摘要：古生物化在判斷生油母質、油氣生成和保存時代以及分析沉積環境中扮演重要角色。然而，傳統的微觀化石識別鑒定工作效率低下、費時費力，且主觀性較強，常規方法已不能滿足高效、快速油氣勘探評價的需要;本文提出一種基于深度學習的有孔蟲化石識別方法，在三分類數據集上實驗了VGG16模型和GoogLeNet模型，識別平均準確度為85%。該方法可以大大減輕古生物鑒定人員的工作量，解決古生物專業人才匱乏問題，同時提高成果共享和利用效率。
關鍵詞：有孔蟲鑒定;CNN;深度學習;VGG16;GoogLeNet
中圖分類號：TP311 文獻標識碼：A
文章編號：1009-3044（2019）27-0173-01
1 引言
古生物化石如同沉積地層的“身份證”，記錄著地層形成的年齡、氣候、地理和地貌等關鍵信息，在判斷生油母質、油氣生成和保存時代以及沉積環境分析中扮演重要角色。與我們耳熟能詳的三葉蟲、恐龍等大化石不同，在鉆井巖心或巖屑中保存的一般是顯微鏡下才能觀察到的微觀化石。它們雖然渺小，卻以“數量取勝”，在地層中幾乎無處不在;它們壽命雖短，但演化迅速，更有利于精細確定地層年齡，對環境變化的反應也更敏感。要用好這張地層的“身份證”，關鍵在于對化石進行準確分類和鑒定。
目前化石鑒定的主要方法是專業人員通過觀察標本的外部形態和內部結構，查找文獻、工具書、化石圖冊等相關研究資料，比照圖版并結合自身經驗，鑒定化石的屬種。但隨著古生物學研究和油氣勘探需求的快速發展，化石鑒定工作中一些不容忽視的問題便日漸凸顯。
1）古生物屬種多、數量大，人工鑒定效率低，花費了從業人員大部分時間與精力。而且，中國近海鉆井數量龐大，實驗鑒定人員任務繁重。若這些時間與精力被用于更高層次的研究，或許能取得更有價值的科研成果。
2）人才匱乏，主觀性強。具備古生物分類知識的專業人才不足，不利于科研成果快速轉化和應用。另外，鑒定過程受專業人員主導，鑒定結果具有主觀性。化石鑒定工作中主觀誤判不可避免，相同標本不同人員鑒定可能得出不同的結論。
2 技術思路與算法設計
深度學習是一個復雜的機器學習算法，在語音和圖像識別方面取得的效果，遠遠超過先前相關技術，它的最終目標是讓機器能夠像人一樣具有分析學習能力，能夠識別文字、圖像和聲音等數據。卷積神經網絡（Convolutional Neural Network，簡稱CNN）是深度學習的一種重要算法。卷積神經網絡是在BP神經網絡的改進，與BP類似，都采用了前向傳播計算輸出值，反向傳播調整權重和偏置。VGG16模型是牛津大學發布的卷積網絡模型，GoogLeNet是Google公司發布的卷積網絡模型。GoogLeNet和VGG16是2014年ImageNet挑戰賽的冠亞軍。
使用CNN模型對有孔蟲化石圖片進行識別。模型訓練流程如圖1所示，首先對圖片進行預處理，統一圖片大小，然后進行模型訓練，訓練完成之后保存模型。
3 實驗結果
收集三類有孔蟲圖片，每一類大約60張圖片，共計180張，利用VGG16模型和GoogLeNet模型進行鑒定實驗;從數據集中隨機選取80%的數據作為訓練集，20%的數據作為測試集，進行10次實驗，結果如表1所示。
4結論
本文提出一種基于深度學習的有孔蟲化石識別方法，利用CNN模型對有孔蟲化石圖片進行種屬鑒定，通過實驗驗證此方法在三分類的數據集上準確度可以達到85%，是一種可行的有孔蟲化石鑒定方法。在此基礎上可以建設浮游有孔蟲智能識別系統，準確、方便地識別化石屬種、時代及古環境信息，提高應用成效;進一步推動古生物研究及其油氣勘探應用走向數字化、智能化。
參考文獻：
[1] 趙賢淑，張俊嶺，陳德嶺. 多元統計分析在古生物化石分類鑒定中的應用[J].西安礦業學院學報， 1996， 16（2）：183-185.
[2] 夏菁，白志強，王寶鵬，等. 化石自動鑒定技術研究現狀與展望[J].地球科學前沿，2013，3： 159-164.
[3] 夏菁，白志強，王寶鵬，等. 牙形石數字圖像采集與圖像增強方法研究[J].古生物學報， 2014，53（3）：392-399.
[4] Hossein Izadi，Javad Sadri，Nosrat-Agha Mehran.A new intelligent method for minerals segmentation in thin sections based on a novel incremental color clustering[J].Computers & Geosciences，2015（81）：38-52.
[5] 劉敏.基于小波分析和神經網絡的油氣產能預測與應用[D].武漢：武漢理工大學，2009.
[6] 焦李成，楊淑媛，劉芳，等.神經網絡七十年：回顧與展望[J].計算機學報，2016，39（8）：1697-1716.
【通聯編輯：梁書】