基于改进GhostNet的岩石薄片岩性识别模型

doi:10.11772/j.issn.1001-9081.2025060785

《计算机应用》唯一官方网站 ›› 2026, Vol. 46 ›› Issue (7): 2355-2363.DOI: 10.11772/j.issn.1001-9081.2025060785

基于改进GhostNet的岩石薄片岩性识别模型

刘苗苗¹^,², 张郁红¹(), 张强¹^,², 杜睿山¹^,²

^1.东北石油大学计算机与信息技术学院，黑龙江大庆 163318
^2.黑龙江省石油大数据与智能分析重点实验室（东北石油大学），黑龙江大庆 163318

收稿日期:2025-07-16 修回日期:2025-10-23 接受日期:2025-10-29 发布日期:2025-11-12 出版日期:2026-07-10
通讯作者: 张郁红
作者简介:刘苗苗（1982—），女，河南洛阳人，教授，博士，CCF高级会员，主要研究方向：数据挖掘、群体智能算法、油气大数据；
基金资助:
国家自然科学基金资助项目(42002138);河北省自然科学基金资助项目(D2023107002);黑龙江省博士后科研启动金资助项目(LBH-Q20073);黑龙江省高等教育教学改革研究重点项目(SJGZB2024088)

Rock thin section lithology identification model based on improved GhostNet

Miaomiao LIU¹^,², Yuhong ZHANG¹(), Qiang ZHANG¹^,², Ruishan DU¹^,²

^1.School of Computer and Information Technology，Northeast Petroleum University，Daqing Heilongjiang 163318，China
^2.Heilongjiang Provincial Key Laboratory of Petroleum Big Data and Intelligent Analysis （Northeast Petroleum University），Daqing Heilongjiang 163318，China

Received:2025-07-16 Revised:2025-10-23 Accepted:2025-10-29 Online:2025-11-12 Published:2026-07-10
Contact: Yuhong ZHANG
About author:LIU Miaomiao， born in 1982， Ph. D.， professor. Her research interests include data mining， swarm intelligence algorithm， oil and gas big data.
Supported by:
National Natural Science Foundation of China(42002138);Natural Science Foundation of Hebei Province(D2023107002);Postdoctoral Scientific Research and Development Start Fund of Heilongjiang Province(LBH-Q20073);Key Project of Higher Education Teaching Reform Research in Heilongjiang Province(SJGZY2024088)

摘要/Abstract

摘要：

针对岩石薄片岩性识别中存在的识别精度不高和效率低等问题，提出一种基于改进GhostNet的岩石薄片岩性识别模型。首先，采用多方向Sobel算子构建边缘引导模块，有效提取岩石薄片图像中的边缘和纹理信息；其次，在GhostNet模型的关键位置嵌入卷积块注意力模块（CBAM）强化模型的特征提取能力，进一步提高模型的识别效果；最后，重新设计分类器结构，用全局平均池化层替换原始分类器，减少模型的参数量，提高模型训练效率。采用分层分类方法将数据集分为3大类别和108小类，分别进行粗粒度和细粒度识别。实验结果表明，本文模型在测试集上的一级分类准确率为98.15%，二级分类准确率为96.39%，模型大小为16.3 MB。与EfficientNetV2相比，本文模型在一级分类准确率上提高了1.31个百分点，参数量减少了81%，展现出更佳的分类性能，能够为岩石薄片的岩性识别提供高效且准确的解决方案。

关键词: 岩石薄片, 岩性识别, GhostNet, 边缘信息, 卷积块注意力模块, 轻量级神经网络

Abstract:

To address the issues of low identification accuracy and poor efficiency in rock thin section lithology identification， a rock thin section lithology identification model based on improved GhostNet was proposed. First， an edge guidance module was constructed using multi-directional Sobel operator to extract edge and texture information from rock thin section images effectively. Second， CBAM （Convolutional Block Attention Module） was embedded at key positions within the GhostNet model to enhance the feature extraction capability and further improve the model's identification performance. Finally， the classifier structure was redesigned by replacing the original classifier with a global average pooling layer， so as to reduce the model's parameters， thereby improving the model training efficiency. A hierarchical classification method was adopted to divide the dataset into three major categories and 108 small categories for coarse-grained and fine-grained identification， respectively. Experimental results showed that the proposed model achieved a first-level classification accuracy of 98.15% and a second-level classification accuracy of 96.39% on the test set， with a model size of 16.3 MB. Compared with EfficientNetV2， the proposed model achieved a 1.31 percentage point improvement in first-level classification accuracy and an 81% reduction in parameters. The proposed model demonstrates superior classification performance and provides an efficient and accurate solution for lithology identification of rock thin sections.

