共查询到16条相似文献，搜索用时 140 毫秒
1.
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
2.
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
3.
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
4.
《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
5.
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
6.
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
7.
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
8.
基于地物光谱特征的成像光谱遥感矿物识别方法 总被引：16，自引：0，他引：16
成像光谱技术是遥感技术发展的前沿技术之一 ,它是在可见光、近红外及短波红外上 ,集图像、光谱于一体的具有高光谱分辨率的纳米遥感技术。文中从岩矿光谱特性的研究入手 ,通过光谱特征识别准则 ,利用机载的可见光、近红外及短波红外成像光谱 (HyMap)数据 ,开展成像光谱遥感矿物识别的试验研究。试验识别的矿物有绿泥石、绿帘石、橄榄石、绢云母、滑石、石膏及黑云母等。试验结果表明 ,通过矿物光谱特征分析与其识别原则进行成像光谱遥感矿物识别获得了很好的效果。因此 ,基于地物光谱特征进行成像光谱矿物直接识别确实可行 ,有利于矿产资源评价中成矿物源和矿化蚀变信息分析。 相似文献
9.
人工智能在地球科学领域中的应用是近年来研究的热点,对地球科学的发展有着重要意义,其应用之一就是使用计算机视觉技术实现岩石或矿物的自动化识别分类。然而,目前大多研究直接对岩石薄片图像进行分类,不能够精细定位并识别薄片中多且复杂的矿物目标。虽然现已有许多学者将目标检测技术应用于岩石矿物的图像识别分类中,但这些方法识别的对象大多是岩石手标本图像,只能对图像中的单一对象检测。在识别分类研究领域中,缺少对岩石薄片镜下图像识别的算法及质量较好的相关数据集。为了解决这些问题,本文首先采集了3000张正交偏光镜下花岗岩薄片图像,标注矿物样本10000余个,并通过数据增广方式对数据集进行增强,建立了一个质量较好、具有多样性的数据集。其次本文提出基于Yolov5x的改进算法RDB-Yolov5x。这种方法在特征提取过程中添加了密集连接方式,使用密集连接残差模块（RDB）替代传统的残差结构,有效地保留了图像的语义和位置信息细节。实验结果表明该方法泛化能力较好,在对图像中小尺寸、特征模糊的矿物颗粒的识别中表现出优秀的性能,可以准确有效地对花岗岩中的五类目标矿物（石英、黑云母、白云母、斜长石、钾长石）进行识别,... 相似文献
10.
便携式短波红外矿物分析仪(PIMA)在西藏墨竹工卡县驱龙铜矿区矿物填图中的应用 总被引：8，自引：1，他引：8
介绍了应用国内近两年新引进的便携式短波红外矿物分析仪(Portable Infrared Mineral Analyser，简称PIMA)在西藏驱龙铜矿区所做的矿物填图的工作情况，以及依据PIMA测试所获得的光谱数据进行矿物识别的初步研究成果。通过野外对探槽TC0701和TC1101系统采样和对应的光谱测试分析，识别出了与矿化和矿体有直接关系的蚀变指示矿物硬石膏(anhydrite)。在矿物识别过程中，提取到了可以作为矿区标准光谱的白云母等矿物的纯光谱曲线，并且在野外验证过程中确认了航天图像(Hyperion)上解译的零星分布的蚀变矿物绿泥石的存在。 相似文献
11.
高光谱遥感影像分类是高光谱遥感影像处理和应用的重要组成部分。然而，高光谱遥感影像具有波段数量较多和空间分辨率较高等特点，给分类任务带来一定的挑战。为了提高分类精度，充分利用影像的空间信息和像素间的局部信息，提出一种引导滤波联合局部判别嵌入的高光谱影像分类方法。首先，对高光谱遥感影像进行归一化，利用主成分分析方法实现特征提取，将提取的第一主成分影像作为引导图像；其次，采用引导滤波分别提取各波段影像的空间特征；然后，将提取的空间影像特征进行叠加，通过局部Fisher判别分析完成低维嵌入；最后，将得到的低维嵌入特征输入支持向量机分类器得到分类结果。采用Indian Pines和Pavia University两幅高光谱影像进行实验的结果表明：在分别从各类地物中随机选取10%和100个样本作为训练样本的情况下，其总体分类精度分别提高到98.28%和99.45%；对比其他相关方法，该方法能够获取更高的分类精度。该方法在低维嵌入的同时，有效利用了影像的空间信息，改善了分类效果。 相似文献
12.
为推进航空高光谱遥感矿物信息提取技术及其在地质工程化中的应用,2010—2015年,以我国西部成矿带为调查区,使用CASI/SASI/TASI航空高光谱数据,在进行矿物光谱特征分析、高光谱影像数据预处理、矿物信息提取、蚀变异常信息筛选及区域找矿预测基础上,编制了矿物种类分布图、单矿物丰度分布图和找矿预测图等高光谱地质调查系列专题图件; 建立了一套高光谱遥感矿物填图技术体系,解决了高光谱数据预处理与矿物提取等方面的技术问题,推进了地质填图向精细化和微观化方向发展。该研究为高光谱技术在地质工程化中的应用奠定了基础,丰富了地质填图的产品类型和内容,并服务于地质找矿等地质工作。 相似文献
13.
基于多尺度分割的岩石图像矿物特征提取及分析 总被引：2，自引：0，他引：2
针对传统岩石薄片鉴定以肉眼观察和描述为主,存在主观性强、定量困难等问题,将数字图像处理方法引入岩石矿物研究,提出了基于多尺度分割的岩石图像矿物特征信息提取方法。以铁质石英砂岩薄片显微镜下单偏光图像为实验对象,获取了石英颗粒的边界及其体积分数、大小、周长、长轴长度和方位、长轴和短轴比、圆度和形态指数等信息。其中：石英颗粒的体积分数为47.07%,小于基质的体积分数,在基质中呈漂浮状,为杂基支撑结构, 表明形成于沉积同生期;长轴的范围为50～604像素,表明石英颗粒大小不均、分选性差;颗粒的圆度为0.27～1.82,形态指数值为1.19～2.46,圆度和形态指数值较小,表明石英颗粒有一定的磨圆度。这种信息的获取和定量分析方法有助于对岩石图像的地学理解。 相似文献
14.
15.
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
16.
不同类型铀矿床的沥青铀矿/晶质铀矿具有不同的稀土元素组成,其组成可作为判别铀矿床类型的重要指标。采用基于Python语言的主成分分析（principal component analysis,PCA）与支持向量机（support vector machines,SVM）结合的分类模型,对收集到的全球已知6种类型铀矿床的216组沥青铀矿/晶质铀矿稀土元素数据进行研究。以216组数据为训练集,通过数据清洗、特征缩放、PCA特征提取、网格搜索和交叉验证参数寻优构建SVM分类模型,对24组同变质型胡家峪晶质铀矿进行智能识别。研究结果显示：仅使用稀土元素的14维训练集最优模型判定胡家峪晶质铀矿类型的测试准确率为0.4%;由稀土元素、稀土总量、轻重稀土比、铕异常组成的17维训练集最优模型的测试准确率为75.0%,较14维训练集提高74.6%,模型泛化能力强;而通过传统稀土元素配分曲线、w（ΣREE）-（LREE/HREE）N图解不能有效判定胡家峪晶质铀矿类型。本次研究表明,PCA-SVM算法对增有传统稀土判别指标数据集进行挖掘可有效厘定铀氧化物成因类型,效果明显优于单纯的稀土元素数据集以及传统的稀土配分曲线、w（ΣREE）-（LREE/HREE）N图解。 相似文献