CN112183639A - 一种矿物图像识别与分类方法 - Google Patents
一种矿物图像识别与分类方法 Download PDFInfo
- Publication number
- CN112183639A CN112183639A CN202011054000.1A CN202011054000A CN112183639A CN 112183639 A CN112183639 A CN 112183639A CN 202011054000 A CN202011054000 A CN 202011054000A CN 112183639 A CN112183639 A CN 112183639A
- Authority
- CN
- China
- Prior art keywords
- pyrite
- mineral
- minerals
- classification
- residual
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别技术领域,具体涉及一种矿物图像识别与分类方法,步骤为:S10:将矿物图片放大并切割成大小相等的子图;对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注;S20:对S10中分割标注的黄铁矿、干酪根和剩余矿物进行有监督训练学习,得到第一网络模型;S30:对黄铁矿的特征再次进行有监督训练学习,得到第二网络模型;S40:将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物;将一次分类黄铁矿和一次分类剩余矿物输入第二网络模型,得到二次分类黄铁矿和二次分类剩余矿物。通过二次识别与分类,将第一次分类出来的黄铁矿和剩余矿物再次进行识别与分类,提高了识别黄铁矿的精度。
Description
技术领域
本发明属于图像识别技术领域,具体涉及一种矿物图像识别与分类方法。
背景技术
在石油地质领域中,深层页岩矿物的智能识别分析是岩石学特征研究和物性研究的基石,对石油天然气工业上下游领域均有重要意义。岩石的矿物识别研究主要包括如下三类:(1)物理实验法,是以物理学原理为基础,借助各种仪器,以鉴定和研究矿物的各种物理性质,从而进行矿物的检测识别与分析;(2)数学统计法,即通过传统的数学统计与计算分析对矿物分类特征进行识别与提取;(3)智能学习法,主要是从图像处理角度出发,利用先进的图像处理技术达到矿物识别的目的,减少对专业知识和设备的依赖。随着近年来人工智能的发展,基于图像处理技术的矿物智能识别分析越来越受到学术界与工业界的追捧。
众所周知,近年来智能学习在图像智能分析方面取得了突破性进展,如专利号为:CN201811048650.8,申请日为2018.09.10,发明名称为一种矿石矿物图像自动识别与分类方法,该发明运用计算机视觉技术和深度卷积神经网络理论,利用大数据平台Tensorflow框架,建立卷积人工神经网络模型,并针对来自吉林夹皮沟金矿等不同地区黄铁矿石镜下照片进行图像数据输入模型训练学习,从而实现镜下黄铁矿石图片中不同矿石矿物的自动识别与分类。该发明可以辅助地质工作者来对矿石矿物的镜下照片进行识别与分类,提高地质工作者的工作效率。
需要识别矿物图像来自电子显微镜获取的矿物微观图像,而黄铁矿与剩余矿物在电子显微镜图像上均显示出高亮的特征;以上述方法为代表的一类方法在对黄铁矿和剩余矿物进行识别和分类时,无法对黄铁矿和剩余矿物实现精准识别与分类。
发明内容
本发明提供了矿物图像智能识别与分类方法、系统及建立方法,旨在解决现有技术无法实现对黄铁矿和其他高密度矿物精准识别与分类的缺点。
本发明通过下述技术方案实现:
一种矿物图像识别与分类方法,包括如下步骤:
S10:收集矿物图片,将矿物图片放大并切割成大小相等的子图;对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注,其中,所述剩余矿物为矿物图片中除去黄铁矿、干酪根的矿物;
S20:对S10中分割标注的黄铁矿、干酪根和剩余矿物的特征进行有监督训练学习,得到第一网络模型;
S30:将矿物图片中黄铁矿单独截取出来,对黄铁矿的特征再次进行有监督训练学习,得到第二网络模型;
S40:将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物;将一次分类黄铁矿和一次分类剩余矿物分别单独截取出来并输入第二网络模型,得到二次分类黄铁矿和二次分类剩余矿物。
优选的,所述S20的有监督训练学习过程为:
S21:在Mask R-CNN实例分割网络模型的输入层中将子图像素固定到1024*1024,输入到ResNet网络中训练,并输出像素分别为128*128、64*64、32*32、16*16的四个特征图像;
S22:利用S21中输出的四个特征图像构建FPN网络的特征金字塔,并生成若干个的候选区域特征图像;
S23:利用ROI Align操作将候选区域特征图像转化为像素固定为7*7的特征图像;
S24:每个固定后的特征图像经过卷积网络处理后进行三个组合损失函数:边框损失函数、分类损失函数、分割损失函数计算,获得第一网络模型。
优选的,S20中黄铁矿、干酪根和剩余矿物的特征包括亮度、轮廓、形状和颜色中的一种或多种。
优选的,所述S30的有监督训练学习过程为:
S31:将截取出来的黄铁矿、剩余矿物的图像像素的固定到224*224;并输入到以VGG网络为基础的卷积网络中,最后输出卷积网络中的最后一个卷积层;
