CN112381131A - 岩石薄片识别的方法、装置、设备及存储介质 - Google Patents
岩石薄片识别的方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112381131A CN112381131A CN202011250539.4A CN202011250539A CN112381131A CN 112381131 A CN112381131 A CN 112381131A CN 202011250539 A CN202011250539 A CN 202011250539A CN 112381131 A CN112381131 A CN 112381131A
- Authority
- CN
- China
- Prior art keywords
- rock
- image data
- rock slice
- identification
- network
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 169
- 238000000034 method Methods 0.000 title claims abstract description 45
- 230000009466 transformation Effects 0.000 claims description 25
- 230000010339 dilation Effects 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 7
- 229910052500 inorganic mineral Inorganic materials 0.000 description 6
- 239000011707 mineral Substances 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011176 pooling Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 238000012935 Averaging Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及岩石薄片图像识别,公开了岩石薄片识别的方法、装置、设备及存储介质,该方法通过将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征,对未知类别岩石薄片图像的属性确定和鉴定名称识别提供了有效的方法。通过所述岩石的属性分类特征获得所述原始岩石薄片图像数据对应的鉴定名称,为实际岩石薄片图像分类识别提供了可行性高的方法。
Description
技术领域
本发明涉及岩石薄片图像识别领域,尤其涉及岩石薄片识别的方法、装置、设备及存储介质。
背景技术
岩性识别与分类是区域地质调查和矿产资源勘查中的核心工作内容。对于化学地质工作者来说,岩石矿物分析不仅是一项非常重要的工作内容,而且还是整个矿物质分析任务中的一项基础性工作。岩石中含有有用矿物并且具有开采价值一类称为矿石,所以以往对于岩石岩性的研究多数是对矿石岩性的研究,矿石的岩性分析是地质工作的重要内容,对矿物的开采具有指导性意义。在野外地质调查过程中,地质工作者会根据岩石的颜色、结构构造、矿物成分等辨识岩石的岩性,这需要有着一定经验的地质工作者才能完成这项工作。随着地质大数据时代的来临,采用深度学习等人工智能技术对岩石薄片的识别和鉴定成为了可能。然而在已有的研究中,没有将各大类岩石下的子类岩石综合在一起研究,没有结合提取到的各类属性对矿石的具体名称进行识别。
因此,如何对岩石的各类属性进行一个有效的分类,对未知类别的岩石图像属性以及名称进行有效的识别是亟待解决的技术问题。
上述内容仅用于辅助理解本发明的技术方案,并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供岩石薄片识别的方法、装置、设备及存储介质,旨在解决现有技术中没有将各大类岩石下的子类岩石综合在一起研究,没有结合提取到的各类属性对矿石的具体名称进行识别的技术问题。
为实现上述目的,本发明提供岩石薄片识别的方法、装置、设备及存储介质,包括以下步骤:
将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征;
根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
优选地,所述将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征之前,还包括:
获取待处理岩石薄片图像数据;
对所述待处理岩石薄片图像数据进行预处理,获得原始岩石薄片图像数据。
优选地,所述对原始岩石薄片图像数据进行预处理,包括:
通过差值算法对所述待处理岩石薄片图像数据插值补全,获得补全后的岩石薄片图像数据;
对所述补全后的岩石薄片图像数据进行去均值归一化,获得处理后的岩石薄片图像数据。
优选地,所述训练好的空间变换尺度拉伸网络包括:训练好的空间变换网络和训练好的Densenet121网络;其中,所述训练好的Densenet121网络中所有的3*3的卷积核为膨胀系数为2的膨胀卷积结构。
