共查询到18条相似文献，搜索用时 140 毫秒
1.
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
2.
《大地构造与成矿学》2020,(2)
在野外地质勘探过程中,矿物识别是一项重要的任务。但是在复杂的地质勘探条件下准确识别矿物是一项极具挑战性的任务。本文首先结合矿物知识,对图像中矿物的颜色和亮度进行判别,从而强化矿物图像的纹理特征,基于强化后的纹理特征,利用深度学习模型和迁移学习方法建立矿物深度学习模型;同时利用K-means算法提取矿物颜色特征,建立颜色特征模型;最终基于矿物识别深度学习模型和颜色特征模型,建立矿物图像的耦合识别模型,提出了一套完整的矿物智能识别分析方法。在深度学习模型建立过程中,共对19类矿物,总计6203张图像进行了训练,同时使用456张图像对耦合模型进行测试,其top-1准确率和top-3准确率分别达到72.2%和91.2%。基于所训练的模型,在Android系统开发了矿物图像智能识别应用系统,主要由矿物识别、矿物知识卡和矿物资料存储三个模块组成,提供矿物实时识别、矿物基础知识及实时储存等功能。作为野外地质勘察的辅助工具,此应用可以减少重复劳动,提升野外地质勘察的数字化和信息化水平。 相似文献
3.
大数据与数学地球科学研究进展——大数据与数学地球科学专题代序 总被引：12，自引：9，他引：3
大数据与数学地球科学的核心应用技术包括高维数据降维、图像数据处理、无限数据流挖掘、机器学习、关联规则算法与推荐系统算法等。人工智能地质学,包括大数据-智能矿床成因模型与找矿模型的构建,是具有重要价值的研究方向。高维数据降维旨在从初始高维特征集合中选出低维特征集合,有效地消除无关和冗余特征,增强学习结果的易理解性。哈希算法、聚类分析、主成分分析等是较常用的数学降维工具。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习与人工智能各种基础问题的统一性观点正在形成。深度学习的训练模型往往需要海量数据作为支撑,因此迁移学习方法日益受到重视。图像模式识别是大数据挖掘的重要技术。网络中的社区结构识别对理解整个网络的结构和功能有重要价值,可帮助分析、预测网络各元素间的交互关系。沉浸式虚拟现实技术是实现大数据可视化的重要方向,对具有多元、异构、时空性、非线性、多尺度地质矿产勘查数据的展示要求有特别的价值。引入VR技术进行矿产地质大数据的可视化,可实现大数据时代矿产勘查数据的新认知。无限数据流在地质、地球化学、地球物理监测中大量存在,甚至可以持续自动产生。对数据流数据的计算包括对点查询、范围查询、内积查询、分位数计算、频繁项计算等。关联规则和推荐系统算法是大数据挖掘中的重要算法,其应用范围越来越广泛。贝叶斯原理在大数据时代有独特的价值,贝叶斯网络是成因建模的一个革命性工具。智能地质学研究刚刚起步,构建大数据-智能矿床成因模型与找矿模型是智能地质学研究的重要内容。矿床模型研究方式的变革,将出现于互联网、云计算技术环境下全球各地的矿床研究团队的共同参与。 相似文献
4.
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
5.
导向钻井技术方法是21世纪全球石油工业最重要的技术之一,也是美国“页岩气革命”核心技术水平钻井的关键组成部分。当前,导向钻井的主要研究目标是提高钻井速度、降低钻井时间和风险,智能化是目标实现的重要途径。文章分析了国内外大数据与人工智能在石油工业应用情况,建立了云端大数据智能导向钻井方法架构,提出了随钻测井参数人工智能反演与识别方法,指出了云端大数据与智能算法管理的实现途径,得出如下结论:(1)基于云端大数据智能导向钻井方法主要包括物联网感知层、大数据存储层和云平台决策层。物联网感知层实现井场关键信息的采集并传输至大数据中心;大数据中心支持数据存储与云管理;云平台决策层依托大数据中心的海量数据,进行云端地面软件控制、人工智能决策以及云平台管理。(2)采用机器学习的方法智能反演与识别地层岩性,选择自然电位、自然伽马、密度、声波、补偿中子、电阻率等6条随钻测井数据,分别采用不同的机器学习算法进行地层岩性反演与识别,决策树模型和随机森林模型分别达到0.81和0.89的准确度,形成了一套可快速自动描述岩性特性分类的方案。(3)云端平台管理决策可进行井下实时数据解码,获取钻井轨迹和测井曲线,其中云端人工智能决策模块对地层及钻井参数进行智能反演预测,可实现钻井轨迹智能修正和钻井参数智能优化,保证智能导向工程钻得准、钻得快。 相似文献
6.
