机器学习与语义分割在岩石薄片自动鉴定中的工程实践

简介：一份面向地质学与计算机交叉方向学习者的机器学习实战项目，围绕岩石薄片图像自动鉴定任务，整合了从数据集标注、特征提取、模型训练到测试评估的完整流程。资源既包含CNN等深度学习模型的构建与训练代码，也提供随机森林、SVM等传统算法的特征统计模块，可用于对比不同方法的识别效果，适合毕业设计、课程设计或期末大作业的快速入门与二次开发。压缩包共含28个文件，以15个Python脚本为主体，涵盖模型网络定义、训练器、数据集处理以及颜色统计、GLCM纹理、LBP特征提取等模块；另有4个Markdown文档、2个文本要求和1个Excel结果表，便于核对项目结构、运行依赖与输出指标。整包仅758KB，轻量紧凑，无需大型数据集即可启动实验。目前已有42人学习下载，适合希望快速复现岩石薄片分类实验，并在此基础上扩展图像增强、交叉验证或评估指标分析的地学专业学生。通过实践，读者能掌握图像预处理、特征工程与模型评估的具体写法，并借助自带数据与示意图直观完成一次自动鉴定演示，解决传统鉴定依赖人工经验、耗时且主观的痛点，为进一步研究打下基础。

1. 岩石薄片自动鉴定为什么值得做：人工镜检的瓶颈与机器学习的切入点

你拿到的这个压缩包名字里有两个关键词：机器学习和岩石薄片。前者是近年来被反复验证的图像识别技术路线，后者是地质行业里最依赖老师傅眼力的一项日常工作。两者撞在一起，要解决的是个非常现实的痛点：岩矿鉴定工程师在偏光显微镜前一坐就是大半天，一片薄片从单偏光到正交偏光反复切换，再数几百个矿物颗粒做统计，耗时、费眼、而且培养周期很长。用机器学习把“看图说话”这一步自动化，并不是要取代鉴定人员，而是把重复劳动先接走，让系统产出可复核的矿物分割结果和定量含量，再由人来完成地质解释和最终定名。适合做这件事的人主要是：手里攒着大量历史薄片和镜下照片的实验室、要做钻孔岩屑快速鉴定的地质队、以及想往地质行业落地的算法工程师——这是一条认知门槛高但竞争相对少的落地路线。

2. 选对任务与技术路线：图像分类、语义分割还是目标检测

2.1 三种范式的边界与选择逻辑

接到“自动鉴定”这个需求，第一件事不是选模型，而是先想清楚把任务定义成什么。图像分类输出一个整体标签，只回答“这块石头是花岗岩还是大理岩”；语义分割对每个像素做类别预测，输出一张与输入同尺寸的掩码；目标检测用矩形框定位图像里的目标颗粒。三者的能力边界完全不同。

岩石定名不是看一眼就能定的，需要矿物成分的定量数据。图像分类最大的问题就是信息粒度太粗：告诉你“这是二长花岗岩”，但你无法复核这个结论的依据是什么，中间过程完全是一个黑匣子。目标检测则对颗粒状矿物（比如砂岩碎屑）能做粒度统计，但对大多数岩浆岩和变质岩来说，矿物相互镶嵌交织成不规则的边界，矩形框无法贴合这种形态。语义分割是唯一能同时输出矿物种类和空间分布、并能支撑后续含量计算的方案。

实际落地时我一般建议直接从语义分割切入，不要先拿分类模型做可行性验证。原因是分类模型验证得出的“能做/不能做”结论不具备参考价值，一旦薄片里出现两种相似岩性混搭，分类模型就失效了，而分割模型至少还能把每个区域的矿物类别标记出来。从工程看，分割模型的推理结果能直接叠回原图展示给鉴定工程师复核，这种可解释性是从业人员接受这套系统的必要条件。

2.2 数据是最大瓶颈：从零构建岩石薄片数据集的路径

岩矿方向没有公开的、带像素级矿物标注的薄片数据集，这是整个项目里最大的现实约束。做这个方向，数据来源通常有三条路。第一条是委托专业制片室磨新片，一片30到50元成本，一批次可以做几十片；第二条是翻实验室的历史薄片库，很多地勘单位攒了几十年薄片，这是性价比最高的数据来源，只需要用显微镜自动扫描平台逐片翻拍；第三条是直接采集岩屑颗粒制作树脂薄片，适合石油钻井场景。三条路可以并行，不必等到数据凑齐再开始标注。