优选地,所述将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征,包括:
将所述原始岩石薄片图像数据输入所述训练好的空间变换网络进行图像裁剪,获得剪裁后岩石薄片图像数据;
将所述剪裁后岩石薄片图像数据和所述原始岩石薄片图像数据分别输入所述训练好的Densenet121网络进行相对应的属性特征提取,获得所述剪裁后岩石薄片图像数据的第一特征和所述原始岩石薄片图像数据的第二特征;
所述Densenet121网络中的全连接层将所述第一特征与所述第二特征进行特征融合,获得所述岩石的属性分类特征。
优选地,所述鉴定名称,包括:晶粒属性,机械成因属性,混入物属性,碎屑属性和基本类别属性。
此外,为实现上述目的,本发明还提出岩石薄片识别设备,所述岩石薄片识别设备包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的岩石薄片识别程序,所述岩石薄片识别程序配置为实现如上文所述的岩石薄片识别方法的步骤。
此外,为实现上述目的,本发明还提出一种存储介质,所述存储介质上存储有岩石薄片识别程序,所述岩石薄片识别程序被处理器执行时实现如上文所述的岩石薄片识别方法的步骤。
此外,为实现上述目的,本发明还提出岩石薄片识别的装置,包括:
特征提取模块,用于将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征;
鉴定模块,用于根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
本发明中,通过空间变换尺度拉伸网络识别岩石薄片图像,其中, Densenet121网络能够有效的利用网络中每一层的特征,空间变换网络能够提取岩石分类相关的注意区域使得岩石的属性特征在一定程度同时放大,膨胀卷积结构在增加感受野的同时保持特征图的尺寸不变,从而使得空间变换尺度拉伸网络对岩石的多类属性都获得了良好的分类效果,对未知类别岩石薄片图像的属性确定和鉴定名称识别提供了有效的方法。
本发明使用的空间变换尺度拉伸网络在训练的过程中使用了各大类岩石下的子类岩石,保证各类属性的训练样本充足,训练得到的模型可靠,为实际岩石薄片图像分类识别提供了可行性高的方法。
附图说明
图1为本发明实施例方案涉及的硬件运行环境的岩石薄片识别设备的结构示意图;
图2为本发明岩石薄片识别方法第一实施例的流程示意图;
图3为本发明岩石薄片识别方法第二实施例的流程示意图;
图4为本发明岩石薄片识别装置第一实施例的结构框图;
图5本发明空间变换尺度拉伸网络结构图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照图1,图1为本发明实施例方案涉及的硬件运行环境的岩石薄片识别设备结构示意图。
如图1所示,该岩石薄片识别设备可以包括:处理器1001,例如中央处理器(Central Processing Unit,CPU),通信总线1002、用户接口1003,网络接口1004,存储器1005。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display),可选用户接口1003 还可以包括标准的有线接口、无线接口,对于用户接口1003的有线接口在本发明中可为USB接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity,WI-FI)接口)。存储器1005可以是高速的随机存取存储器(Random Access Memory,RAM),也可以是稳定的存储器(Non-volatileMemory,NVM),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解,图1中示出的结构并不构成对岩石薄片识别设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及岩石薄片识别程序。
在图1所示的岩石薄片识别设备中,网络接口1004主要用于连接后台服务器,与所述后台服务器进行数据通信;用户接口1003主要用于连接用户设备;所述岩石薄片识别设备通过处理器1001调用存储器1005中存储的岩石薄片识别程序,并执行本发明实施例提供的岩石薄片识别方法。
基于上述硬件结构,提出本发明岩石薄片识别方法的实施例。
参照图2,图2为本发明岩石薄片识别方法第一实施例的流程示意图,提出本发明岩石薄片识别方法第一实施例。
在第一实施例中,所述岩石薄片识别的方法包括以下步骤:
步骤S10:将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征。
应理解的是,本实施例的执行主体是所述岩石薄片识别设备,其中,所述岩石薄片识别设备可为个人电脑或服务器等电子设备,本实施例对此不加以限制。
步骤S20:根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
进一步地,所述鉴定名称,包括:晶粒属性,机械成因属性,混入物属性,碎屑属性和基本类别属性。
在具体实现中,根据提取到的岩石的各种特征,结合岩石的命名规则,确定岩石的鉴定名称。岩石的鉴定名称由五类属性结合确定,按照顺序分别是晶粒属性,机械成因属性,混入物属性,碎屑属性和基本类别属性。
参照图3,图3为本发明岩石薄片识别方法第二实施例的流程示意图,基于上述图2所示的第一实施例,提出本发明岩石薄片识别方法的第二实施例。