S32:在卷积网络后的显著性提取网络的最后一个卷积层作为输入,通过两个全连接层后输出一个正方形区域,聚焦了黄铁矿和剩余矿物的区别特征;
S33:将输出的正方形区域与卷积层中对应区域的元素相乘后输入到全连接层中,最后连接Sigmoid函数计算,获得第二网络模型。
优选的,S30中黄铁矿和剩余矿物的区别特征包括轮廓、形状和颜色中的一种或多种。
优选的,S10中,黄铁矿标注为0,剩余矿物标注为1,干酪根标注为2。
优选的,S10中,使用Labelme标注工具对各个子图中的成分进行分割标注。
采用上述技术方案,本发明具有如下优点:
1、由于黄铁矿和剩余矿物在电镜图像中均表现出高亮特征,会把导致黄铁矿和剩余矿物检测错误。而本发明通过二次识别与分类,将第一次分类出来的黄铁矿和剩余矿物再次进行识别与分类,提高了识别黄铁矿的精度。
2、本发明中第二次有监督训练学习时,对黄铁矿相对于剩余矿物的显著性特征进行学习,排除了其他相似或相同特征的干扰,提高了识别黄铁矿的精确度。而且第二次识别分类时,识别的矿物数量和种类也减少了,在有监督训练学习阶段,需要学习矿物数量和矿物特征也相应减少了,避免矿物太多、特征太多造成的混淆;在识别阶段应用学习到的特征检测时,能够聚焦黄铁矿与剩余矿物的显著性区别特征,根据区别特征进行识别与分类,避免相似或相同的特征造成影响。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面所描述的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例的流程图;
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。
一种矿物图像识别与分类方法,包括如下步骤:
S10:收集矿物图片,将矿物图片放大并切割成大小相等的子图;对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注,其中,所述剩余矿物为矿物图片中除去黄铁矿、干酪根的矿物;这里分割标注的目的,是将黄铁矿、干酪根和剩余矿物区分出来,便于进行有监督训练学习;
S20:对S10中分割标注的黄铁矿、干酪根和剩余矿物的特征进行有监督训练学习,得到第一网络模型;得到的第一网络模型能够用于将待识别图片中的黄铁矿、干酪根和剩余矿物进行识别与分类;
S30:将矿物图片中黄铁矿单独截取出来,对黄铁矿的特征再次进行有监督训练学习,得到第二网络模型;得到的第而网络模型能够用于对第一网络模型中得到的一次分类黄铁矿和一次分类剩余矿物再次识别与分类;
S40:将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物;将一次分类黄铁矿和一次分类剩余矿物分别单独截取出来并输入第二网络模型,得到二次分类黄铁矿和二次分类剩余矿物。
需要说明的是,剩余矿物是图片中除去黄铁矿和干酪根后剩余的剩余矿物。
本发明第一次有监督训练学习时要学习黄铁矿、干酪根和剩余矿物的特征,识别的物质种类和识别的特征太多,无法将各种类物质的特征完全学习,而且还会存在相似或相同的特征,所以在识别的时候会混淆;如黄铁矿和剩余矿物在显微镜图像下的特征均为高亮特征时,在识别分类时会在黄铁矿中混入剩余矿物,或在剩余矿物中混入黄铁矿;而通过第二次有监督训练学习,学习黄铁矿相对于剩余矿物的显著性区别特征,将一次分类黄铁矿和一次分类剩余矿物再次分类,提高了识别的精度。
优选的,所述S20的有监督训练学习过程为:
S21:在Mask R-CNN实例分割网络模型的输入层中将子图像素固定到1024*1024,输入到ResNet网络中训练,并输出像素分别为128*128、64*64、32*32、16*16的四个特征图像;
S22:利用S21中输出的四个特征图像构建FPN网络的特征金字塔,并生成若干个的候选区域特征图像;
S23:利用ROI Align操作将候选区域特征图像转化为像素固定为7*7的特征图像;
S24:每个固定后的特征图像经过卷积网络处理后进行三个组合损失函数:边框损失函数、分类损失函数、分割损失函数计算,获得第一网络模型。
其中边框损失函数、分类损失函数、分割损失函数对于本领域技术人员来说是已知的,这里就不详细描述。
需要说明的是,通过边框损失函数、分类损失函数、分割损失函数计算loss值,找到loss值最低的参数,就得到了最优的第一网络模型。
优选的,S20中黄铁矿、干酪根和剩余矿物的特征包括亮度、轮廓、形状和颜色中的一种或多种。
优选的,所述S30的有监督训练学习过程为:
S31:将截取出来的黄铁矿、剩余矿物的图像像素的固定到224*224;并输入到以VGG网络为基础的卷积网络中,最后输出卷积网络中的最后一个卷积层;
S32:在卷积网络后的显著性提取网络的最后一个卷积层作为输入,通过两个全连接层后输出一个正方形区域,聚焦了黄铁矿和剩余矿物的区别特征;
S33:将输出的正方形区域与卷积层中对应区域的元素相乘后输入到全连接层中,最后连接Sigmoid函数计算,获得第二网络模型。
优选的,S30中黄铁矿和剩余矿物的区别特征包括轮廓、形状和颜色中的一种或多种。
优选的,S10中,黄铁矿标注为0,剩余矿物标注为1,干酪根标注为2。有监督训练学习时也会对该标注进行学习,对待识别图片进行识别的时,将待识别图片中识别出来的黄铁矿标注为0,剩余矿物标注为1,干酪根标注为2。所以标注并不一定为0、1、2,任何其他形式、其他数字的标注都是可行的,只要保证标注不同,能区分黄铁矿标、剩余矿物标注和干酪根即可。
