共查询到17条相似文献，搜索用时 484 毫秒
1.
文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。 相似文献
2.
在现阶段的岩土工程中,通常采用人工识别的方法来判别岩样种类,不仅耗时长、专业性强,还易受主观因素影响,准确率不理想。随着计算机技术的发展,机器学习逐渐被应用于岩性的自动识别,开启了岩样分类的新路径。本文以重庆市主城区4种典型岩样（泥岩、砂质泥岩、泥质砂岩和砂岩）的细观图像为研究对象,基于Inception V3卷积网络模型和迁移学习算法,建立了岩样细观图像深度学习模型,并完成了训练学习。结果显示：模型在训练1 000次后,训练集中的分类准确率达到92.77%,验证集中的分类准确率为76.31%。其中,验证集中的砂岩识别准确率为97.28%,泥岩识别准确率为81.85%,泥质砂岩识别准确率为72.59%,砂质泥岩识别准确率为72.35%。与现有的机器学习方法相比,本识别模型不仅可以自动识别岩性极为相近的岩样,而且具有较好的识别准确率、鲁棒性和泛化能力。 相似文献
3.
岩石薄片图像的复杂性和多解性,导致岩石薄片分类难度较大。尝试将深度学习方法应用于岩石薄片图像分类。实验选取了安山岩、白云岩、花岗岩等6种常见岩石种类的薄片图像,每类1000张图像作为实验数据,建立了岩石薄片分类的VGG模型,经过9万次训练后,测试集识别准确率达到了82%。对实验结果进行了分析,发现相似组成成分的岩石图像容易混淆,如白云岩与鲕粒灰岩均属于碳酸盐岩,容易相互误判。在安山岩特征图中提取出了斜长石斑晶和微晶及隐晶质或玻璃质基质,在鲕粒灰岩特征图中提取了鲕粒及填隙物中的亮晶方解石,也验证了方法的可靠性。 相似文献
4.
采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。 相似文献
5.
特定的计算工具帮助地质学家识别和分类油井钻探的岩石岩性,降低成本并提高工作效率。机器学习方法集成了大量信息,能够高效地实现模式识别和准确决策。文章将挪威海5口油井进行岩性分类,通过将数据随机分为训练集(70%)和测试集(30%),利用多变量测井参数数据进行训练和验证,对比多层感知器(MLP)、决策树、随机森林和XGboost等模型的应用效果。研究结果显示,XGBoost模型在数据的泛化性方面表现更佳,其准确率为95%;随机森林模型次之,准确率为94%;而多层感知机(MLP)和决策树模型表现出较好的鲁棒性,准确率分别为92%和90%。 相似文献
6.
基于像元基元、极化合成孔径雷达（Synthetic Aperture Radar,SAR）数据和传统机器学习算法的岩性分类方法,易受SAR图像固有斑点噪声影响,精度不高.为了降低噪声的影响,本研究以大尺度像元邻域为基元,用于表征地表地质体的遥感图像特征和岩性语义信息;采用高分三号双极化SAR数据进行极化分解构建3通道假彩色合成影像;然后采用深度卷积神经网络（Deep Convolutional Neural Network,DCNN）迁移学习的方法,提取有效的深度特征表示,分别实现5 m和15 m两种空间分辨率下岩性遥感自动分类.结果表明:基于不同分辨率数据和不同DCNN算法,岩性遥感自动分类的总精度均大于80%,最高精度达到91%.基于大尺度像元邻域和DCNN迁移学习方法,能够实现基于SAR数据的高精度岩性分类. 相似文献
7.
岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。 相似文献
8.