在第二实施例中,所述步骤S10之前,还包括步骤S00:
获取待处理岩石薄片图像数据;
对所述待处理岩石薄片图像数据进行预处理,获得原始岩石薄片图像数据,具体为:
步骤S001:通过差值算法对所述待处理岩石薄片图像进行数据插值补全,获得补全后的岩石薄片图像数据;
在具体实现中,获取需要分类识别的原始岩石薄片图像的像素,如若图像大小与网络的输入大小不一致(网络输入大小为512*512*3像素),利用最邻近插值算法对原始岩石薄片图像数据进行插值补全。
步骤S002:对所述补全后的岩石薄片图像数据进行去均值归一化,获得原始岩石薄片图像数据。
在具体实现中,对补全后的岩石薄片图像数据进行去均值归一化,消除图像公共的部分,以凸显图像个体之间的特征和差异,获得处理后的岩石薄片图像数据。
进一步地,所述步骤S10包括:
步骤S101:将所述原始岩石薄片图像数据输入所述训练好的空间变换网络进行图像裁剪,获得剪裁后岩石薄片图像数据;
在具体实现中,将原始岩石薄片图像数据输入至训练好的空间变换网络里面进行图像裁剪,裁剪出与分类属性相关的特征区域,空间变换网络对图像做的变换不仅仅是仿射变换,而且是一个裁剪变换,而且裁剪的是原图像 80%区域的空间,空间变换网络只训练平移的参数,裁剪变换的公式如下:
其中,x和y为原图像某一像素点的坐标,x'和y'为对应的裁剪后图像像素点的坐标,设置合适的裁剪尺度参数s,取消旋转变换将两个旋转参数设置为0,空间变换网络只训练两个平移参数tx和ty。
步骤S102:将所述剪裁后岩石薄片图像数据和所述原始岩石薄片图像数据分别输入所述训练好的Densenet121网络进行相对应的属性特征提取,获得所述剪裁后岩石薄片图像数据的第一特征和所述原始岩石薄片图像数据的第二特征;
请参考图5,在具体实现中,所述训练好的空间变换尺度拉伸网络包括:训练好的空间变换网络和训练好的Densenet121网络,其中input image为输入图像,Conv为卷积层,GAP2D为全局平均池化层,BN为归一化层,FC 为全连接层,Lambda为函数层,Localisationne为空间变换网络的本地化网络,crop为图像裁剪变换,transformed image为裁剪后的图像, Densenet121(dilation_rate=2)为膨胀卷积系数为2的Densenet121网络,Average为特征平均层。
所述训练好的Densenet121网络中所有的3*3的卷积核均使用膨胀系数为 2的膨胀卷积结构,在增加感受野的同时保持特征图的尺寸不变。
请参考表一,所述Densenet121网络的结构为:Convolution层、Pooling 层、DebseBlock(1)层、Transition Layer(1)层、Dense Block(2)层、Transition Layer(2)层、DenseBlock(3)层、Transition Layer(3)层、Dense Block(4)层和 Classification Layer层顺序连接;
其中,Pooling层、Debse Block(1)层、Dense Block(2)层、Dense Block(3) 层和Dense Block(4)层为3*3的卷积核;全连接层在Classification Layer层中。
表一
步骤S103:所述Densenet121网络中的全连接层将所述第一特征与所述第二特征进行特征融合,获得岩石的属性分类特征。
在具体实现中,在全连接层中将提取得到的原始岩石薄片图像数据的特征和剪裁后岩石薄片图像数据的特征做特征融合,得到岩石的属性分类特征并确定相对应的属性类别,为了使图像的特征融合的效果更好,经过多次调试使用了特征平均的策略,即原图像的特征权重核裁剪后的图像的特征权重各占50%。
此外,本发明实施例还提出一种存储介质,所述存储介质上存储有岩石薄片识别程序,所述岩石薄片识别程序被处理器执行时实现如上文所述的岩石薄片识别方法的步骤。
此外,参照图4,本发明实施例还提出岩石薄片识别装置,所述岩石薄片识别装置包括:
特征提取模块10,用于将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征;
鉴定模块20,用于根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
此外,参照表二,采用训练好的模型在测试集上的精度对模型的有效性进行评价;其中岩石晶粒属性的测试精度为87.14%,岩石基本类别的测试精度为91.48%,混入物属性测试精度为92.32%,碎屑粒级属性测试精度为92.42%,机械成因属性测试精度为96.50%,各属性的测试精度效果均在85%以上,效果较好。
表二
本发明基于空间变换尺度拉伸网络,提出了用户岩石薄片图像分类识别的深度学习模型;使得网络模型可以充分学习并挖掘岩石薄片图像的各类属性特征,对多类岩石薄片图像属性特征进行良好有效的分类,并能结合分类的特征对岩石薄片图像进行鉴定名称的识别,为地质大数据的图像分类与识别提供了有效的方法。
本发明所述岩石薄片识别装置的其他实施例或具体实现方式可参照上述各方法实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。在列举了若干装置的单元权利要求中,这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序,可将这些词语解释为标识。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质(如只读存储器镜像(Read Only Memory image,ROM)/随机存取存储器(Random AccessMemory,RAM)、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.岩石薄片识别的方法,其特征在于,包括以下步骤:
