共查询到20条相似文献，搜索用时 46 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.
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
3.
基于岩石图像深度学习的岩性自动识别与分类方法 总被引：8，自引：3，他引：5
岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。 相似文献
4.
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
5.
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
6.
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
7.
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
8.
以常见的16类矿物作为研究对象,收集每一类矿物约1000张图像,按比例划分为训练集、验证集和测试集,通过图像随机选取增加数据的多样性,建立矿物识别InceptionV3模型,训练7万次在测试集上获得81%的识别正确率。通过对损失函数的改进,引入Center Loss损失函数,训练40万次识别准确率提高到86%。对分类的混淆矩阵分析发现,孔雀石等外观特征明显的矿物识别正确率很高,而闪锌矿等与其他矿物容易混淆导致正确率较低。从特征图分析看出,模型很好地提取了孔雀石的放射状特征,矿物图像特征向量聚集程度很高,也说明了模型的可靠性。 相似文献
9.
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缓解图像相似度高、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,无法满足工程需求。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
10.
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
11.
近些年来，随着大数据、深度学习等技术的飞速发展，大数据的开发与利用为众多行业带来了显著经济与社会效益。借助大数据手段，开展地质文本、图像和序列数据挖掘与应用研究，具有极其重要的理论与社会意义。本文在归纳总结前人工作的基础上，重点针对地质大数据中的图像数据，基于深度学习理论，构建网络学习模型，通过基于网络搜索的数据采集、数据预处理、网络搭建、网络训练及结果/评价等步骤，实现基于地质图像的大数据岩性识别。结果表明，图像识别岩性的测试准确率约为90%；有限的图像数据数，可能是产生识别误差的一个原因；机器对岩石图片所呈现的某些特征相似性，如宏观的形状、颜色等，也会给出正相关评分，从而产生误判。理论上，采用BCNN(Bilinear Convolutional Neural Network)等能够捕捉更精细细节的网络模型，解决计算机视觉中的细粒度识别问题，从而从根本上提升图像识别效率，应该是今后一个研究方向。 相似文献
12.
冲积扇储层具有典型的非平稳分布特征,传统的基于平稳假设的地质统计建模方法无法准确模拟其沉积微相。在充 分分析其沉积微相分布特征的基础上,以克拉玛依油田三叠系克下组冲积扇储层为例,综合现代沉积、密井网、露头等信 息,应用基于地质矢量信息的多点地质统计学方法建立了精细、合理的储层沉积微相三维模型。首先,综合现代沉积特征 与地下储层沉积微相解剖成果,应用“模式指导、规模约束”的方法,建立符合研究区沉积模式和定量规模的训练图像和 基于冲积扇沉积体系的矢量坐标系统,表征了训练图像的地质矢量信息,提出基于预模拟实现的模拟域地质矢量信息表征 方法,建立了待模拟地质体的三维矢量信息模型;最后,采用基于矢量信息的多点地质统计方法建立了冲积扇储层沉积微 相模型,并采用多种标准对模拟实现进行可靠性分析。模拟结果表明冲积扇相带分布符合地质认识,沉积微相的形态、展 布特征、组合样式、规模与训练图像、地下沉积微相解剖认识相符。 相似文献
13.
矿物智能识别是地球科学与信息科学的重要交叉方向,显示出强大的生命力.本文在调研国内外研究动态的基础上,把矿物智能识别划分为4个阶段,即矿物采集、数据获取、模型构建、分类判别;根据测试方法和获得的数据类型,把矿物智能识别分为基于化学成分、显微光学图片、光谱分析的3条基本路线;总结了应用于矿物智能识别的机器学习方法和技术,包括统计学习、线性回归模型、距离度量模型、树结构模型、神经网络模型及其与样本问题相关的新技术.在此基础上,提出消除地质学与人工智能的鸿沟、建设可用于学习的高质量矿物数据集、完善适合矿物智能识别的机器学习方法、增进模型可解释性、加强工业推广的实践是该领域未来的重点发展方向. 相似文献
14.
本文通过区域地质背景分析与卫星影像解析,建立了岩性、地层、产状、褶皱和断层发育的影像判识模型,结合野外地质勘察校验与构造变形特征分析,对徐州大北望地区的地质构造进行了研究。研究表明:卫星影像解析对碳酸盐岩地区的岩性、产状和构造均具有很好的判识程度,利于快捷准确地开展地质调查工作,为野外地质工作研究提供了新思路。根据地形地貌、岩层露头、"V"字形法则、地层分布、褶皱和断层识别标志在卫星影像中的响应特征,建立了岩性、地层、产状、褶皱和断层发育的影像判识模型,并对大北望地区进行了构造识别和野外地质校验。大北望地区地质构造较为发育,NE向直立水平家后山背斜构造整体控制该区的地层分布和地形地貌特征,大型NE向纵向和斜交逆断层的发育造成局部地层缺失,NW向和NWW向斜向平移断层的发育造成了局部地层错移和山谷发育。 相似文献
15.