岩石图像识别是以深度学习为代表的感知智能在地质领域的典型应用场景。已有研究显示网络结构简单的深度卷积神经网络能够在岩石图像上取得比复杂网络结构高的分类准确率。这与ImageNet数据集上网络结构越深越好的趋势相悖。如何解释这一现象？深成侵入岩为显晶质,自形—半自形粒状结构,块状构造,其分类的依据是其矿物成分及相对含量。大别山地区岩浆活动广泛,中生代深成侵入岩广泛出露。岩石类型包括超镁铁质岩类、辉长岩类、闪长岩类、正长岩类、二长岩类和花岗岩类,基本覆盖IUGS推荐的深成侵入岩分类方案中的岩石类型。选取大别山地区中生代深成岩图像开展不同网络结构预训练模型迁移学习对比试验,能够专注于深度学习对矿物成分特征的学习解释,降低构造因素的影响。借助局部可理解的模型解释技术和特征图可视化技术,分别从全连接层分类决策区域可视化和卷积隐层可视化两方面对深度学习模型开展可解释性研究。结果表明简单网络结构的卷积神经网络能够提取不同矿物所表现出的颜色特征以及不同矿物组合所表现出的纹理特征。AlexNet模型的削减试验进一步证明：对于岩石图像深度学习,网络结构并不总是越深越好。 相似文献
9.
黄土含水率深层原位精准探测是揭示黄土重大工程灾变机理及灾害预警的有效手段,基于卷积神经网络提出了一种原位孔洞探测黄土含水率的智能识别方法。首先,通过搭建室内实验平台采集间隔等级为2%的7种不同含水率下的图像信息,生成用于神经网络训练的数据集。然后,基于迁移学习思想建立了多种迁移卷积神经网络模型,并对比分析了不同模型的黄土含水率识别精度,通过混淆矩阵可视化验证模型的可靠性。结果表明：针对所建立的黄土含水率图像数据集,基于VGG19、ResNet101、DesNe201的深度迁移网络模型的测试准确率都在90%以下,并且在一定程度上出现了过拟合现象,如推广应用则会出现超过10%的误判现象;而基于Xception、MobileNet、NASNetMobile的轻量化迁移网络模型在训练后泛化能力较好,测试准确率都达到了90%以上,其中Xception迁移网络模型的识别精度最高,达到了94.6%。搭建的轻量化迁移网络模型识别精度高、计算速度快,可为开发黄土地质信息原位探测机器人的视觉系统提供算法支持。 相似文献
10.
洪涝灾害对房屋等建筑物会造成巨大损害,灾后房屋破坏等级鉴定对保障人民生命安全至关重要,而传统的人工鉴定方法,消耗较多的人力、财力及时间等资源.为此,基于河南郑州“7·20”特大暴雨引发的农村房屋破坏数据,采用深度卷积神经网络（CNN）理论,得到灾后房屋危险等级智能分类模型.首先采用AlexNet、VGGNet、GoogleNet和ResNet四种经典的深度CNN架构,对数据集进行训练、验证和测试,得到4种灾后房屋危险等级智能分类模型,然后结合迁移学习方法训练CNN提高模型的泛化能力,并选择效果较优的ResNet-50为分类主模型,最后分析CNN架构中超参数的影响.结果表明：ResNet-50在学习率为0.000 5,epoch为50,batch＿size为16时网络训练结果最优,其测试集的预测准确率达到了95.5%;此外,房屋危险等级特征的可视化分析明确了模型分类的机理及准确性.试验表明基于迁移学习的识别模型准确率较高,为农村房屋洪涝灾害后受损等级分类模型提供参考. 相似文献
11.
矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。 相似文献
12.
基于深度学习的镜下矿石矿物的智能识别实验研究 总被引：1，自引：3，他引：1
矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。 相似文献
13.