Key words: rock thin section, lithology identification, GhostNet, edge information, CBAM (Convolutional Block Attention Module), lightweight neural network

中图分类号:

TP391.41

刘苗苗, 张郁红, 张强, 杜睿山. 基于改进GhostNet的岩石薄片岩性识别模型[J]. 计算机应用, 2026, 46(7): 2355-2363.

Miaomiao LIU, Yuhong ZHANG, Qiang ZHANG, Ruishan DU. Rock thin section lithology identification model based on improved GhostNet[J]. Journal of Computer Applications, 2026, 46(7): 2355-2363.

图/表 23

图1 GhostNet的结构

Fig. 1 Structure of GhostNet

图2 Ghost模块的结构

Fig. 2 Structure of Ghost module

表1 4种神经网络性能的对比（基于ImageNet数据集）

Tab. 1 Performance comparison of four neural networks （based on ImageNet dataset）

模型	参数量/10⁶	计算量/MFLOPs	Top-1准确率/%	计算加速比
ResNet50^［19］	25.6	4 100	76.1	1.0
MobileNetV2^［18］	5.4	219	75.2	2.0
ShuffleNetV2^［24］	5.3	299	74.9	1.9
GhostNet^［23］	5.2	142	75.7	2.9

图3 改进的Sobel算子的示意图

Fig. 3 Schematic diagram of improved Sobel operator

图4 Sobel边缘引导模块的结构

Fig. 4 Structure of Sobel edge guidance module

图5 CBAM的结构

Fig. 5 Structure of CBAM

图6 GhostNet_CBAM的结构

Fig. 6 Structure of GhostNet_CBAM

图7 全连接与全局平均池化的结构

Fig. 7 Structure of full connection and global average pooling

表2 实验环境信息

Tab. 2 Experimental environment information

配置项	信息
CPU	AMD Ryzen 7 5800H with Radeon Graphics
GPU	NVIDIA GeForce RTX 3060
内存	32 GB
编程语言	Python 3.13.0
学习框架	PyTorch 2.7.1
计算框架	CUDA 12.8
开发工具	PyCharm

图8 岩石薄片岩性的种类图

Fig. 8 Lithologic type chart of rock thin section

表3 岩石薄片样本基本信息汇总

Tab. 3 Summary of basic information of rock thin section samples

一级分类	不同类样本张数对应的小类别数					小类别总数	样本总数
一级分类	23张	24张	25张	26张	27张	小类别总数	样本总数
总计	1	90	3	2	12	108	2 634
变质岩	0	36	0	0	4	40	972
沉积岩	1	15	3	2	7	28	699
火成岩	0	39	0	0	1	40	963

图9 数据增强方式

Fig. 9 Data augmentation methods

表4 分层分类实验结果 ( %)

Tab. 4 Experimental results of hierarchical classification

层级	准确率	精确率	召回率	F1值
一级（3分类）	98.15	98.16	98.15	98.15
二级（108分类）	96.39	96.95	96.38	96.31

图10 岩石精度排名前10和后10展示

Fig. 10 Top 10 and bottom 10 rock types in precision

图11 片麻岩与白云母花岗岩薄片及其矿物分割结果对比

Fig. 11 Comparison of thin section images and mineral segmentation results between mylonite and muscovite granite

图12 3大类岩性分类结果的混淆矩阵

Fig. 12 Confusion matrixes of classification results of three major categories of lithology