优选的,S10中,使用Labelme标注工具对各个子图中的成分进行分割标注。
现结合附图对识别分类过程进行说明,如图1所示,将待识别图片输入第一网络模型,在Mask R-CNN实例分割网络模型的输入层中将待识别图片像素固定到1024*1024,输入到ResNet网络中训练,并输出像素分别为128*128、64*64、32*32、16*16的四个特征图像;利用像素分别为128*128、64*64、32*32、16*16的四个特征图像构建FPN网络的特征金字塔,并生成若干个的候选区域特征图像;利用ROI Align操作将候选区域特征图像转化为像素固定为7*7的特征图像;每个固定后的特征图像经过卷积网络处理后进行三个组合损失函数:边框损失函数、分类损失函数、分割损失函数计算,从而得到待识别图片中的成分,将黄铁矿标记为0,剩余矿物标记为1,干酪根标记为2;将待识别图片中标记的黄铁矿和剩余矿物单独截取出来(即每个或每簇黄铁矿为单独的一张图片,每个剩余矿物为单独的一张图片),将截取出来的黄铁矿、剩余矿物的图像像素的固定到224*224;并输入到以VGG网络为基础的卷积网络中,最后输出卷积网络中的最后一个卷积层;在卷积网络后的显著性提取网络的最后一个卷积层作为输入,通过两个全连接层后输出一个正方形区域,聚焦了黄铁矿和剩余矿物的区别特征;将输出的正方形区域与卷积层中对应区域的元素相乘后输入到全连接层中,最后连接Sigmoid函数计算,输出图像的分类结果,即得到二次分类黄铁矿和二次分类剩余矿物。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种矿物图像识别与分类方法,其特征在于,包括如下步骤:
S10:收集矿物图片,将矿物图片放大并切割成大小相等的子图;对各个子图中的黄铁矿、干酪根和剩余矿物进行分割标注,其中,所述剩余矿物为矿物图片中除去黄铁矿、干酪根的矿物;
S20:对S10中分割标注的黄铁矿、干酪根和剩余矿物的特征进行有监督训练学习,得到第一网络模型;
S30:将矿物图片中黄铁矿单独截取出来,对黄铁矿的特征再次进行有监督训练学习,得到第二网络模型;
S40:将待识别图片输入第一网络模型得到一次分类黄铁矿、一次分类干酪根和一次分类剩余矿物;将一次分类黄铁矿和一次分类剩余矿物分别单独截取出来并输入第二网络模型,得到二次分类黄铁矿和二次分类剩余矿物。
2.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:所述S20的有监督训练学习过程为:
S21:在Mask R-CNN实例分割网络模型的输入层中将子图像素固定到1024*1024,输入到ResNet网络中训练,并输出像素分别为128*128、64*64、32*32、16*16的四个特征图像;
S22:利用S21中输出的四个特征图像构建FPN网络的特征金字塔,并生成若干个的候选区域特征图像;
S23:利用ROI Align操作将候选区域特征图像转化为像素固定为7*7的特征图像;
S24:每个固定后的特征图像经过卷积网络处理后进行三个组合损失函数:边框损失函数、分类损失函数、分割损失函数计算,获得第一网络模型。
3.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:S20中黄铁矿、干酪根和剩余矿物的特征包括亮度、轮廓、形状和颜色中的一种或多种。
4.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:所述S30的有监督训练学习过程为:
S31:将截取出来的黄铁矿、剩余矿物的图像像素的固定到224*224;并输入到以VGG网络为基础的卷积网络中,最后输出卷积网络中的最后一个卷积层;
S32:在卷积网络后的显著性提取网络的最后一个卷积层作为输入,通过两个全连接层后输出一个正方形区域,聚焦了黄铁矿和剩余矿物的区别特征;
S33:将输出的正方形区域与卷积层中对应区域的元素相乘后输入到全连接层中,最后连接Sigmoid函数计算,获得第二网络模型。
5.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:S30中黄铁矿和剩余矿物的区别特征包括轮廓、形状和颜色中的一种或多种。
6.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:S10中,黄铁矿标注为0,剩余矿物标注为1,干酪根标注为2。
7.如权利要求1所述的一种矿物图像识别与分类方法,其特征在于:S10中,使用Labelme标注工具对各个子图中的成分进行分割标注。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054000.1A CN112183639B (zh) | 2020-09-30 | 2020-09-30 | 一种矿物图像识别与分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054000.1A CN112183639B (zh) | 2020-09-30 | 2020-09-30 | 一种矿物图像识别与分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183639A true CN112183639A (zh) | 2021-01-05 |