将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征;
根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
2.根据权利要求1所述的岩石薄片识别的方法,其特征在于,所述将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征之前,还包括:
获取待处理岩石薄片图像数据;
对所述待处理岩石薄片图像数据进行预处理,获得原始岩石薄片图像数据。
3.根据权利要求2所述的岩石薄片识别的方法,其特征在于,所述对所述待处理岩石薄片图像数据进行预处理,获得原始岩石薄片图像数据,包括:
通过差值算法对所述待处理岩石薄片图像进行数据插值补全,获得补全后的岩石薄片图像数据;
对所述补全后的岩石薄片图像数据进行去均值归一化,获得原始岩石薄片图像数据。
4.根据权利要求1所述的岩石薄片识别的方法,其特征在于,所述训练好的空间变换尺度拉伸网络包括:训练好的空间变换网络和训练好的Densenet121网络;其中,所述训练好的Densenet121网络中3*3的卷积核为膨胀系数为2的膨胀卷积结构。
5.根据权利要求4所述的岩石薄片识别的方法,其特征在于,所述将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征,包括:
将所述原始岩石薄片图像数据输入所述训练好的空间变换网络进行图像裁剪,获得剪裁后岩石薄片图像数据;
将所述剪裁后岩石薄片图像数据和所述原始岩石薄片图像数据分别输入所述训练好的Densenet121网络进行相对应的属性特征提取,获得所述剪裁后岩石薄片图像数据的第一特征和所述原始岩石薄片图像数据的第二特征;
所述Densenet121网络中的全连接层将所述第一特征与所述第二特征进行特征融合,获得岩石的属性分类特征。
6.根据权利要求1~5中任一项所述的岩石薄片识别的方法,其特征在于,所述鉴定名称包括:晶粒属性,机械成因属性,混入物属性,碎屑属性和基本类别属性。
7.岩石薄片识别的装置,其特征在于,所述岩石薄片识别的装置包括:
特征提取模块,用于将所述原始岩石薄片图像数据输入训练好的空间变换尺度拉伸网络,获得岩石的属性分类特征;
鉴定模块,根据所述岩石的属性分类特征选取与所述原始岩石薄片图像数据对应的鉴定名称。
8.岩石薄片识别的软件负载设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的岩石薄片识别程序,所述岩石薄片识别程序被所述处理器执行时实现如权利要求1至6中任一项所述的岩石薄片识别方法的步骤。
9.一种存储介质,其特征在于,所述存储介质上存储有岩石薄片识别程序,所述岩石薄片识别程序被处理器执行时实现如权利要求1至6中任一项所述的岩石薄片识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250539.4A CN112381131A (zh) | 2020-11-10 | 2020-11-10 | 岩石薄片识别的方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011250539.4A CN112381131A (zh) | 2020-11-10 | 2020-11-10 | 岩石薄片识别的方法、装置、设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112381131A true CN112381131A (zh) | 2021-02-19 |
Family
ID=74579505
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011250539.4A Pending CN112381131A (zh) | 2020-11-10 | 2020-11-10 | 岩石薄片识别的方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112381131A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801213A (zh) * | 2021-03-09 | 2021-05-14 | 成都理工大学 | 一种基于人工智能的岩石岩性快速分类识别方法和装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779055A (zh) * | 2017-01-10 | 2017-05-31 | 北京邮电大学 | 图像特征提取方法和装置 |
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 |
CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 山东大学 | 偏光显微镜下岩石图像智能识别系统及方法 |