表5 消融实验结果

Tab. 5 Results of ablation experiments

改进点		准确率/%	精确率/%	召回率/%	F1值/%	参数量/10⁶
Sobel	CBAM	准确率/%	精确率/%	召回率/%	F1值/%	参数量/10⁶
—	—	95.56	95.88	95.50	95.58	4.205
√	—	96.48	96.65	96.14	96.49	4.211
—	√	96.30	96.44	96.62	96.31	4.206
√	√	98.15	98.16	98.15	98.15	4.212

图13 一级分类各岩性的评价指标

Fig. 13 Evaluation indicators of different lithology in first-level classification

图14 7种模型在测试集上的误差损失和分类准确率

Fig. 14 Error losses and classification accuracies of seven models on test set

表6 各类模型的评价指标

Tab. 6 Evaluation indicators for various models

模型	准确率/%	精确率/%	召回率/%	F1值/%	参数量/10⁶	模型大小/MB	每轮平均迭代时间/s
本文模型	98.15	98.16	98.15	98.15	4.2	16.3	68.17±0.35
GhostNet^［23］	95.56	95.88	95.50	95.58	4.2	16.3	65.07±1.06
RepViT^［26］	95.00	95.09	95.10	95.03	5.1	18.4	46.29±1.24
EfficientNetV2^［27］	96.84	96.21	96.63	96.79	22.1	85.3	92.43±2.32
MobileNetV2^［18］	94.77	94.89	94.43	93.97	2.7	8.7	38.46±0.52
ShuffleNetV2^［24］	93.69	93.33	93.47	93.75	2.2	5.0	44.50±0.84
ResNet50^［19］	86.22	86.54	86.38	86.92	23.5	90.0	123.00±0.43