多点地质统计学建模是近年来储层建模技术的研究热点,其实用性受到训练图像的限制。训练图像的质量决定了多点地质统计学建模的精度和可靠程度,是多点地质统计学建模成功的关键因素。文章阐述了训练图像的特征和意义,从方法的定义、使用情况、实例等方面系统介绍了训练图像建立的方法,包括手工绘制、基于目标模拟、三维地震信息提取或转化、基于原型模型、基于过程模拟和二维图像方法,综合对比了不同训练图像建立方法的数据来源、优势与不足,探讨了多点地质统计学建模依赖训练图像存在的问题。结合文献调研和多点地质统计学建模实践,指出了训练图像及其建立方法的发展方向,为多点地质统计学建模研究者和使用者提供借鉴,为完善多点地质统计学建模方法提供思考。 相似文献
16.
《地质科技情报》2020,(4)
鉴于传统的光谱特征参数方法存在不能综合考虑光谱在整个波长范围内的谱形、对于单一吸收带相似的不同矿物难以区分等问题,研究采用深度置信网络方法对火星专用小型侦察影像频谱仪(CRISM)高光谱影像中的火星表面矿物进行自动识别,该算法具体包括:①预训练阶段。利用非监督算法逐层训练受限玻尔兹曼机,自动学习模型参数,提取光谱特征。②调优阶段。将自动学习的光谱特征输入分类器,采用反向传播算法对模型进行监督微调,识别矿物在CRISM影像中的分布。在算法的研究中,采用光谱比值方法降低火星表面灰尘等噪声对矿物光谱的影响,并探讨样本数量、隐含层节点数、网络深度等对算法识别精度的影响,试图构建适宜于CRISM影像火星表面矿物识别的深度置信网络模型。以火星表面镁铁蒙脱石和氯盐为例进行测试,实验结果表明:该方法能够对火星表面矿物进行自动识别,准确率达到85%以上,与光谱参数法的识别结果基本叠合,并能够探测光谱参数法未能识别的部分矿物分布。 相似文献
17.
18.
高光谱遥感是当前遥感技术领域的热点,其“图谱合一”的技术优势使得定量化遥感技术成为实用化技术。目前卫星、航空和无人机的高光谱技术应用热潮兴起,在地质调查、矿产勘查和环境监测中逐步得到深化应用。地质领域中,利用反射光谱,可以识别40余种矿物,对于追索矿化热液蚀变中心和预测铀成矿有利区、分析热液运移的时空演化等具有重要意义。由于复杂地质场景中矿物的紧致、非线性混合,为精确识别其光谱特征和丰度信息带来了挑战。将深度学习技术引入到高光谱地质分析中,能够从高光谱数据中获得更为关键的信息,具有广阔的应用前景。但在实际的地质应用中,很难获得大量高光谱标签数据来训练深度神经网络。文章提出一种针对有限样本铀矿蚀变矿物光谱数据的深度学习方法,采用稀疏降噪自编码神经网络模型提取矿物端元光谱,结合Hapke物理模型进行光谱数据增强,最后利用稀疏全连接的深度神经网络进行矿物含量的提取。实验室和航空高光谱遥感数据实验结果表明,与传统的方法相比,该方法的矿物定量分析精度更高,填图效果更好,为高光谱矿物填图、地质调查和铀矿地质勘查等应用提供了新的技术支持。 相似文献
19.
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
20.
基于重磁数据的地质体边界识别是地球物理数据解释的重要内容。随着重磁梯度张量测量技术的不断发展,基于梯度张量数据圈定地质体构造边界位置的方法也在不断发展。本文定义一种基于梯度张量特征值的归一化边界识别滤波器,可同时进行不同深度目标体的边界位置圈定。为验证本文方法的有效性,将建立方法应用于合成的重磁数据中,相比于传统边界识别滤波器,本文滤波器具有更高的水平分辨率和精度,并且在正负叠加异常的试验中,可有效地避免虚假边界的产生。最后,将归一化特征值边界识别滤波器应用于西藏古堆地热田的地质构造解释,结果表明,基于特征值的边界圈定方法能够更准确地显示地质构造的边界位置,发现更多地质体构造细节特征。 相似文献