述全局特征进行特征融合， 得到全局融合 特征； 步骤S3： 将所述全局融合特征输入至分类器， 以使所述分类器根据所述全局融合特征 生成所述笔石图像的类别 信息。 2.如权利要求1所述的基于特征融合的笔石图像分类方法， 其特征在于， 所述卷积神经 网络模型为E fficientNet ‑B5模型， 所述步骤S1中， 提取所述笔石图像的低层特征、 高层特 征和全局特 征的步骤 包括： 步骤S11： 将所述卷积神经网络模型的39个卷积层， 按照卷积核尺寸、 分辨率和通道数 划分成7个卷积块； 步骤S12： 依次对7个卷积块输出的特 征图进行 可视化处 理； 步骤S13： 分别选取第2、 第5、 第7个卷积块输出的可视化特征图作为所述低层特征、 所 述高层特 征和所述全局特 征。 3.如权利要求1所述的基于特征融合的笔石图像分类方法， 其特征在于， 所述步骤S2包 括： 步骤S21： 将所述低层特征和所述高层特征匹配到同一维度， 采用1 ×1卷积扩展所述低 层特征的通道数， 采用双线性插值法提升所述高层特征 的分辨率， 并采用哈达玛积运算将 匹配好的低层特 征和高层特 征进行特征融合， 以生成低层 ‑高层融合特 征； 步骤S22： 将所述低层 ‑高层融合特征和所述全局特征进行维度匹配， 采用1 ×1卷积扩 展所述低层 ‑高层融合特征的通道数， 采用双线性插值法提升所述全局特征的分辨率， 并采 用哈达玛积运算将匹配好的低层 ‑高层融合特征和全局特征进行特征融合， 以生成初始全 局融合特 征； 步骤S23： 采用1 ×1卷积削减所述初始全局融合特征的通道数， 并采用最大池化降低所 述初始全局融合特 征的分辨 率， 得到最终的所述全局融合特 征。 4.如权利要求1或3所述的基于特征融合的笔石图像分类方法， 其特征在于， 所述分类 器为Softmax分类 器， 所述步骤S3包括： 步骤S31： 在空间维度上， 采用求和池化函数对所述全局融合特征进行整合， 并将所述 全局融合特 征对应的笔石图像上每 个相应位置的双线性特 征进行累加后， 得到特 征矩阵； 步骤S32： 将所述特 征矩阵张成一个双线性向量； 步骤S33： 对所述双线性向量进行符号平方根运算和L2归一化操作， 得到相应的特征向 量； 步骤S34： 将所述特征向量输入至所述Softmax分类器， 以使所述Softmax分类器输出所 述笔石图像的类别 信息。 5.一种基于特 征融合的笔石图像分类系统， 其特 征在于， 包括： 提取模块(10)， 用于将笔石图像输入至预训练的卷积神经网络模型， 以提取所述笔石 图像的低层特 征、 高层特 征和全局特 征； 融合模块(20)， 与所述提取模块(10)连接， 所述融合模块(20)用于将所述低层 特征、 所权　利　要　求　书 1/2 页 2 CN 115035370 A 2述高层特 征和所述全局特 征进行特征融合， 得到全局融合特 征； 生成模块(30)， 与所述融合模块(20)连接， 所述生成模块(30)用于将所述全局融合特 征输入至分类器， 以通过所述分类器根据所述全局融合特征生成所述笔石图像的类别信 息。 6.如权利要求5所述的基于特征融合的笔石图像分类系统， 其特征在于， 所述卷积神经 网络模型为Ef ficientNet ‑B5模型， 所述 提取模块(10)包括： 卷积块划分单元(11)， 用于将所述卷积神经网络模型的39个卷积层， 按照卷积核尺寸、 分辨率和通道数划分成7个卷积块； 可视化处 理单元(12)， 用于依次对7个卷积块输出的特 征图进行 可视化处 理； 特征选取单元(13)， 与所述可视化处理单元(12)连接， 所述特征选取单元(13)用于分 别选取第2、 第5、 第7个卷积块输出的可视化特征图作为所述低层特征、 所述高层特征和所 述全局特 征。 7.如权利要求5所述的基于特征融合的笔石图像分类系统， 其特征在于， 所述融合模块 (20)包括： 第一融合单元(21)， 与所述特征选取单元(13)连接， 所述第一融合单元(21)用于将所 述低层特征和所述高层特征匹配到同一维度， 采用1 ×1卷积扩展所述低层特征的通道数， 采用双线性插值法提升所述高层特征的分辨率， 并采用哈达玛积运算将匹配好的低层特征 和高层特 征进行特征融合， 以生成低层 ‑高层融合特 征； 第二融合单元(22)， 与所述第一融合单元(21)连接， 所述第二融合单元(22)用于将所 述低层‑高层融合特征和所述全局特征进 行维度匹配， 采用1 ×1卷积扩展 所述低层 ‑高层融 合特征的通道数， 采用双线性插值法提升所述全局特征 的分辨率， 并采用哈达玛积运算将 匹配好的低层 ‑高层融合特 征和全局特 征进行特征融合， 以生成初始全局融合特 征； 融合处理单元(23)， 与所述第二 融合单元(22)连接， 所述 融合处理单元(23)用于采用1 ×1卷积削减所述初始全局融合特征 的通道数， 并采用最大池化降低所述初始全局融合特 征的分辨 率， 得到最终的所述全局融合特 征。 8.如权利要求5或7所述的基于特征融合的笔石图像分类系统， 其特征在于， 所述分类 器为Softmax分类 器， 所述生成模块(3 0)具体用于： 在空间维度上， 采用求和池化函数对所述全局融合特征进行整合， 并将所述全局融合 特征对应的笔石图像上每个相应位置的双线性特征进行累加后， 得到特征矩阵； 将所述特 征矩阵张成一个双线性向量； 对所述双线性向量进行符号平方根运算和L2归一化操作， 得 到相应的特征向量； 将所述特征向量输入至所述Softmax分类器， 以使所述Softmax分类器 输出所述笔石图像的类别 信息。 9.一种计算机可读存储介质， 其上存储有计算机程序， 其特征在于， 所述计算机程序被 处理器执行时， 实现如权利要求1 ‑4中任一项所述的基于特 征融合的笔石图像分类方法。 10.一种电子设备， 其特征在于， 包括处理器和存储器， 所述存储器上存储有计算机程 序， 所述计算机程序被所述处理器执行时， 实现如权利要求 1‑4中任一项 所述的基于特征融 合的笔石图像分类方法。权　利　要　求　书 2/2 页 3 CN 115035370 A 3