图15 Sobel算子的可视化效果

Fig. 15 Visual effect of Sobel operator

图16 糜棱岩的可视化特征图

Fig. 16 Visual feature maps of mylonite

图17 石英岩的可视化特征图

Fig. 17 Visual feature maps of quartzite

参考文献 27

[1]	Jiang C， Zhang D， Chen S. Lithology identification from well-log curves via neural networks with additional geologic constraint ［J］. Geophysics， 2021， 86（5）： IM85- IM100.
[2]	朱世松，杨文艺，侯广顺，等.一种岩石薄片智能分类识别方法［J］.矿物学报， 2020， 40（1）： 106-106.
	Zhu Shisong， Yang Wenyi， Hou Guangshun， et al. An intelligent classification and recognition method for rock thin sections ［J］. Acta Mineralogica Sinica， 2020， 40（1）： 106-106.
[3]	佘明军，李油建，夏相成，等.光谱检测识别岩性技术对比及发展方向［J］.录井工程， 2018， 29（3）： 16-21.
	She Mingjun， Li Youjian， Xia Xiangcheng， et al. Comparison and development direction of identifying lithology technology with spectrographic detection ［J］. Mud Logging Engineering， 2018， 29（3）： 16-21.
[4]	李娟，孙惠兰，侯庆香. XRD岩性快速识别方法研究［J］.中国石油石化， 2017（10）： 61-62.
	Li Juan， Sun Huilan， Hou Qingxiang. Research on rapid identification method of XRD lithology ［J］. China Petrochem， 2017（10）： 61-62.
[5]	胡书林，王国瓦，陈向辉，等. X射线荧光元素录井在库车克深区块岩屑岩性识别中的应用［J］.录井工程， 2021， 32（1）： 26-32.
	Hu Shulin， Wang Guowa， Chen Xianghui， et al. Application of XRF element logging in lithology identification of cuttings in Keshen block， Kuqa depression ［J］. Mud Logging Engineering， 2021， 32（1）： 26-32.
[6]	Singh N， Singh T N， Tiwary A， et al. Textural identification of basaltic rock mass using image processing and neural network ［J］. Computational Geosciences， 2010， 14（2）： 301-310.
[7]	Młynarczuk M， Górszczyk A， Ślipek B. The application of pattern recognition in the automatic classification of microscopic rock images ［J］. Computers and Geosciences， 2013， 60： 126-133.
[8]	程国建，杨静，黄全舟，等.基于概率神经网络的岩石薄片图像分类识别研究［J］.科学技术与工程， 2013， 13（31）： 9231-9235.
	Cheng Guojian， Yang Jing， Huang Quanzhou， et al. Rock image classification recognition based on probabilistic neural networks ［J］. Science Technology and Engineering， 2013， 13（31）： 9231-9235.
[9]	郭超，刘烨.多色彩空间下的岩石图像识别研究［J］.科学技术与工程， 2014， 14（18）： 247-251.
	Guo Chao， Liu Ye. Recognition of rock images based on multiple color spaces ［J］. Science Technology and Engineering， 2014， 14（18）： 247-251.
[10]	Perez C A， Saravia J A， Navarro C F， et al. Rock lithological classification using multi-scale Gabor features from sub-images， and voting with rock contour information ［J］. International Journal of Mineral Processing， 2015， 144： 56-64.
[11]	刘烨，程国建，马微，等.基于铸体薄片图像颜色空间与形态学梯度的岩石分类［J］.中南大学学报（自然科学版）， 2016， 47（7）： 2375-2382.
	Liu Ye， Cheng Guojian， Ma Wei， et al. Rock classification based on features form color space and morphological gradient of rock thin section image ［J］. Journal of Central South University （Science and Technology）， 2016， 47（7）： 2375-2382.
[12]	贺金鑫，任小玉，陈圣波，等.融合学习模型的岩石光谱特征自动分类［J］.光谱学与光谱分析， 2021， 41（1）： 141-144.
	He Jinxin， Ren Xiaoyu， Chen Shengbo， et al. Automatic classification of rock spectral features based on fusion learning model ［J］. Spectroscopy and Spectral Analysis， 2021， 41（1）： 141-144.
[13]	Esmaeili B， Hosseinzadeh S， Kadkhodaie A， et al. Simulating reservoir capillary pressure curves using image processing and classification machine learning algorithms applied to petrographic thin sections ［J］. Journal of African Earth Sciences， 2024， 209： No.105098.
[14]	dos Anjos C E M， Avila M R V， Vasconcelos A G P， et al. Deep learning for lithological classification of carbonate rock micro-CT images ［J］. Computational Geosciences， 2021， 25（3）： 971-983.
[15]	Ma H， Han G， Peng L， et al. Rock thin sections identification based on improved Squeeze-and-Excitation networks model ［J］. Computers and Geosciences， 2021， 152： No.104780.
[16]	程国建，李碧，万晓龙，等.基于SqueezeNet卷积神经网络的岩石薄片图像分类研究［J］.矿物岩石， 2021， 41（4）： 94-101.
	Cheng Guojian， Li Bi， Wan Xiaolong， et al. Research on classification of rock section image based on SqueezeNet convolutional neural network ［J］. Mineralogy and Petrology， 2021， 41（4）： 94-101.
[17]	Zhang Z， Li H， Lei Z， et al. Research on lightweight lithology intelligent recognition system incorporating attention mechanism ［J］. Applied Sciences， 2022， 12（21）： No.10918.
[18]	Sandler M， Howard A， Zhu M， et al. MobileNetV2： inverted residuals and linear bottlenecks ［C］// CVPR 2018. Piscataway： IEEE， 2018： 4510-4520.
[19]	He K， Zhang X， Ren S， et al. Deep residual learning for image recognition ［C］// CVPR 2016. Piscataway： IEEE， 2016： 770-778.
[20]	王婷婷，黄志贤，王洪涛，等.基于MobileNetV2的岩石薄片岩性识别［J］.吉林大学学报（地球科学版）， 2024， 54（4）： 1432-1442.
	Wang Tingting， Huang Zhixian， Wang Hongtao， et al. Rock thin slice lithology identification based on MobileNetV2 ［J］. Journal of Jilin University （Earth Science Edition）， 2024， 54（4）： 1432-1442.
[21]	王琼，杨杰，霍凤财，等.基于MobileViT的岩石薄片图像岩性识别方法研究［J］.地质通报， 2024， 43（6）： 938-946.
	Wang Qiong， Yang Jie， Huo Fengcai， et al. Lithology identification method of rock thin section images based on MobileViT ［J］. Geological Bulletin of China， 2024， 43（6）： 938-946.
[22]	Tao L， Li X， Li J， et al. CfRNet： a lightweight convolutional neural network classification model for rock image ［C］// ICCEA 2024. Piscataway： IEEE， 2024： 1013-1018.
[23]	Han K， Wang Y， Tian Q， et al. GhostNet： more features from cheap operations ［C］// CVPR 2020. Piscataway： IEEE， 2020： 1577-1586.
[24]	Ma N， Zhang X， Zheng H T， et al. ShuffleNet V2： practical guidelines for efficient CNN architecture design ［C］// ECCV 2018. Cham： Springer， 2018： 122-138.
[25]	Liu H， Ren Y L， Li X， et al. Rock thin-section analysis and identification based on artificial intelligent technique ［J］. Petroleum Science， 2022， 19（4）： 1605-1621.
[26]	Wang A， Chen H， Lin Z， et al. RepViT： revisiting mobile CNN from ViT perspective ［C］// CVPR 2024. Piscataway： IEEE， 2024： 15909-15920.
[27]	Tan M， Le Q V. EfficientNetV2： smaller models and faster training ［C］// ICML 2021. New York： JMLR.org， 2021： 10096-10106.