标注工具方面常见做法是用 Labelme 画多边形，或者用 EISeg 这类交互式分割工具做预标注再人工修正。EISeg 能显著提速，但前提是你先有一个粗模型，所以第一版数据还是得靠纯人工画。标注人员不能是只会点鼠标的标注员，必须是有地质背景的人，否则会把蚀变矿物混进原生矿物类别。一个视域的薄片图像标注耗时一到两小时并不夸张，计划工作量和工期时务必把这个数字算进去。

初始方案的类别不要贪多，控制在 15 类以内。常见造岩矿物里优先覆盖石英、钾长石、斜长石、黑云母、白云母、角闪石、辉石、橄榄石、方解石，再加上胶结物和孔隙。启动阶段可以先定 8 到 10 个高优先级类别，体积比例比较小的副矿物如锆石、磷灰石等，放到第二迭代再加，否则类别不均衡会让模型训练难度陡增。

这里必须强调划分数据的原则：按薄片划分 train/val/test，而不是按切出来的图像块划分。同一块薄片相邻视域图像高度相似，如果训练集和验证集来自同一片薄片，验证集指标会虚高很多，相当于把数据泄漏当成了模型能力。这个错误我在第一个版本就犯过，换回按薄片划分后 mIoU 直接掉了 8 个点，但心里反而踏实了。

2.3 先分割后定名：我给这条路线的理由

整体技术路线我推荐做成两段式：第一段用语义分割模型输出像素级矿物类别掩码，第二段根据掩码计算各矿物面积百分比，再套用岩石定名规则输出岩石名称。这样拆分是出于三个层面的考量。

从地质业务层面看，矿物含量是岩石定名的核心定量依据，传统鉴定流程里的“网格计数法”就是这么做的——在目镜里装一个网格，数几百个交点点落在哪种矿物上，按点数占比估算含量。机器学习分割模型本质上做的是同一件事，只是从抽样统计变成了全像素统计，业务逻辑完全兼容，老师们理解起来没有障碍。

从工程容错层面看，两段式比端到端定名多了一个可检查的中间产物。端到端模型输出一个岩石名称，错了只能认栽；分割模型的输出掩码可以叠在原图上，让鉴定工程师指出哪一类矿物被认错了，然后针对性地补数据重训。

从数据积累层面看，分割标注得到的掩码是长期资产，项目做到后期分类类别扩展、硬度识别、孔隙率计算等功能都能复用。而一个端到端的定名模型，除了最终标签以外什么都沉淀不下来。

3. 制作训练数据：偏振光图像采集、标注与增强

3.1 单偏光与正交偏光配对：双通道输入的必要性

岩石薄片在偏光显微镜下有两种标准观测状态。单偏光（PPL）只用一个偏光片，可以观察矿物的本色、多色性、解理纹和突起；正交偏光（XPL）让上下两个偏光片呈九十度正交，矿物表现出特征干涉色，这是鉴定长石、石英、橄榄石等大多数透明矿物的关键依据。有经验的鉴定师会在两种状态下反复切换，这是因为单靠一种光下特征不足以把易混淆矿物区分开。

机器学习模型也应该同时看到两种光下的图像，而不是只喂其中一种。项目里我用的是双通道方案：在同一视域下分别采集 PPL 和 XPL 图像，严格对齐后作两个通道输入网络。实际采集时需要注意，电动载物台采图要固定对焦参数和光源强度，这样不同批次图像的亮度直方分布才一致。以下代码处理配对图像的加载：

