融合CBAM注意力机制的ResNet18岩性识别与分类方法

《PLOS One》：A multi-attention mechanism-improved ResNet18 approach for lithology identification and classification

　　

岩性识别对于提高地质勘探精度、优化石油勘探方案以及保障建设工程安全至关重要。传统识别方法存在效率低、成本高且高度依赖领域专家知识等问题。本研究提出一种基于ResNet18主干的岩性识别方法，系统比较CBAM、仅通道注意力（channel-only attention）、ECA、SE和仅空间注意力（spatial-only attention）五种轻量级注意力机制，并嵌入性能最优的CBAM模块以增强特征提取与判别能力。采用开源计算机视觉库（OpenCV）进行数据集预处理，将原始图像转换为灰度图像以抑制无关信息干扰。对比实验表明，CBAM优于其他受评估注意力模块，因此被纳入最终网络架构。基于CBAM模型的超参数敏感性分析表明，模型性能随学习率和批大小的不同组合而变化。当学习率为0.0001、批大小为16时，模型岩性识别准确率达到86.36%，显著提升整体识别性能。通过将CBAM集成到ResNet18中，所提方法能够实现准确识别，以支持多领域工程应用、降低风险并促进智能精准化。

研究背景与问题：岩性识别（lithology identification）与分类是地质科学中的核心技术，服务于资源勘探和工程建设全生命周期。传统现场观察、薄片分析和化学表征可靠性较高，但效率低、成本高且依赖专家，难以适应勘探技术数字化转型。计算机视觉与深度学习推动了基于图像的智能岩性识别，深度卷积神经网络（Convolutional Neural Network，CNN）在岩石纹理、颜色和构造特征分类中表现良好。然而，现有研究多通过复杂辅助算法、多算法接口适配、多设备协同训练或多模型融合提升精度，增加了网络复杂度、计算成本和内存消耗，不利于资源受限现场部署；同时，现有改进ResNet18模型对岩石纹理、颗粒排列和风化色偏等独特视觉特征的针对性仍显不足。因此，研究人员提出一种基于ResNet18主干、融合CBAM（Convolutional Block Attention Module，卷积块注意力模块）的改进方法，以在不过度增加资源需求的前提下增强岩性特征提取并提升分类性能。

研究内容与意义：研究人员系统比较CBAM、仅通道注意力、ECA（Efficient Channel Attention，高效通道注意力）、SE（Squeeze-and-Excitation，压缩-激励）和仅空间注意力五种轻量注意力机制，选择性能最优的CBAM嵌入ResNet18；同时用自适应平均池化层替换原平均池化层，并替换全连接层以增强泛化、防止小数据集过拟合；CBAM置于Layer4之后、自适应平均池化之前，以保持架构简洁并对深层特征进行全局重校准。该工作提供了五类注意力机制在ResNet18岩性图像分类中的端到端基准比较、多指标与超参数敏感性分析以及可插拔的实用方案，对平衡识别精度与计算成本、支持多领域工程应用和降低风险具有重要意义。

关键技术方法：样本来自公开开源科学数据库Salman和Rem-ml8k，合并为1093幅图像，覆盖玄武岩、煤、石灰岩、方解石大理岩、流纹质浮岩、石英岩和流纹岩七类，按8:2随机划分并采用5折分层交叉验证；扩充数据集含3199幅图像。采用OpenCV（Open-Source Computer Vision，开源计算机视觉库）进行灰度化、去噪、直方图均衡和通道复制，形成224×224×3输入；以ResNet18为主干比较五种注意力机制，采用Adam（Adaptive Moment Estimation，自适应矩估计）优化器，并开展学习率（0.0001、0.0003、0.0005）与批大小（16、32、64）的9组敏感性实验。