地质领域机器学习、深度学习及实现语言 总被引：4，自引：2，他引：2
地质大数据正在以指数形式增长。只有发展智能数据处理方法才有可能追上大数据的超常增长。机器学习是人工智能的核心,是使计算机具有智能的根本途径。机器学习已成为地质大数据研究的前沿热点,它将让地质大数据插上翅膀,并因此改变地质。机器学习是一个源于数据的模型的训练过程,最终给出一个面向某种性能度量的决策。深度学习是机器学习研究中的一个重要子类,它通过构建具有很多隐层的机器学习模型和海量的训练数据,来学习更有用的特征,从而最终提升分类或预测的准确性。卷积神经网络算法是最为常用的一种深度学习算法之一,它广泛用于图像识别和语音分析等。Python语言在科学领域的地位占据着越来越重要。其下的Scikit-Learn是一个机器学习相关的库,提供有数据预处理、分类、回归、聚类、预测、模型分析等算法。Keras是一个基于Theano/Tensorflow的深度学习库,可以应用来搭建简洁的人工神经网络。 相似文献
7.
岩性识别是储层评价中的一项重要工作。随着机器学习方法的不断发展,岩性的智能识别也成为热门研究方向。随钻测井技术目前已经得到了广泛的应用,但是受限于高温高压的钻井作业条件,随钻测井仪器只能测得少量测井参数。由于随钻测井参数较少,直接输入机器学习模型无法充分挖掘其中的信息。对此,本文将随机树嵌入引入随钻测井资料的岩性识别。该方法将低维随钻测井数据通过二叉树编码并转化为高维稀疏特征,利用升维后的数据进行训练从而提升机器学习模型的判别能力。对比实验结果表明,使用随机树嵌入的随机森林方法具有最佳的识别效果,准确率和F1值较直接使用随机森林分别提升了3.16%和3.25%,且优于梯度提升树、极随机树和粒子群优化支持向量机算法。 相似文献
8.
近十年是科学研究从问题驱动向数据驱动转变的转折时期,科学研究的第四范武—数据密集型科学发现应势而生.这期间,大数据与人工智能算法的引入使数学地球科学实现跨越式发展,并正在改变地质学.机器学习是使计算机具有智能的根本途径.深度学习,即多层神经网络的方法,是一种实现机器学习的技术,是过去几年大数据与数学地球科学研究的最重要的热点.贝叶斯网络是贝叶斯公式和图论结合的产物,可用来建立矿床地质的成因网络,进而理解矿床成因.地质大图形问题可以转化为大型的复杂网络空间问题和社区结构问题,社区分析技术可用于地震预报、地质网络分析、特殊地质现象识别、矿床预测.关联规则和推荐系统算法在地质研究中已有成功的应用实例.化探数据及其异常经常包含复杂和非线性模式,深度学习在智能识别与提取复杂地质条件下地球化学异常具有优异的能力,卷积神经网络、堆叠自编码机等是较为常用和有效的方法.非线性矿产资源预测、基于GIS和三维地质建模的三维成矿预测及相应的软件系统得到持续改进.三维虚拟仿真建模技术的应用实现了多模态、跨尺度地学虚拟现实与多维交互,地质过程数值模拟等已有创新性进展.区块链技术以及OneGeology、玻璃地球、深时数字地球等大地质科学计划,将在整合全球地质大数据、共享全球地学知识、推动数学地球科学学科发展方面起到重大的推动作用. 相似文献
9.
将深度学习模型引入地质图像分析中,可以大幅提高工作效率,增加研究定量化程度,开拓图像研究新领域。本文以上扬子鄂西地区下寒武统牛蹄塘组页岩的离子抛光扫描电镜图像为例,通过对图片二值化等预处理后,利用Mask-RCNN、FCN和U-Net 3种深度学习模型对页岩中主要矿物、有机质及孔隙等进行识别,比较运行时间与识别结果的准确度,讨论了不同深度学习模型在地质图像识别和处理过程中的适用性和差异性。并优选效果最优的U-Net模型与JMicroVision、Adobe Photoshop等通用图像处理软件识别结果进行孔隙识别对比。结果显示：FCN模型能够基本识别图像中的主要矿物、有机质与孔隙,但对颜色相近的组分和裂缝识别效果较差;Mask-RCNN模型可识别分割性强的主要矿物,但对分辨率较低的孔隙和裂缝识别效果较差;U-Net模型对主要矿物、有机质及孔隙识别效率大大提高,在页岩地质图像识别方面具有优势。相较于通用图像处理软件,U-Net模型识别速度提高了300多倍。基于深度学习U-Net模型识别结果,研究区牛蹄塘组页岩孔隙结构类型可分为矿物内圆状孔、矿物间随机不规则孔、有机棱角状孔和有机密集微孔。... 相似文献
10.