import cv2 import numpy as np def load_ppl_xpl_pair(base_path, sample_id, view_id): ppl_path = f"{base_path}/{sample_id}_v{view_id}_PPL.tif" xpl_path = f"{base_path}/{sample_id}_v{view_id}_XPL.tif" ppl = cv2.imread(ppl_path, cv2.IMREAD_UNCHANGED) xpl = cv2.imread(xpl_path, cv2.IMREAD_UNCHANGED) assert ppl.shape[:2] == xpl.shape[:2], f"PPL/XPL shape mismatch: {sample_id}_v{view_id}" # 转为 RGB 三通道，方便与神经网络输入对齐 if ppl.ndim == 2: ppl = cv2.cvtColor(ppl, cv2.COLOR_GRAY2RGB) if xpl.ndim == 2: xpl = cv2.cvtColor(xpl, cv2.COLOR_GRAY2RGB) # 将双通道并成输入字典，后续增强和训练统一处理 return {"image": ppl, "xpl": xpl, "mask": None}

这段代码的逻辑核心是保证 PPL 和 XPL 图像尺寸一致、通道格式统一。注意读图时要用 IMREAD_UNCHANGED 保留原位数，偏光显微镜相机输出通常带 16bit 灰阶；如果直接另存为 jpg 会把灰阶压到 8bit，导致一些干涉色差异被抹掉。文件名里的 sample_id 和 view_id 是配对的关键，采集时一定要按这个规范命名，别在采集现场省略掉 view 编号，后面要补对应关系会非常痛苦。

3.2 像素级标注工具选择与标注规范

标注阶段我用 Labelme 作为主力工具，理由很务实：它可以导出 JSON 格式的多边形标注，与 geojson 结构接近，转换为语义分割掩码只要写一个脚本，不依赖商业软件授权。以下代码是 Labelme 标注结果转掩码的常规实现：

import json import numpy as np import cv2 def labelme_json_to_mask(json_path, h, w, class_name_to_id): with open(json_path, mode="r", encoding="utf-8") as f: data = json.load(f) mask = np.zeros((h, w), dtype=np.uint8) # 每个 shape 是一条多边形标注，逐条填充到空白掩码上 for shape in data["shapes"]: class_name = shape["label"] label_id = class_name_to_id.get(class_name) if label_id is None: continue polygon = np.array(shape["points"]).astype(np.int32) cv2.fillPoly(mask, [polygon], color=label_id) return mask

这段脚本的核心是遍历标注文件里的每条多边形，按类别映射表填充掩码。参数 class_name_to_id 必须是全局统一的字典，类别顺序一旦确定就不要中途变更，否则掩码类别索引就全乱套了。我踩过的坑是：早期把“斜长石”和“钾长石”合并为一个长石类，后来想拆开重新标注，几乎等于全部返工。标注规范应当在动手前写清楚：颗粒中心清楚、边缘模糊的按边缘外扩两个像素圈定；被其他矿物包裹的细小包裹体不单独标注；蚀变强烈的部分单独设类，不并入原生矿物类别。

对多视域大图，一个薄片通常有几十个视域，逐一标注工作量巨大。实践上可以先用随机采样把每片薄片的视域图像裁成 1024 像素左右的小块，再抽样 20% 做标注，这样能控制初期数据量，又不会因为单视域特征太强导致模型记住特定图像。

3.3 针对薄片特性的数据增强策略

数据增强不能照搬 ImageNet 那套做法。薄片图像有几个独特性质：矿物在岩石中通常没有固定朝向，旋转增强非常有效；PPL 和 XPL 下的颜色和干涉色是矿物鉴定的关键依据，所以色相变化和强烈的饱和度抖动是禁忌；边界模糊恰恰是需要模型学习的信息，不能用模糊增强去抹掉。下面是一组我实测下来比较可靠的增强配置：

import albumentations as A train_transform = A.Compose([ A.RandomRotate90(p=0.5), A.HorizontalFlip(p=0.3), A.VerticalFlip(p=0.3), A.RandomBrightnessContrast(brightness_limit=0.05, contrast_limit=0.05, p=0.3), A.RandomCrop(height=512, width=512, p=0.8), A.Resize(height=512, width=512, always_apply=True), ]) valid_transform = A.Compose([ A.Resize(height=512, width=512, always_apply=True), ])