基于改进GhostNet的岩石薄片岩性识别模型

Rock thin section lithology identification model based on improved GhostNet

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 23

参考文献 27

相关文章 15

编辑推荐

Metrics

[1]	孙敏, 成倩, 丁希宁. 基于CBAM-CGRU-SVM的Android恶意软件检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[2]	沈嫣然, 温昕, 张瑾昊, 张帅, 曹锐, 高保禄. 轻量级多尺度卷积网络的功能磁共振成像脑龄预测模型[J]. 《计算机应用》唯一官方网站, 2024, 44(12): 3949-3957.
[3]	龙杰, 谢良, 徐海蛟. 集成的深度强化学习投资组合模型[J]. 《计算机应用》唯一官方网站, 2024, 44(1): 300-310.
[4]	韩春港, 刘永辉. 基于GhostNet和特征融合的人脸活体检测算法[J]. 《计算机应用》唯一官方网站, 2023, 43(8): 2588-2592.
[5]	郭奕裕, 周箩鱼, 刘新瑜, 李尧. 改进注意力机制的电梯场景下危险品检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(7): 2295-2302.
[6]	郝巨鸣, 杨景玉, 韩淑梅, 王阳萍. 引入Ghost模块和ECA的YOLOv4公路路面裂缝检测方法[J]. 《计算机应用》唯一官方网站, 2023, 43(4): 1284-1290.
[7]	胡嵽, 冯子亮. 基于深度学习的轻量级道路图像语义分割算法[J]. 计算机应用, 2021, 41(5): 1326-1331.
[8]	史梦安, 陆振宇. 基于YOLO-tiny-RFB模型的电站旋钮开关状态识别[J]. 计算机应用, 2020, 40(12): 3679-3686.
[9]	陈放, 刘晓瑞, 杨明业. 基于活体检测和身份认证的人脸识别安防系统[J]. 计算机应用, 2020, 40(12): 3666-3672.
[10]	汪敏, 武禹伯, 闵帆. 基于多种聚类算法和多元线性回归的多分类主动学习算法[J]. 计算机应用, 2020, 40(12): 3437-3444.
[11]	高雷阜, 李超. 改进的自适应广义整体变分图像降噪模型[J]. 计算机应用, 2016, 36(6): 1699-1703.
[12]	陈真真, 卿粼波, 何小海, 汪芸. 基于非均匀量化的小波域分布式深度图视频编码[J]. 计算机应用, 2016, 36(4): 1080-1084.
[13]	刘珏先, 滕奇志, 王正勇, 何小海. 基于协同表示的多特征融合岩石分类[J]. 计算机应用, 2016, 36(3): 854-858.
[14]	王程啸, 黄辉先, 杨辉, 徐建闽. 基于Riemann-Liouville改进的1~2阶分数阶边缘提取新模型[J]. 计算机应用, 2016, 36(1): 227-232.
[15]	靳玉萍李保霖. 基于遗传优化径向基概率神经网络的岩性识别应用[J]. 计算机应用, 2013, 33(02): 353-356.