受气候变暖影响，青藏高原的多年冻土正在发生广泛的退化，主要表现为融冻泥流事件的频繁发生，对生态系统和当地基础设施造成深刻影响。融冻泥流的精准识别有助于理解融冻泥流的发生和演变机制。近年来尽管基于深度学习的融冻泥流识别取得了进展，但机器学习算法在该领域的识别能力仍有待探究。本研究基于GF-2卫星遥感数据构建了一种基于集成机器学习的优化面向对象融冻泥流识别算法，引入了纹理和几何等空间信息来辅助识别融冻泥流，并基于面向对象技术改善了识别模型的错分问题。此外，基于集成学习整合不同机器学习模型的优势，以获得不低于常用深度学习模型的识别精度。结果表明，基于递归特征消除（RFE）特征选择算法剔除了多维特征数据集中的冗余特征，证明了纹理和几何信息是融冻泥流识别的有效数据补充。在优化后的面向对象机器学习模型中，随机森林（RF）的识别精度最高，总体精度为87.43%。McNemar检验表明，与单一模型相比，集成机器学习模型显著提高了融冻泥流识别精度，其总体精度为93.14%。对研究区内融冻泥流的地形特征进行统计分析后发现融冻泥流主要发生在海拔3 200～3 500 m之间，坡度介于5°～25°，并且以东北... 相似文献
11.
卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例 总被引：1，自引：0，他引：1
大数据人工智能地质学刚刚起步,基于大数据智能算法的地质研究是非常有意义的探索性实验。利用大数据和机器学习解决矿产预测问题,有助于人们克服不能全面考虑地质变量的困难及评估当前模型在已有数据中的可靠性。元素地表分布特征量主要受原岩成分、成矿作用影响和地表过程的影响,它们携带某些指示矿体就位的信息,即矿体在地下空间就位时在地表的响应,且未在地表过程中消失。以往的地球化学勘查工作仅仅识别异常,但未能发现矿体在地表响应的成矿特征量。本文以安徽省兆吉口铅锌矿床为例,通过机器学习,利用卷积神经网络算法,不断挖掘元素Pb分布特征与矿体地下就位空间的耦合相关性。经过1000次训练后,可以得到准确率0. 93,损失率0. 28的卷积神经网络模型。这种神经网络模型就是矿体在地下就位时元素在地表分布的响应,可以用来进行矿产资源预测。应用该模型对未知区进行预测,结果显示第53号区域具有很大概率存在尚未发现的矿体。 相似文献
12.
地下水资源在世界各国水资源中占有举足轻重的地位,对人类生存发展、维系生态系统健康发挥着重要作用。现阶段地下水污染日益严重,地下水环境背景值研究和污染风险评价对地下水污染防治工作具有重要意义。由于地下水污染影响因素复杂,地下水化学组分空间分布的非均质性、地下水样品采集的小样本问题与大尺度区域的高计算代价,都对传统的污染风险评价方法构成了极大挑战。机器学习作为人工智能的核心,已成为水文地质领域研究的前沿热点,通过智能高效的数据处理和挖掘,在地下水化学组分的分布、变化以及赋存机制等方向已得到探索和尝试。本文全面介绍了近年来在地下水污染研究方面应用的机器学习方法,涵盖了以聚类为主的非监督学习算法,以回归为主的监督学习算法,以提升算法效率为目标的混合算法,以及以神经网络为核心的深度结构算法,展示了不同类型算法在地下水污染研究方面的成果,详细归纳了各种算法的机理,对算法的技术优劣及适用方向进行了探讨;最后对机器学习在地下水污染方面的应用发展趋势进行了展望,建议探索高效集成学习模型,以弥补单一算法的不足,同时发展面向小样本的深度学习建模技术,提高地下水污染评价精度,拓展和丰富新方法新技术在地下水污染研究方面的应用。 相似文献
13.
矿产资源预测已从定性走向了定量,从数据稀疏型走向了数据密集型,亟须数据科学支撑。本文在前人研究基础上,讨论了基于数据科学的矿产资源定量预测理论与方法,该方法的理论基础为相关性理论与异常理论,前者采用监督的机器学习方法挖掘地质找矿大数据与矿床的相关性为预测未发现矿床提供了理论基础;后者采用非监督的机器学习方法识别地质找矿大数据蕴含的地质异常为预测矿床提供了理论依据。该理论与方法强调地质找矿大数据和机器学习的重要性,其中,数据种类的多样性及数据精度和质量会影响预测结果的好坏,机器学习可提高特征提取与信息集成融合效率。此外,本文讨论了基于数据科学的矿产资源定量预测理论与方法的技术框架、特征提取、数据集成融合方法,以及该理论与方法引入的不确定性。 相似文献
14.