逻辑说明：前三个几何增强利用了矿物没有方向偏好这一强先验，代价几乎为零。亮度对比度抖动幅度只给 0.05，是因为同一实验室固定光强采集的图像不需要大幅度亮度迁移，但不同批次磨片厚度差异会带来轻微亮度波动，这个幅度刚好能吸收一部分批次差异。RandomCrop 放在几何增强之后，配合 Resize 统一尺寸，训练时每张图看到的是不同的局部区域，相当于又放大了一倍数据量。

注意不要把 Mask 和图像分开增强。albumentations 允许同时传入 mask 与 image，同一套几何变换才能保证掩码和图像对齐。掩码用的是最近邻插值，图像用双线性，这两者在增强库内部会自动处理，不需要你额外操心。

4. 训练岩石薄片分割模型：关键参数与损失函数设置

4.1 模型选型与输入尺寸：U-Net 和 DeepLabV3+ 怎么选

模型骨架的选择要考虑数据集规模、薄片图像特点、可解释性三个因素。U-Net 的编码器-解码器结构擅长保留细粒度空间信息，对中小数据集非常友好；DeepLabV3+ 靠空洞卷积扩大感受野，适合语义连贯性要求高的场景，比如街景分割，但代价是参数量大、小目标细节保持不如短连接结构。

岩石薄片里矿物的空间尺度跨度极大，石英和长石颗粒动辄占据图像大面积，而锆石可能只有十几个像素。如果第一阶段用 DeepLabV3+ 这类偏重语义的模型，大量细小矿物会被吞成大类别区域，后期含量统计就失真了。我通常让团队用 U-Net + ResNet34 编码器作为第一个版本，输入分辨率设 512x512。理由很直接：更大的输入尺寸对显存要求高，训练速度慢很多，而在矿物分类这个任务上，512 已经能看清大多数矿物的干涉色特征，先用这个基线把数据管线跑通再说。

如果后续发现细小矿物边界丢失严重，可以换 U-Net++ 或 DeepLabV3+ 与 U-Net 的集合体，也可以保持模型不变、只提高输入分辨率到 768 并缩小 patch 重叠。模型选型不是一步到位的事，我的习惯是先选定一个能跑通的配置，用数据瓶颈逼出真实短板，再针对短板换模型。

4.2 损失函数设计：类别不均衡与矿物边界模糊

薄片数据集的类别分布极不均衡，一块典型的花岗岩薄片中石英和长石可能占七成以上，黑云母占一成，磷灰石许多视域根本看不见。直接用交叉熵损失，模型会倾向于把所有像素预测成头部类别，矿物边界也容易被我之前提到的池化与上采样操作磨平。

我用的组合损失是 Dice Loss 与 Focal Loss 的加权和。Dice Loss 天然不依赖类别像素数量，能直接推动边界处小类别被正确分割；Focal Loss 用调制因子把难分类像素的梯度放大，薄片里最难的正是矿物之间过渡区的模糊像素。组合方式见下面的代码：

import torch import torch.nn as nn import torch.nn.functional as F class DiceFocalLoss(nn.Module): def __init__(self, alpha=0.5, gamma=2.0, smooth=1e-6): super().__init__() self.alpha = alpha self.gamma = gamma self.smooth = smooth def forward(self, logits, targets): num_classes = logits.shape[1] logits = logits.permute(0, 2, 3, 1).contiguous() targets_onehot = F.one_hot(targets, num_classes=num_classes) preds = F.softmax(logits, dim=-1) # Dice Loss：按 batch 和类别独立计算，再取平均 inter = (preds * targets_onehot).sum(dim=(0, 1, 2)) union = preds.sum(dim=(0, 1, 2)) + targets_onehot.sum(dim=(0, 1, 2)) dice = (2.0 * inter + self.smooth) / (union + self.smooth) dice_loss = 1.0 - dice.mean() # Focal Loss：针对难分类像素加大梯度 pt = (preds * targets_onehot).sum(dim=-1) focal_weight = (1.0 - pt) ** self.gamma ce = F.cross_entropy(logits.permute(0, 3, 1, 2), targets, reduction="none") focal_loss = (focal_weight * ce).mean() return self.alpha * dice_loss + (1.0 - self.alpha) * focal_loss

