CN109800728A - 一种基于深度学习的矿物质快速识别的方法 - Google Patents
一种基于深度学习的矿物质快速识别的方法 Download PDFInfo
- Publication number
- CN109800728A CN109800728A CN201910080738.6A CN201910080738A CN109800728A CN 109800728 A CN109800728 A CN 109800728A CN 201910080738 A CN201910080738 A CN 201910080738A CN 109800728 A CN109800728 A CN 109800728A
- Authority
- CN
- China
- Prior art keywords
- model
- deep learning
- minerals
- mineral
- mineral types
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
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
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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080738.6A CN109800728A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的矿物质快速识别的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910080738.6A CN109800728A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的矿物质快速识别的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109800728A true CN109800728A (zh) | 2019-05-24 |
Family
ID=66560541
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910080738.6A Pending CN109800728A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的矿物质快速识别的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109800728A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967576A (zh) * | 2020-07-22 | 2020-11-20 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
WO2022166232A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国石油化工股份有限公司 | 岩石鉴定方法、系统、装置、终端及可读存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106677708A (zh) * | 2016-11-24 | 2017-05-17 | 上海工程技术大学 | 具备岩石薄片鉴定功能的石油勘探用钻井钻头系统及方法 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN107727592A (zh) * | 2017-10-10 | 2018-02-23 | 中国矿业大学 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
CN109060675A (zh) * | 2018-09-05 | 2018-12-21 | 东北大学 | 一种用于铁矿石中铁含量检测方法及装置 |
-
2019
- 2019-01-28 CN CN201910080738.6A patent/CN109800728A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106677708A (zh) * | 2016-11-24 | 2017-05-17 | 上海工程技术大学 | 具备岩石薄片鉴定功能的石油勘探用钻井钻头系统及方法 |
CN107633255A (zh) * | 2017-08-11 | 2018-01-26 | 天津大学 | 一种深度学习模式下的岩石岩性自动识别分类方法 |
CN107727592A (zh) * | 2017-10-10 | 2018-02-23 | 中国矿业大学 | 一种基于煤岩高光谱反射特性的煤岩界面识别方法 |
CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
CN109030388A (zh) * | 2018-07-17 | 2018-12-18 | 东北大学 | 一种基于光谱数据的铁矿石全铁含量检测方法 |
CN109060675A (zh) * | 2018-09-05 | 2018-12-21 | 东北大学 | 一种用于铁矿石中铁含量检测方法及装置 |
Non-Patent Citations (7)
Title |
---|
张良培等: "《高光谱遥感》", 30 June 2011, 测绘出版社 * |
徐述腾等: ""基于深度学习的镜下矿石矿物的智能识别实验研究"", 《岩石学报》 * |
田淑芳等: "《遥感地质学 第2版》", 31 January 2014, 地质出版社 * |
白林等: ""基于深度学习特征提取的岩石图像矿物成分分析"", 《中国矿业》 * |
石振杰: ""基于面向对象的遥感技术岩性识别研究"", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
秦凯: ""机载成像高光谱遥感及应用关键技术研究"", 《中国博士学位论文全文数据库 基础科学辑》 * |
龚文引等: "《智能算法在高光谱遥感数据处理中的应用》", 30 November 2014, 中国地质大学出版社 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111967576A (zh) * | 2020-07-22 | 2020-11-20 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN111967576B (zh) * | 2020-07-22 | 2022-09-02 | 长春工程学院 | 一种基于深度学习的地球化学数据处理方法和系统 |
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
WO2022166232A1 (zh) * | 2021-02-08 | 2022-08-11 | 中国石油化工股份有限公司 | 岩石鉴定方法、系统、装置、终端及可读存储介质 |
CN113298168A (zh) * | 2021-06-01 | 2021-08-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
CN113298168B (zh) * | 2021-06-01 | 2023-11-24 | 中国地质大学(北京) | 野外地质露头图像构造识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109800728A (zh) | 一种基于深度学习的矿物质快速识别的方法 | |
CN110211097A (zh) | 一种基于Faster R-CNN参数迁移的裂缝图像检测方法 | |
CN102071928B (zh) | 一种三维空间火山岩岩性识别方法 | |
CN109977780A (zh) | 一种基于深度学习算法的硅藻的检测与识别方法 | |
CN101950359B (zh) | 一种岩石种类的识别方法 | |
CN110472597A (zh) | 基于深度学习的岩石图像风化程度检测方法及系统 | |
CN109523566A (zh) | 一种砂岩薄片显微图像的自动分割方法 | |
CN105389550A (zh) | 一种基于稀疏指引与显著驱动的遥感目标检测方法 | |
CN104239890A (zh) | 高分1号卫星的沿岸陆地土地覆被信息自动提取的方法 | |
CN108647595A (zh) | 基于多属性深度特征的车辆重识别方法 | |
CN103927547B (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
Li et al. | Enhanced automatic root recognition and localization in GPR images through a YOLOv4-based deep learning approach | |
CN113128335A (zh) | 微体古生物化石图像检测、分类及发现方法、系统及应用 | |
CN109344774A (zh) | 遥感影像中的火力发电站目标识别方法 | |
CN109165553A (zh) | 基于深度学习的石油设施遥感自动识别方法及装置 | |
CN112084860A (zh) | 目标对象检测、火力发电厂检测方法和装置 | |
Knaup et al. | Unconventional reservoir microstructural analysis using SEM and machine learning | |
CN104966102A (zh) | 基于卫星图像的台风检测方法 | |
CN106019402A (zh) | 综合判别与验证巨厚煤层内部古气候旋回的方法 | |
Keller et al. | North Pacific Late Miocene correlations using microfossils, stable isotopes, percent CaCO3, and magnetostratigraphy | |
CN109872318A (zh) | 一种用于深度学习的地质露头裂缝数据集制作方法 | |
CN106204591A (zh) | 一种海域沉积物岩心中古环境信息载体的取样方法 | |
CN115453085A (zh) | 一种定量分析超深层蒸发岩与微生物白云岩之间耦合机制的方法 | |
CN108921187A (zh) | 鲕粒滩类型划分方法和装置 | |
Senemari et al. | Calcareous nannofossils biostratigraphy of the Campanian-Danian interval, Gurpi Formation in the Zagros Basin, SouthWest Iran |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190524 |