CN112183639B CN112183639B (zh) | 2022-04-19 |
Family
ID=73946650
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011054000.1A Active CN112183639B (zh) | 2020-09-30 | 2020-09-30 | 一种矿物图像识别与分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183639B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113095244A (zh) * | 2021-04-17 | 2021-07-09 | 武汉财源通网络科技有限公司 | 基于物联网和特征识别的矿物资源勘探多维度分析处理系统 |
CN113159112A (zh) * | 2021-03-09 | 2021-07-23 | 西南石油大学 | 一种古生物化石图像自动标注方法 |
CN115375680A (zh) * | 2022-10-24 | 2022-11-22 | 中国煤炭地质总局勘查研究总院 | 矿物智能识别方法、装置及存储介质 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN107292346A (zh) * | 2017-07-05 | 2017-10-24 | 四川大学 | 一种基于局部子空间学习的mr图像海马体分割算法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107622225A (zh) * | 2017-07-27 | 2018-01-23 | 成都信息工程大学 | 基于独立分量分析网络的人脸识别方法 |
CN108537147A (zh) * | 2018-03-22 | 2018-09-14 | 东华大学 | 一种基于深度学习的手势识别方法 |
CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
US20190279052A1 (en) * | 2014-12-15 | 2019-09-12 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
CN110363224A (zh) * | 2019-06-19 | 2019-10-22 | 创新奇智(北京)科技有限公司 | 一种基于图像的物体分类方法、系统及电子设备 |
CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其系统 |
US20200242382A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Deep learning model used for driving behavior recognition and training apparatus and method thereof |
CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
-
2020
- 2020-09-30 CN CN202011054000.1A patent/CN112183639B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20190279052A1 (en) * | 2014-12-15 | 2019-09-12 | Samsung Electronics Co., Ltd. | Image recognition method and apparatus, image verification method and apparatus, learning method and apparatus to recognize image, and learning method and apparatus to verify image |
CN105938558A (zh) * | 2015-03-06 | 2016-09-14 | 松下知识产权经营株式会社 | 学习方法 |
CN107292346A (zh) * | 2017-07-05 | 2017-10-24 | 四川大学 | 一种基于局部子空间学习的mr图像海马体分割算法 |
CN107403183A (zh) * | 2017-07-21 | 2017-11-28 | 桂林电子科技大学 | 整合目标检测和图像分割为一体的智能分割方法 |
CN107622225A (zh) * | 2017-07-27 | 2018-01-23 | 成都信息工程大学 | 基于独立分量分析网络的人脸识别方法 |
CN108537147A (zh) * | 2018-03-22 | 2018-09-14 | 东华大学 | 一种基于深度学习的手势识别方法 |
US20200242382A1 (en) * | 2019-01-25 | 2020-07-30 | Fujitsu Limited | Deep learning model used for driving behavior recognition and training apparatus and method thereof |