研究结果：
4.1 评估指标：研究人员在统一软硬件平台上采用准确率、精确率、召回率、损失值和F1分数（F1-score）构建评价框架，为模型比较与稳定性验证提供统一依据。
4.2 数据集构建与预处理：通过OpenCV灰度化、去噪、直方图均衡及三通道复制构建数据，灰度输入模型测试准确率为86.36%，略高于RGB输入的85.69%，精确率、召回率和F1-score呈相同趋势；5折交叉验证平均准确率为81.56%±2.11%，召回率81.90%±2.08%，精确率82.02%±1.97%，F1-score为81.75%±2.06%，标准差较低，说明模型在不同划分下较稳定。
4.3 多种注意力机制对比分析：通过五种注意力机制在ResNet18中训练100个epoch并比较多指标，CBAM取得最高测试准确率86.36%、训练准确率99.31%、召回率86.50%、精确率86.99%和F1-score 86.68%；SE、仅空间、ECA和仅通道的测试准确率分别为83.62%、82.83%、84.33%和84.41%。单分支注意力在不同岩性上表现出选择性，而CBAM因通道-空间双分支综合表现最佳；Grad-CAM（Gradient-weighted Class Activation Mapping，梯度加权类激活映射）热图显示高激活区域主要与石灰岩层理、方解石大理岩条带和玄武岩致密块状等核心纹理构造重叠，并较少关注背景干扰。
5.1 学习率与批大小选择：通过9组超参数组合比较，批大小16、学习率0.0001时模型准确率最高，为86.36%，损失值在71个epoch后降至0.8并稳定；其他组合准确率约为83.18%—85.45%。因此该组合被确定为该岩性数据集上的最优设置。

讨论部分总结：
6.1 模型比较分析：通过同数据集同设置比较，ResNet18-CBAM测试准确率86.36%，高于原始ResNet18的84.55%，提升1.81%；并优于VGG16、MobileNetV2、InceptionV3、EfficientNetV3、DenseNet121、GoogleNet、SqueezeNet和ShuffleNetV2等主流CNN模型的核心指标，也优于RSHFNet和FSHNet的84.09%。研究人员同时指出数据规模可能限制泛化，并将该工作定位为资源受限场景下的基线研究。
6.2 数据集扩充后的效果：通过扩充并清洗至3199幅图像（训练2559幅、测试640幅），5折交叉验证平均准确率达95.58%±0.66%，最终测试准确率为90.78%，较原始清洗数据集显著提升，说明合理扩充和标准化预处理可增强特征学习，模型在较大规模数据下仍保持较好识别性能。
6.3 局限性与未来工作：讨论指出环境适应性及表面纹理变异、类别不平衡、数据规模、稀有岩性和边缘部署等限制；未来将纳入环境参数和域适应，探索类加权交叉熵或焦点损失、少样本学习、8-bit整数量化、合成样本生成与无监督域适应、余弦退火等学习率调度、轻量视觉Transformer跨架构基准、视觉特征与物理化学地质参数的多源融合，并在便携边缘设备上验证量化模型。

研究结论（译）：本研究系统基准比较了集成于ResNet18主干的五种轻量注意力机制用于岩性图像分类，并在所测试的公共岩石图像数据集上确定CBAM为最优模块。在理论意义方面，空间-通道联合注意力与纯通道注意力之间的性能差异与岩性图像的固有属性密切相关；岩石样本的核心判别特征，如颗粒边界、层理构造、风化纹理和矿物分布，主要呈现为空间分布的局部视觉模式，这使具有空间加权能力的注意力机制比仅通道方案更适应岩性识别任务，为地质图像识别中的特征驱动模型设计提供了参考。在工程应用方面，所提轻量CNN-注意力框架在识别精度与计算成本之间取得合理平衡；在参数量增加可忽略且计算开销有限的情况下，该模型具有部署于地质野外调查常用便携边缘设备的潜力。结合本研究验证的灰度转换与直方图均衡预处理流程，该方法对光照变化表现出可接受的鲁棒性，并可为野外地质填图、工程勘察和矿产勘探场景中的岩性判断提供辅助参考。本研究仍存在若干局限：第一，所采用公共数据集规模相对有限，模型在复杂野外条件下（如风化变化、表面湿度和自然光照）的泛化性能仍需进一步验证；第二，本工作仅基于CNN主干开展比较研究，缺乏与注意力原生轻量模型的跨架构比较；第三，当前模型仅依赖视觉特征识别，尚未融合多源地质属性信息。据此，未来研究将聚焦以下方面：（1）探索合成样本生成与无监督域适应方法，提高模型对未见野外条件的适应性；（2）研究余弦退火等学习率调度策略以稳定训练收敛，并开展与轻量视觉Transformer的跨架构基准比较；（3）构建融合视觉特征与物理化学地质参数的多源融合岩性识别模型；（4）在实际便携边缘设备上验证量化模型性能，进一步评估其在野外调查中的实际应用价值。