参数说明：alpha 是 Dice 与 Focal 的平衡权重，一般 0.3 到 0.5 之间。gamma 是 Focal Loss 的调制系数，取 2.0 是默认的经验值，对薄片数据已经够用。smooth 是为了防止某类在 batch 内完全不出现时分母为 0。dice 损失在时间维度上也应该按类别独立计算而非全局汇总，否则会倾向于优化样本量大的类别，类别不均衡问题又被带回模型里。一个被许多踩坑帖验证过的观察是，Dice 系数在训练初始阶段会有剧烈震荡，不必急于调低学习率，这是它正常的行为，一般到第 20 轮左右才会稳定。

4.3 训练策略与评估指标：别只看 mIoU

训练参数方面，我常用 RAdam 或 AdamW 优化器，初始学习率 1e-4，weight decay 设 1e-4 防止在类别少量数据集上过拟合。batch size 在单张 12G 显存显卡上，输入 512x512 时最多开到 10 左右，再大容易显存溢出。训练轮数建议以验证集表现动态决定，下面给一个标准的主循环片段：

for epoch in range(max_epochs): model.train() epoch_loss = 0.0 for images, masks in train_loader: images = images.cuda() masks = masks.cuda() optimizer.zero_grad() logits = model(images) loss = criterion(logits, masks) loss.backward() optimizer.step() epoch_loss += loss.item() model.eval() val_miou, val_f1 = evaluate(model, valid_loader, num_classes) if val_miou > best_miou: torch.save(model.state_dict(), f"best_model_epoch{epoch}_miou{val_miou:.4f}.pth") best_miou = val_miou print(f"Epoch {epoch}: loss={epoch_loss / len(train_loader):.4f}, " f"mIoU={val_miou:.4f}, F1={val_f1:.4f}")

训练策略说明：验证集在每个 epoch 结束后评估一次，保存 mIoU 最高的权重作为候选版本。早停条件是验证 mIoU 连续 15 个 epoch 不上升就终止训练，比固定 100 轮更稳定，也更省机器。

评估指标要看三类。第一类是逐类别的 mIoU，必须把每个类别的 IoU 单独打出来，不要只报均值；第二类是 F1 分数，因为它对小目标更敏感；第三类也是我强烈建议加的，是矿物含量误差——把预测掩码和真实掩码各自统计面积百分比，算绝对偏差。这个指标直接对应业务目标，按我的经验，含量平均偏差从 6% 压到 3% 以内，模型上线后鉴定工程师的接受度会有本质差别。

5. 岩石薄片鉴定模型落地避坑：5条值得记录的踩坑与排查

5.1 现象：胶结物被识别成矿物

第一个版本跑出来，预测掩码里大片“石英”区域其实是硅质胶结物。原因在于薄片中胶结物与一些矿物在可见光下光学性质高度相似，标注时又没有把胶结物单独列为类别，导致模型把它们并进了矿物类别。解决方法是标注规范里增加“胶结物（基质）”类别，并保证每张训练图都完整标注胶结物区域，推理时它的含量不计入矿物百分比，这样结果才和人工鉴定的口径一致。

5.2 现象：同一矿物在 PPL 与 XPL 下分割结果不一致

现象是模型在 XPL 通道输出中把一块黑云母正确分出来了，但在 PPL 通道里同一位置被标记成了普通角闪石；推理时两通道独立预测，边界打架。根因是训练时没有把双通道严格配对输入，导致模型只会偷懒地学某个通道的强特征。解决方法是按前文代码强制 PPL 与 XPL 配对，在网络输入层维度上拼接两个通道，推理时必须同样传入配对图像，否则绝对不能单独推理。

5.3 现象：训练精度高，但新磨薄片效果突然变差

模型在自己扫描仪采到的数据上 mIoU 能到 0.87，换成另一台显微镜采集的新薄片就掉到 0.6。原因是不同薄片批次的磨片厚度、载物台光源强度、以及相机白平衡设置不一致，产生了明显的域偏移。解决思路分三层：彻底做不到跨仪器通用时优先做光源与白平衡校准，让所有采集端输出相同色域；训练数据里刻意加入多个批次不同光强的样本；如果条件允许，在模型里加一个简单的亮度直方图匹配预处理，把推理图像拉伸到与训练集相同的直方分布。