-
2020
- 2020-11-10 CN CN202011250539.4A patent/CN112381131A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106779055A (zh) * | 2017-01-10 | 2017-05-31 | 北京邮电大学 | 图像特征提取方法和装置 |
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 |
CN108717569A (zh) * | 2018-05-16 | 2018-10-30 | 中国人民解放军陆军工程大学 | 一种膨胀全卷积神经网络及其构建方法 |
CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 山东大学 | 偏光显微镜下岩石图像智能识别系统及方法 |
Non-Patent Citations (3)
Title |
---|
SHUN TONG ET AL.: "Remote Sensing Scene Classification Using Spatial Transformer Fusion Network", 《IGARSS 2020 - 2020 IEEE INTERNATIONAL GEOSCIENCE AND REMOTE SENSING SYMPOSIUM》 * |
吴昊昊等: "多尺度膨胀卷积在图像分类中的应用", 《计算机科学》 * |
程广涛等: "基于膨胀卷积和稠密连接的烟雾识别方法", 《计算机工程》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801213A (zh) * | 2021-03-09 | 2021-05-14 | 成都理工大学 | 一种基于人工智能的岩石岩性快速分类识别方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6843086B2 (ja) | 画像処理システム、画像においてマルチラベル意味エッジ検出を行う方法、および、非一時的コンピューター可読記憶媒体 | |
CN108229488B (zh) | 用于检测物体关键点的方法、装置及电子设备 | |
CN112580439B (zh) | 小样本条件下的大幅面遥感图像舰船目标检测方法及系统 | |
US9349076B1 (en) | Template-based target object detection in an image | |
CN110910343A (zh) | 路面裂缝检测的方法、装置及计算机设备 | |
CN111428807A (zh) | 图像处理方法及计算机可读存储介质 | |
CN107784288A (zh) | 一种基于深度神经网络的迭代定位式人脸检测方法 | |
CN111292377B (zh) | 目标检测方法、装置、计算机设备和存储介质 | |
CN106068537A (zh) | 用于处理图像的方法和设备 | |
CN112070079B (zh) | 基于特征图重赋权的x光违禁品包裹检测方法及装置 | |
CN111507288A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN112381131A (zh) | 岩石薄片识别的方法、装置、设备及存储介质 | |
Kim et al. | m CLOVER: mobile content-based leaf image retrieval system | |
CN112800851B (zh) | 基于全卷积神经元网络的水体轮廓自动提取方法及系统 | |
CN115661810A (zh) | 安检ct目标物识别方法和装置 | |
CN113743346A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
CN112102338A (zh) | 基于深度学习的影像样本数据的获取方法及装置 | |
CN117036948A (zh) | 一种基于注意力机制的致敏植物识别方法 | |
CN111881996A (zh) | 目标检测方法、计算机设备和存储介质 | |
CN113570001B (zh) | 分类识别定位方法、装置、设备及计算机可读存储介质 | |
CN115424153A (zh) | 目标检测方法、装置、设备及存储介质 | |
KR101768913B1 (ko) | 지리 정보 데이터 분할 방법, 분할 장치 및 이를 수행하는 프로그램을 기록하는 기록매체 | |
CN105160333B (zh) | 一种车型识别方法及识别装置 | |
CN112819885A (zh) | 基于深度学习的动物识别方法、装置、设备及存储介质 | |
CN112330652A (zh) | 基于深度学习的染色体识别方法、装置和计算机设备 |
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 |
Application publication date: 20210219 |
|
RJ01 | Rejection of invention patent application after publication |