Rock thin section lithology identification model based on improved GhostNet

doi:10.11772/j.issn.1001-9081.2025060785

Journal of Computer Applications ›› 2026, Vol. 46 ›› Issue (7): 2355-2363.DOI: 10.11772/j.issn.1001-9081.2025060785

• Frontier and comprehensive applications • Previous Articles

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)

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

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)

Abstract

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

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

CLC Number:

TP391.41

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.

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》唯一官方网站, 2026, 46(7): 2355-2363.

Figures/Tables 23

References 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.

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

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

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

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

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

Rock thin section lithology identification model based on improved GhostNet

基于改进GhostNet的岩石薄片岩性识别模型

RichHTML

PDF

Knowledge

Abstract

Cite this article

share this article

Figures/Tables 23

References 27

Related Articles 9

Recommended Articles

Metrics

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

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

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

[1]	Yanran SHEN, Xin WEN, Jinhao ZHANG, Shuai ZHANG, Rui CAO, Baolu GAO. fMRI brain age prediction model with lightweight multi-scale convolutional network [J]. Journal of Computer Applications, 2024, 44(12): 3949-3957.
[2]	Chungang HAN, Yonghui LIU. Face liveness detection algorithm based on GhostNet and feature fusion [J]. Journal of Computer Applications, 2023, 43(8): 2588-2592.
[3]	Juming HAO, Jingyu YANG, Shumei HAN, Yangping WANG. YOLOv4 highway pavement crack detection method using Ghost module and ECA [J]. Journal of Computer Applications, 2023, 43(4): 1284-1290.
[4]	CHEN Fang, LIU Xiaorui, YANG Mingye. Face recognition security system based on liveness detection and authentication [J]. Journal of Computer Applications, 2020, 40(12): 3666-3672.
[5]	WANG Min, WU Yubo, MIN Fan. Multi-category active learning algorithm based on multiple clustering algorithms and multivariate linear regression [J]. Journal of Computer Applications, 2020, 40(12): 3437-3444.
[6]	GAO Leifu, LI Chao. Improvement of adaptive generalized total variation model for image denoising [J]. Journal of Computer Applications, 2016, 36(6): 1699-1703.
[7]	CHEN Zhenzhen, QING Linbo, HE Xiaohai, WANG Yun. Wavelet domain distributed depth map video coding based on non-uniform quantization [J]. Journal of Computer Applications, 2016, 36(4): 1080-1084.
[8]	WANG Chengxiao, HUANG Huixian, YANG Hui, XU Jianmin. New improved 1-2-order fractional differential edge detection model based on Riemann-Liouville integral [J]. Journal of Computer Applications, 2016, 36(1): 227-232.
[9]	JIN Yuping LI Baolin. Lithology identification based on genetic optimized radial basis probabilistic neural network [J]. Journal of Computer Applications, 2013, 33(02): 353-356.