CN109800728A - 一种基于深度学习的矿物质快速识别的方法 - Google Patents

Abstract

本发明提供一种基于深度学习的矿物质快速识别的方法，属于深度学习技术领域，本发明本发明用深度学习算法对矿物质的矿物质种类进行初步筛选，然后初步确定光谱库中可能的矿物质种类。本发明和现有技术相比，可以提高矿物质识别的效率和准确度，快速精确的识别矿物质的种类。

Description

一种基于深度学习的矿物质快速识别的方法

技术领域

本发明涉及深度学习技术，尤其涉及一种基于深度学习的矿物质快速识别的方法。

背景技术

地质相关工作、遥感矿产勘探等都离不开矿物成分鉴定。地学中比较成熟的鉴定方法有两种:

(1)把标本切割成薄片利用矿物的光性差别进行镜下鉴定。此方法较成熟、可靠性高,在地学研究中应用最广泛。但工作周期长并且鉴定人要有丰富的镜下鉴定经验。

(2)把标本粉碎,利用X射线衍射仪获得标本衍射图谱进行分析。此方法效果很好,但须在实验室内进行,不能快速及时地进行矿物成分识别。

因此,应用上述手段进行矿物鉴定会大大限制遥感找矿、遥感矿物填图以及需要大量矿物成分鉴定工作的地学研究(如:地质钻井、野外地质填图等)的效率。

近年来，特别是2009年以来，借助机器学习领域深度学习研究的发展，识别技术得到突飞猛进的发展。将深度学习研究引入到识别领域，极大提高了识别的准确率降低了人的工作量。

深度学习的概念源于人工神经网络的研究，由Hinton等人于2006年提出。2006年，加拿大多伦多大学教授、机器学习领域的泰斗GeoffreyHinton和他的学生RuslanSalakhutdinov在《科学》上发表了一篇文章，开启了深度学习在学术界和工业界的浪潮。

这篇文章有两个主要观点：(1)多隐层的人工神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画，从而有利于可视化或分类；(2)深度神经网络在训练上的难度，可以通过“逐层初始化”(layer-wisepre-training)来有效克服，在文章中逐层初始化是通过无监督学习实现的。

由此可见，深度学习的实质是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。

发明内容

为了解决以上技术问题，本发明提出了一种基于深度学习的矿物质快速识别的方法，使用深度学习技术，有效提高了矿物质识别的准确度和有效性。

本发明的技术方案是：

一种基于深度学习的矿物质快速识别的方法，采用深度学习算法对矿物质的矿物质种类进行初步筛选，然后初步确定光谱库中可能的矿物质种类。

进一步的，

通过深度学习算法生成模型，通过模型去确定矿物质种类。

再进一步的，

通过深度学习算法生成CNN模型。

本发明所述方法主要包括如下步骤：

S1、将矿物质显微镜图像数据切分为相同像素大小；

S2、进行人工标记，凭专家经验标记矿物质的种类；

S3、将人工标记后的数据用深度学习算法进行训练；

S4、对人工标记后的数据进行深度学习算法进行分类训练，生成CNN模型，并将模型保存为本地文件；

S5、读取已经训练好的本地模型文件，将未标记的遥感图像数据输入到模型中，得到矿物质的种类。

S6、得到矿物质种类后建立矿物质种类的光谱库，使用光谱分析法精确得到岩石的种类和比例。

进一步的，

所述人工标记使用的工具为labelImg工具。

进一步的，

使用ResNet-152-CNN卷积神经网络模型作为矿物质种类的模型，进行分类训练，生成CNN模型。

进一步的，

所述的卷积层采用预训练的VGG16的卷积层，并将模型保存在本地。

进一步的，

将分类结果生成矿物质种类区域光谱库，根据区域地质成矿特征确定主要成岩矿物、成矿矿物种类及组合。

本发明的有益效果是

本发明和现有技术相比，可以提高矿物质识别的效率和准确度，快速精确的识别矿物质的种类。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例，基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。

本发明利用深度学习算法对矿物质的矿物质种类进行初步筛选，然后初步确定光谱库中可能的矿物质种类。

本发明所述的方法包括：

S1、将矿物质显微镜图像数据切分为相同像素大小；

S2、进行人工标记，凭专家经验标记矿物质的种类；

S3、将人工标记后的数据用深度学习算法进行训练；

S4、对人工标记后的数据进行深度学习算法进行分类训练，生成CNN模型，并将模型保存为本地文件；

S5、读取已经训练好的本地模型文件，将未标记的遥感图像数据输入到模型中，得到矿物质的种类。

S6、得到矿物质种类后建立矿物质种类的光谱库，使用光谱分析法精确得到岩石的种类和比例。

CNN模型是卷积神经网络，属于深度学习的一种，常用于图像识别。Faster R-CNN模型是一个通用的物体检测模型，该模型能够自动识别图像中可识别对象在图像中的像素位置和对象类别。是基于深度学习的目标检测中应用最广泛的模型。

操作步骤如下：

S1、采集矿物质的显微镜数据，将矿物质显微镜图像数据切分为相同像素大小。

S2、进行人工标记，凭专家经验标记矿物质的种类；人工标记使用的工具为labelImg工具。

S3、使用ResNet-152-CNN卷积神经网络模型作为矿物质种类的模型，进行分类训练，生成CNN模型；所述的卷积层采用预训练的VGG16的卷积层，并将模型保存在本地。

S4、读取保存在本地的模型，利用CNN模型检索并识别出油桶的位置。使用 FasterR-CNN模型检索油桶的位置并使用ResNet-1522-CNN模型进行矿物质种类的识别。

S6、将分类结果生成矿物质种类区域光谱库，根据区域地质成矿特征确定主要成岩矿物、成矿矿物种类及组合。

以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (8)

1.一种基于深度学习的矿物质快速识别的方法，其特征在于，

采用深度学习算法对矿物质的矿物质种类进行初步筛选，然后初步确定光谱库中可能的矿物质种类。

2.根据权利要求1所述的方法，其特征在于，

通过深度学习算法生成模型，通过模型去确定矿物质种类。

3.根据权利要求1所述的方法，其特征在于，

通过深度学习算法生成CNN模型。

4.根据权利要求3所述的方法，其特征在于，

主要包括如下步骤：

S1、将矿物质显微镜图像数据切分为相同像素大小；

S2、进行人工标记，标记矿物质的种类；

S3、将人工标记后的数据用深度学习算法进行训练；

S4、对人工标记后的数据进行深度学习算法进行分类训练，生成CNN模型，并将模型保存为本地文件；

S5、读取已经训练好的本地模型文件，将未标记的遥感图像数据输入到模型中，得到矿物质的种类。

S6、得到矿物质种类后建立矿物质种类的光谱库，使用光谱分析法精确得到岩石的种类和比例。

5.根据权利要求4所述的方法，其特征在于，

所述人工标记使用的工具为labelImg工具。

6.根据权利要求5所述的方法，其特征在于，

使用ResNet-152-CNN卷积神经网络模型作为矿物质种类的模型，进行分类训练，生成CNN模型。

7.根据权利要求6所述的方法，其特征在于，

所述的卷积层采用预训练的VGG16的卷积层，并将模型保存在本地。

8.根据权利要求4所述的方法，其特征在于，

将分类结果生成矿物质种类区域光谱库，根据区域地质成矿特征确定主要成岩矿物、成矿矿物种类及组合。