我国滑坡灾害分布范围广,危害严重。区域滑坡危险性评价一直都是滑坡灾害防灾减灾的重要内容之一。近年来,随着大数据和人工智能技术的飞速发展,机器学习技术逐渐在滑坡灾害危险性评价方面得到广泛应用,并取得了较好效果。在大量研读文献的基础上,系统阐述了基于机器学习技术的滑坡危险性评价方法研究现状。综述从评价因子选择与量化归一化、数据清洗与样本集构建、模型选取与训练评价等三个关键环节对现有研究成果进行分析评述,最后对机器学习滑坡危险性评价方法的发展趋势提出讨论意见。 相似文献
15.
基于大数据和人工智能技术的数据驱动科学范式推动地球科学研究发生了变革。作为地球科学的重要分支,现代矿床学经历了百余年的发展,已经积累了海量的数据资料,这些数据的流通和共享是发挥其资源价值的关键。文章介绍了中国“地质云”与全球矿产资源储量动态评估数据库、澳大利亚深部地球探测计划AuScope、美国矿产资源在线空间数据库、国际经济地质学家学会(SEG)Geofacets数据库、美国标准普尔公司SNL Metals&Mining数据库等国际主要矿床数据库的情况;同时,列举了应用大数据思维和人工智能方法在区域成矿规律、矿床成因机制、矿床类型判别、资源潜力评价、战略咨询等方面取得的若干重要进展。文章提出,未来在深时数字地球国际大科学计划的平台下,整合全球海量矿床数据,建设开放、共享、统一的矿床大数据平台势在必行。 相似文献
16.
煤矿智能化是煤炭行业实现可持续发展的重要途径,为煤矿企业减人增效、安全生产提供有效保障,大数据、机器人、人工智能等新一代信息技术有力支撑了煤矿智能化建设。首先阐述了智慧矿山的设计思路,提出了智能化建设总体技术体系。然后,分析了通用异构型控制和数据处理平台、矿用巡检机器人技术、人工智能技术、故障诊断技术和智能穿戴等煤矿智能化关键技术的发展现状与趋势,梳理了智能化建设应用过程中存在的关键难题,并针对瓶颈问题提出了解决方法与未来发展趋势。研究基于模块化开发的通用异构型控制和数据处理平台,实现了底层终端的可重构和底层通信协议的统一,解决了数据孤岛问题;研究巡检机器人驱动模块监测、运动控制与精确定位等关键技术,基于多传感器融合技术实现机器人精确定位;研究人工智能技术在煤矿场景应用中缺少典型数据和与场景知识结合的问题,提出小样本学习技术有望推动人工智能技术在煤矿智能化领域的进一步落地应用;研究煤矿设备故障诊断技术,提出构建基于数据和知识混合驱动的设备故障诊断模型将有效解决过度维修和欠维修的问题;智能穿戴技术是解决井下关键岗位作业人员防护问题的关键,提出了由呼吸系统、传感监测系统、人机交互系统、语音... 相似文献
17.
我国积累的大量高质量、多元素、多尺度的地球化学数据,为矿产勘查与环境评价提供了有效的数据支撑。如何对这些数据进行二次开发和再利用,提取有价值的地球化学异常信息并带动找矿突破,是缓解当前矿产资源短缺的重要途径之一。在覆盖区和深部的找矿实践中,由于矿体埋深和覆盖层的影响,往往在表生介质中形成弱小的地球化学异常,识别和评价弱小地球化学异常是当前勘查地球化学数据处理的重要方向之一。本文围绕地球化学异常信息的提取和评价,主要从以下几个方面讨论了相关的国内外研究进展和发展趋势:勘查地球化学数据处理与异常识别方法和模型,勘查地球化学数据闭合效应的影响及其解决方案,基于大数据和机器学习的勘查地球化学数据处理以及弱小地球化学异常的识别和评价。研究发现,在地质环境的约束下,基于大数据思维和机器学习相结合的方法,注重地球化学空间分布模式与已发现矿床的相关关系,同时使用所有地球化学变量能有效刻画具有非线性特征的地球化学空间分布模式,可识别出传统方法无法识别的异常,为开展地球化学空间模式识别与异常提取提供了新的途径。 相似文献
18.
岩性识别是地质工作中一项基础而又重要的工作。传统的岩性识别方法过于依赖经验和地质专业知识积累,不仅耗时长、专业性强,还易受主观因素影响,导致准确率不理想。笔者等首先回顾了传统的岩性识别方法,之后总结了最新涌现的智能化识别方法,最后详细介绍了基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法。基于岩石图像的识别方法对于文中的岩石识别准确率可达90%以上,基于图像与元素融合的岩性识别方法可以降低图像相似度高、风化破坏表观特征等因素对识别准确度的影响。笔者等认为当前岩性智能化识别研究仍处于初级阶段。综合各类数据源的优势,利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性,有利于突破单源信息的局限性,实现岩性快速准确识别。 相似文献