Li Wang 《Mathematical Geology》1995,27(7):847-865
This paper presents a test of the automatic identification of photomicrographs of rocks in thin sections using digital image processing and texture analysis. Three sets of textural measures derived respectively from the cooccurrence matrix, texture space, and texture spectrum have been used to identify six rock types (mylonite, diorite porphyry, diorite. gabbro, granite, and peridotite). Exploring only the texture characteristics of images, the average correct recognition rate reaches 89% for 58 photographs belonging to the six types. The results also show the importance of using those more discriminating texture features in the classification algorithm. For the present study, the average rate of correct classification ranges from 46% to 89% depending on the set of texture measures used. The features extracted from the texture spectrum have more discriminating performance than the conventionally used Haralick measures derived from the cooccurrence matrix. 相似文献
14.
毛堂金矿是位于河南省"毛堂—蒲塘铜金矿带"上的一个小型金矿,矿体主要产于老田岩体的Ⅲ号岩体中,成矿作用与隐爆角砾岩和花岗斑岩关系密切。通过对与成矿有关的隐爆角砾岩和花岗斑岩进行LA-ICP-MS锆石U-Pb同位素测年,获得其成岩年龄分别为143.0 Ma±1.2 Ma和141.4Ma±1.5Ma,代表矿床的形成时代;对花岗斑岩进行Hf同位素测试,其εHf(t)值分布范围为-3.4～4.2,平均为1.6,显示其源区为镁铁质新生地壳。毛堂金矿形成于早白垩世,受花岗斑岩、隐爆角砾岩及其构造-裂隙控制,矿床类型属于隐爆角砾岩型金矿。 相似文献
15.
遥感图像分类是提取图像有效信息过程中重要的一部分,为了探寻最优的分类方法,许多机器学习算法逐步应用于遥感分类中。极限学习机（extreme learning machine,ELM）以其高效、快速和良好的泛化性能在模式识别领域得到广泛应用。本文采用训练速度快、运算量小的极限学习机算法与支持向量机（support vector machines,SVM）算法和最大似然法进行分类对比,对高分辨率遥感图像进行分类,分析极限学习机算法对于遥感图像分类的准确度等性能。选取吉林省长春市部分区域的GF-2遥感数据,将融合后的影像设置为原始数据,利用3种方法进行分类。研究结果表明,极限学习机算法分类图像总体分类精度达到85%以上,kappa系数达到0.718,与其他分类方法相比分类准确度较高,且极限学习机运行时间比支持向量机运行时间约短2 480 s,约为支持向量机运行时间的1/8,因此具有良好的性能和实用价值。 相似文献
16.
辽宁猫岭金矿床地质特征及成因探讨 总被引：1，自引：0，他引：1
本文将猫岭金矿床划分为沉积变质、变质热液和交代重熔岩浆热液三个成矿期。由硫、氢、氧同位素,稀土元素特征及包裹体成分研究结果表明变质热液期为主成矿期,主要成矿物质来自围岩,矿床属变质热液成因。 相似文献
17.
《地学前缘(英文版)》2022,13(6):101436
Zircon is a widely-used heavy mineral in geochronological and geochemical research because it can extract important information to understand the history and genesis of rocks. Zircon has various types, and an accurate examination of zircon type is a prerequisite procedure before further analysis. Cathodoluminescence (CL) imaging is one of the most reliable ways to classify zircons. However, current CL image examination is conducted by manual work, which is time-consuming, bias-prone, and requires expertise. An automated and bias-free method for zircon classification is absent but necessary. To this end, deep convolutional neural networks (DCNNs) and transfer learning are applied in this study to classify the common types of zircons, i.e., igneous, metamorphic, and hydrothermal zircons. An atlas with over 4000 CL images of these three types of zircons is created, and three DCNNs are trained using these images. The results of this study indicate that the DCNNs can distinguish hydrothermal zircons from other zircons, as indicated by the highest accuracy of 100%. Although similar textures in igneous and metamorphic zircons pose great challenges for zircon classification, the DCNNs successfully classify 95% igneous and 92% metamorphic zircons. This study demonstrates the high accuracy of DCNNs in zircon classification and presents the great potentiality of deep learning techniques in numerous geoscientific disciplines. 相似文献