5.4 现象：细小矿物颗粒边界严重丢失

锆石、磷灰石这类体积占比小于 1% 的矿物，在预测结果里几乎消失，留下的只有大颗粒矿物的边界残影。原因是卷积与池化操作天然对高频细节有平滑效应，抑制了不连续边界梯度。解决方法是改用带 edge-aware 的损失函数，在边界像素上加大权重；但更有效的是修改后处理，用形态学开运算和连通域分析把预测结果里像素数少于阈值的孤立区域剔除或合并，这一步可以把噪声去掉，同时保留真正的小矿物区域。

5.5 现象：标注文件格式与训练框架不兼容

标注员交付的是 labelme JSON，训练脚本读的是 PNG 掩码，两者在类别索引上对不上——比如 labelme 里“钾长石”排在第三位，但 mask 生成脚本的 class_name_to_id 字典顺序不同，导致训练出的模型把钾长石分成了斜长石。表面看是指标很差，实际是数据管线错误。解决方法是统一一个 mask 生成脚本，并在每次生成后做一致性抽检：随机抽 5 张图像，把自然索引与掩码颜色同时打印成图，人工确认类别对应无误，再进入训练流程。教训是这类错位问题隐蔽、浪费算力，一定要尽早设计自动校验逻辑。

6. 从分割掩码到矿物含量与岩石定名：最后一公里的实现

6.1 矿物含量计算与视域统计方法

模型输出掩码后，第一步就是计算各矿物的面积百分比。这个计算逻辑异常简单，但要注意统计口径：

import numpy as np def mineral_content(pred_mask, class_names): total = pred_mask.size ignore_ids = set([0]) # 0 作为背景/胶结物，不计入矿物总量 results = {} for idx, name in enumerate(class_names): if idx in ignore_ids: continue count = int((pred_mask == idx).sum()) results[name] = round(count / total * 100, 2) return results

这段代码的逻辑是统计每个类别像素占整张图的百分比，忽略背景和胶结物。注意这里应该除以整张图的像素总数，而不是除以已识别矿物的像素总数，否则含量会被夸大。实际统计时不能只取一个视域，矿物分布不均匀是常态，我一般在每个薄片上选 10 到 20 个视域分别推理取平均，接近传统点计数的统计效果。

6.2 定名逻辑与含量阈值表

拿到各矿物含量后，岩石定名就是一套查表逻辑。下表是岩浆岩简化定名规则，只考虑主要矿物的体积占比：

注意这套表只适用于中粗粒岩浆岩，不含喷出岩和常见变质岩。如果薄片来自沉积岩或碳酸盐岩，换对应方案，例如碳酸盐岩按方解石、白云石含量占比与颗粒结构做 Dunham 分类。定名逻辑代码里如果出现一个薄片的含量落在表格区间之外，应当标记为“待人工复核”，而不是强行输出一个岩石名称。这在业务上是一条必须坚持的原则，能显著提升系统的可信度。

6.3 验证方法：与人工鉴定的双盲对比流程

项目验收阶段只做内部指标对比是不够的，必须要做双盲验证。流程是：选取一条岩心不同深度的 30 块薄片，让一位资深鉴定工程师先独立完成人工鉴定，同时让模型输出鉴定结论，两者都不看对方结果，最后统一比对两个结论的差异。比对的维度一是最终岩石定名是否一致，二是在鉴定结果中带矿物含量的，主要矿物含量差值是否在 5 个百分点以内。我的实测经验是，初期版本岩石定名一致率能达到 80% 左右时，已经可以进入辅助鉴定阶段；稳定达到 90% 以上，才有资格尝试交付主要的鉴定工作流。

这个方案做到后来我自己学到的一件事是，模型指标再好看，都不如下队采一批新样本回来重新验一轮，因为实验室的样本明显比野外钻进岩屑更洁净、磨损程度更低。每次模型迭代我都会坚持先过双盲对比再上生产，磨刀不误砍柴工。希望这个流程能帮你少走一些我在这个项目里走过的弯路，也祝你把这套自动鉴定管线做成真正能被地质工程师信任的实用工具。

本文还有配套的精品资源，点击获取