CN109800728A (zh) * | 2019-01-28 | 2019-05-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于深度学习的矿物质快速识别的方法 |
CN110363224A (zh) * | 2019-06-19 | 2019-10-22 | 创新奇智(北京)科技有限公司 | 一种基于图像的物体分类方法、系统及电子设备 |
CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其系统 |
CN111563553A (zh) * | 2020-05-08 | 2020-08-21 | 华北理工大学 | 一种基于pca-cnn分类识别的球团矿相预测碱度的方法 |
Non-Patent Citations (3)
Title |
---|
张野等: "基于岩石图像深度学习的岩性自动识别与分类方法", 《岩石学报》 * |
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》 * |
白林等: "基于VGG模型的岩石薄片图像识别", 《地质通报》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113159112A (zh) * | 2021-03-09 | 2021-07-23 | 西南石油大学 | 一种古生物化石图像自动标注方法 |
CN113095244A (zh) * | 2021-04-17 | 2021-07-09 | 武汉财源通网络科技有限公司 | 基于物联网和特征识别的矿物资源勘探多维度分析处理系统 |
CN113095244B (zh) * | 2021-04-17 | 2022-08-12 | 上海煤科信息科技有限公司 | 基于物联网和特征识别的矿物资源勘探多维度分析处理系统 |
CN115375680A (zh) * | 2022-10-24 | 2022-11-22 | 中国煤炭地质总局勘查研究总院 | 矿物智能识别方法、装置及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN112183639B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
CN112183639B (zh) | 一种矿物图像识别与分类方法 | |
CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
CN112037219B (zh) | 一种基于两阶段卷积神经网络的金属表面缺陷检测方法 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN110991439B (zh) | 一种基于像素级多特征联合分类的手写体字符的提取方法 | |
CN111368690A (zh) | 基于深度学习的海浪影响下视频图像船只检测方法及系统 | |
CN110956167B (zh) | 一种基于定位字符的分类判别强化分离的方法 | |
CN111126115A (zh) | 暴力分拣行为识别方法和装置 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN110838105A (zh) | 一种业务流程模型图像识别与再构方法 | |
CN110751154A (zh) | 一种基于像素级分割的复杂环境多形状文本检测方法 | |
CN112541491A (zh) | 基于图像字符区域感知的端到端文本检测及识别方法 | |
Verma et al. | Automatic container code recognition via spatial transformer networks and connected component region proposals | |
CN111368775A (zh) | 一种基于局部上下文感知的复杂场景密集目标检测方法 | |
CN115830359A (zh) | 复杂场景下基于目标检测和模板匹配的工件识别计数方法 | |
CN117437647B (zh) | 基于深度学习和计算机视觉的甲骨文字检测方法 | |
Chu et al. | Deep learning method to detect the road cracks and potholes for smart cities | |
CN117635553A (zh) | 一种基于人机混合策略的工业表面缺陷分割方法 | |
CN114078106A (zh) | 基于改进Faster R-CNN的疵点检测方法 | |
CN117372853A (zh) | 一种基于图像增强和注意力机制的水下目标检测算法 | |
CN112418207A (zh) | 一种基于自注意力蒸馏的弱监督文字检测方法 | |
CN112053407A (zh) | 一种交通执法影像中基于ai技术的车道线自动检测方法 | |
CN114638989A (zh) | 一种基于目标检测和细粒度识别的故障分类可视化方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |