CN112749678A - 模型训练、矿产预测方法、装置、设备以及存储介质 - Google Patents

模型训练、矿产预测方法、装置、设备以及存储介质 Download PDF

Info

Publication number
CN112749678A
CN112749678A CN202110090431.1A CN202110090431A CN112749678A CN 112749678 A CN112749678 A CN 112749678A CN 202110090431 A CN202110090431 A CN 202110090431A CN 112749678 A CN112749678 A CN 112749678A
Authority
CN
China
Prior art keywords
mineral
hyperspectral image
pixel point
determining
target
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
Application number
CN202110090431.1A
Other languages
English (en)
Inventor
贾壮
龙翔
郑弘晖
彭岩
冯原
张滨
王晓迪
苑鹏程
辛颖
韩树民
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Baidu Netcom Science and Technology Co Ltd
Original Assignee
Beijing Baidu Netcom Science and Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Baidu Netcom Science and Technology Co Ltd filed Critical Beijing Baidu Netcom Science and Technology Co Ltd
Priority to CN202110090431.1A priority Critical patent/CN112749678A/zh
Publication of CN112749678A publication Critical patent/CN112749678A/zh
Priority to EP21189563.6A priority patent/EP3901825A3/en
Priority to US17/444,427 priority patent/US20210365738A1/en
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • 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
    • G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
    • 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
    • G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
    • G06F18/2193—Validation; Performance evaluation; Active pattern learning techniques based on specific statistical tests
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Medical Informatics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Remote Sensing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Astronomy & Astrophysics (AREA)
  • Mining & Mineral Resources (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Animal Husbandry (AREA)
  • Agronomy & Crop Science (AREA)
  • Primary Health Care (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Mathematical Physics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)

Abstract

本申请公开了模型训练、矿产预测方法、装置、设备以及存储介质，涉及计算机视觉、深度学习技术领域。具体实现方案为：获取目标区域的目标高光谱图像，目标高光谱图像包括至少一个已标注矿产类别的像素点；确定与目标高光谱图像对应的掩膜图像；根据目标高光谱图像以及掩膜图像，确定样本高光谱图像；根据至少一个已标注矿产类别的像素点，确定各像素点的标注向量；根据样本高光谱图像以及各像素点的标注向量，训练模型。本实现方式可以提高矿产探测的效率，保证模型的预测结果的空间连续性。

Description

模型训练、矿产预测方法、装置、设备以及存储介质
技术领域
本申请涉及计算机技术领域，具体涉及计算机视觉、深度学习技术领域，尤其涉及模型训练、矿产预测方法、装置、设备以及存储介质。
背景技术
矿产勘探在国民经济和工业化发展中占有重要地位。矿产勘探的目的在于通过对一定区域内的地质类型和属性进行调查，从而探明矿产的质量和分布情况。
高光谱影像具有覆盖范围广、非接触式测量、安全性高、成本低等优点。由于含有不同元素比例的矿物和岩石在电磁波谱中可以表现出不同的特性，因此高光谱影像对浅层地矿的种类、分布和量级的研判具有指导性。人们可以利用高光谱影像，结合少量人工勘察的实际样本，利用机器学习和深度学习的方法，对较大范围内的地表浅层矿产的种类和分布进行预测和估算，从而减少人工勘探成本，提高勘探效率。
发明内容
提供了一种模型训练、矿产预测方法、装置、设备以及存储介质。
根据第一方面，提供了一种模型训练方法，包括：获取目标区域的目标高光谱图像，目标高光谱图像包括至少一个已标注矿产类别的像素点；确定与目标高光谱图像对应的掩膜图像；根据目标高光谱图像以及掩膜图像，确定样本高光谱图像；根据至少一个已标注矿产类别的像素点，确定各像素点的标注向量；根据样本高光谱图像以及各像素点的标注向量，训练模型。
根据第二方面，提供了一种矿产预测方法，包括：获取待预测区域的待预测高光谱图像；根据待预测高光谱图像以及通过第一方面所描述的方法训练得到的模型，预测待预测区域中包括的矿产类别。
根据第三方面，提供了一种模型训练装置，包括：第一获取单元，被配置成获取目标区域的目标高光谱图像，目标高光谱图像包括至少一个已标注矿产类别的像素点；掩膜确定单元，被配置成确定与目标高光谱图像对应的掩膜图像；样本确定单元，被配置成根据目标高光谱图像以及掩膜图像，确定样本高光谱图像；向量确定单元，被配置成根据至少一个已标注矿产类别的像素点，确定各像素点的标注向量；模型训练单元，被配置成根据样本高光谱图像以及各像素点的标注向量，训练模型。
根据第四方面，提供了一种矿产预测装置，包括：第二获取单元，被配置成获取待预测区域的待预测高光谱图像；矿产预测单元，被配置成根据待预测高光谱图像以及通过第一方面所描述的方法训练得到的模型，预测待预测区域中包括的矿产类别。
根据第五方面，提供了一种用于执行模型训练方法的电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第一方面所描述的方法。
根据第六方面，提供了一种用于执行矿产预测方法的电子设备，包括：至少一个处理器；以及与上述至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，上述指令被至少一个处理器执行，以使至少一个处理器能够执行如第二方面所描述的方法。
根据第七方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，上述计算机指令用于使计算机执行如第一方面或第二方面所描述的方法。
根据第八方面，一种计算机程序产品，包括计算机程序，上述计算机程序在被处理器执行时实现如第一方面或第二方面所描述的方法。
根据本申请的技术提供了一种利用深度学习技术的矿产预测方法，提高了矿产探测的效率，保证了模型的预测结果的空间连续性。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
附图用于更好地理解本方案，不构成对本申请的限定。其中：
图1是本申请的一个实施例可以应用于其中的示例性系统架构图；
图2是根据本申请的模型训练方法的一个实施例的流程图；
图3是根据本申请的模型训练方法的另一个实施例的流程图；
图4是根据本申请的矿产预测方法的一个实施例的流程图；
图5是根据本申请的模型训练方法以及矿产预测方法的一个应用场景的示意图；
图6是根据本申请的模型训练装置的一个实施例的结构示意图；
图7是根据本申请的矿产预测装置的一个实施例的结构示意图；
图8是用来实现本申请实施例的模型训练方法或矿产预测方法的电子设备的框图。
具体实施方式
以下结合附图对本申请的示范性实施例做出说明，其中包括本申请实施例的各种细节以助于理解，应当将它们认为仅仅是示范性的。因此，本领域普通技术人员应当认识到，可以对这里描述的实施例做出各种改变和修改，而不会背离本申请的范围和精神。同样，为了清楚和简明，以下的描述中省略了对公知功能和结构的描述。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
图1示出了可以应用本申请的模型训练方法、矿产预测方法、模型训练装置或矿产预测装置的实施例的示例性系统架构100。
如图1所示，系统架构100可以包括图像采集设备101，网络102，终端设备103和服务器104。图像采集设备101用于采集目标区域的高光谱图像，并将所采集的高光谱图像通过网络102发送给终端设备103或服务器104。网络102用以在图像采集设备101和终端设备103、服务器104之间提供通信链路的介质。网络102可以包括各种连接类型，例如有线、无线通信链路或者光纤电缆等等。
用户可以使用终端设备103对图像采集设备101采集的高光谱图像进行处理，得到训练好的模型或者矿产预测结果。终端设备103上可以安装有各种通讯客户端应用，例如图像处理类应用等。
终端设备103可以是硬件，也可以是软件。当终端设备103为硬件时，可以是各种电子设备，包括但不限于膝上型便携计算机和台式计算机等等。当终端设备103为软件时，可以安装在上述所列举的电子设备中。其可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
服务器104可以是提供各种服务的服务器，例如对终端设备103提供矿产预测模型的后台服务器。后台服务器可以利用训练样本对模型进行训练，得到矿产预测模型，并将目标语言模型反馈给终端设备103。
需要说明的是，服务器104可以是硬件，也可以是软件。当服务器104为硬件时，可以实现成多个服务器组成的分布式服务器集群，也可以实现成单个服务器。当服务器104为软件时，可以实现成多个软件或软件模块(例如用来提供分布式服务)，也可以实现成单个软件或软件模块。在此不做具体限定。
需要说明的是，本申请实施例所提供的模型训练方法可以由终端设备103或服务器104执行，矿产预测方法也可以由终端设备103或服务器104执行。相应地，模型训练装置、矿产预测装置可以设置于服务器104中。
应该理解，图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要，可以具有任意数目的终端设备、网络和服务器。
继续参考图2，示出了根据本申请的模型训练方法的一个实施例的流程200。本实施例的模型训练方法，包括以下步骤：
步骤201，获取目标区域的样本高光谱图像。
本实施例中，模型训练方法的执行主体(例如图1所示的终端设备103或服务器104)可以通过各种方式获取目标区域的样本高光谱图像。样本高光谱图像可以通过各种方式由图像采集装置采集得到。例如，可以通过无人机携带图像采集装置采集得到。目标区域可以是待勘测的各种区域，例如某个山区。样本高光谱图像中包括多个像素点，其中至少一个像素点已标注矿产类别。矿产类别可以是各种已探明的矿产类别，矿产类别可以采用对应的标识表示。
步骤202，确定与目标高光谱图像对应的掩膜图像。
执行主体在确定目标高光谱图像后，可以确定对应的掩膜图像。上述掩膜图像的尺寸可以与目标高光谱图像的尺寸相同。掩膜图像中可以包括像素值为0或1的像素点。具体的，执行主体可以从上述至少一个已标注矿产类别的像素点中选取多个像素点，将掩膜图像中与这些所选取的像素点对应的像素点的像素值设为1。
步骤203，根据目标高光谱图像以及掩膜图像，确定样本高光谱图像。
执行主体可以将目标高光谱图像与掩膜图像进行叠加，得到样本高光谱图像。可以理解的是，样本高光谱图像中的各像素点都已标注矿产类别。
步骤204，根据至少一个已标注矿产类别的像素点，确定各像素点的标注向量。
执行主体可以根据各已标注矿产类别的像素点，确定各像素点的标注向量。标注向量中可以包括多个值，每个值对应不同的矿产类别。对于每个像素点，如果该像素点的矿产类别已标注，则可以在标注向量中用“1”来表示。举例来说，标注向量包括3个值，(1，0，0)表示矿产类别为类别1，(0，1，0)表示矿产类别为类别2，(0，0，1)表示矿产类别为类别3。或者，执行主体可以对各像素点的位置和该像素点的已标注矿产类别进行各种运算，确定标注向量。
步骤205，根据样本高光谱图像以及各像素点的标注向量，训练模型。
执行主体可以利用样本高光谱图像以及各像素点的标注向量进行模型训练。具体的，执行主体可以将样本高光谱图像作为初始模型的输入，将初始模型的输出与各像素点的标注向量进行比较。根据比较结果，对初始模型的参数进行迭代更新，实现模型的训练。
本申请的上述实施例提供的模型训练方法，可以利用单张样本高光谱图像以及该图像中的各像素点的标注情况，对模型进行训练，从而减少了模型训练所需的图像量，提高了模型训练效率。另外，由于训练模型所用的各像素点均来自于同一区域，即各像素点之间具有空间连续性，这样也保证了模型的预测结果的空间连续性。
参见图3，其示出了根据本申请的模型训练方法的另一个实施例的流程300。如图3所示，本实施例的方法可以包括以下步骤：
步骤301，获取目标区域的初始高光谱图像；在目标区域中选取至少一个关键点以及确定上述至少一个关键点的矿产类别；根据上述至少一个关键点对应的实际位置，确定上述至少一个关键点在初始高光谱图像中对应的至少一个像素点；根据上述至少一个关键点的矿产类别，确定上述至少一个像素点的已标注矿产类别，得到目标高光谱图像。
本实施例中，执行主体可以首先获取目标区域的初始高光谱图像。初始高光谱图像可以指图像采集装置采集的、未进行任何处理的高光谱图像。执行主体可以在目标区域中选取至少一个关键点。上述关键点可以是目标区域中分散的点，上述分散的点可以是地势较为平坦的地方。或者，执行主体可以从初始高光谱图像中均匀地选取多个点作为关键点。在确定关键点后，执行主体将各关键点发送给技术人员，技术人员可以实地勘测上述关键点的矿产类别。然后，执行主体可以根据上述至少一个关键点对应的实际位置，确定上述至少一个关键点在初始高光谱图像中对应的至少一个像素点。具体的，执行主体可以利用图像采集装置的外参，确定大地坐标系到图像坐标系的转换矩阵，从而得到各关键点在初始高光谱图像中对应的至少一个像素点。对于每个关键点，执行主体可以该关键点的矿产类别作为对应的像素点的标注矿产类别。
步骤302，根据目标高光谱图像中已标注矿产类别的像素点以及未标注矿产类别的像素点，确定掩膜图像。
已标注矿产类别的像素点对应的像素值可以为1，未标注矿产类别的像素点对应的像素值可以为0。
步骤303，根据目标高光谱图像以及掩膜图像，确定样本高光谱图像。
步骤304，根据各像素点的已标注矿产类别的数量，确定标注向量的长度；对于每个像素点，根据该像素点的已标注矿产类别，确定该像素点的标注向量。
执行主体在确定各像素点的已标注矿产类别后，可以对已标注矿产类别的数量进行统计。将上述数量作为标注向量的长度。对于每个像素点，根据该像素点的已标注矿产类别，确定该像素点的标注向量。举例来说，标注向量包括3个值，(1，0，0)表示矿产类别为类别1，(0，1，0)表示矿产类别为类别2，(0，0，1)表示矿产类别为类别3。
步骤305，将样本高光谱图像作为输入，确定各像素点的预测向量；根据各像素点的预测向量以及标注向量，确定损失函数值，根据损失函数值迭代训练模型。
执行主体可以将样本高光谱图像作为输入，将模型的输出作为各像素点矿产预测向量。然后，根据各像素点的预测向量以及标注向量，确定损失函数值。具体的，执行主体可以将各像素点的预测向量以及标注向量，代入损失函数的计算公式，得到损失函数值。上述损失函数可以是交叉熵损失函数，可以表示为Loss_CE＝CrossEntropy(mask o P,Y)，其中，mask表示掩膜图像，o表示阿达马乘，P表示预测向量，Y表示标注向量。如果损失函数值大于预设阈值，则更新模型的参数，继续训练。如果损失函数值小于预设阈值，说明模型的准确度较高，可以停止训练模型。
在本实施例的一些可选的实现方式中，可以在损失函数中增加正则项，以避免过拟合，使得空间相近的预测为同一类别的概率尽量接近。正则项可以包括但不限于拉普拉斯(laplacian)正则、TV正则等等。
本申请的上述实施例提供的模型训练方法，可以利用目标区域中多个关键点的已标注矿产类别，对模型进行训练，从而减少了训练模型的工作量。
图4示出了本申请的矿产预测方法的一个实施例的流程400。如图4所示，本实施例的矿产预测方法可以包括以下步骤：
步骤401，获取待预测区域的待预测高光谱图像。
本实施例中，执行主体可以获取待预测区域的待预测高光谱图像。待预测高光谱图像的尺寸可以与图2或图3所示实施例中的样本高光谱图像的尺寸相同。待预测区域可以是目标区域，也可以是其它区域。
步骤402，根据待预测高光谱图像以及通过模型训练方法训练得到的模型，预测待预测区域中包括的矿产类别。
执行主体可以将待预测高光谱图像输入到利用图2或图3所示的实施例训练得到的模型中，得到的输出即为针对待预测区域中矿产类别的预测结果。
在本实施例的一些可选的实现方式中，执行主体可以将同一矿产类别的区域进行统计，得到统计结果显示给用户。
本申请的上述实施例提供的矿产预测方法，可以利用训练好的模型进行矿产预测，提高了矿产预测的效率。
继续参见图5，其示出了根据本申请的模型训练方法以及矿产预测方法的一个应用场景的示意图。在图5的应用场景中，无人机501携带照相机采集到目标区域的高光谱图像，并将上述高光谱图像发送给技术人员。技术人员从上述高光谱图像中选取出多个关键点，并实地探测上述多个关键点的矿产类别，并在上述高光谱图像中标注上述多个关键点对应的像素点的矿产类别，得到目标高光谱图像。将上述目标高光谱图像输入终端502，终端502确定目标高光谱图像中各像素点的标注向量。根据上述已标注矿产类别的像素点，得到掩膜图像。将掩膜图像与目标高光谱图像叠加，得到样本高光谱图像。利用样本高光谱图像以及各标注向量进行模型训练，得到矿产预测模型。技术人员可以将待预测区域的待预测高光谱图像输入到上述矿产预测模型中，得到待预测区域的矿产类别。
进一步参考图6，作为对上述各图所示方法的实现，本申请提供了一种模型训练装置的一个实施例，该装置实施例与图2所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图6所示，本实施例的模型训练装置600包括：第一获取单元601、掩膜确定单元602、样本确定单元603、向量确定单元604和模型训练单元605。
第一获取单元601，被配置成获取目标区域的目标高光谱图像。目标高光谱图像包括至少一个已标注矿产类别的像素点。
掩膜确定单元602，被配置成确定与目标高光谱图像对应的掩膜图像；
样本确定单元603，被配置成根据目标高光谱图像以及掩膜图像，确定样本高光谱图像；
向量确定单元604，被配置成根据至少一个已标注矿产类别的像素点，确定各像素点的标注向量；
模型训练单元605，被配置成根据样本高光谱图像以及各像素点的标注向量，训练模型。
在本实施例的一些可选的实现方式中，掩膜确定单元602可以进一步被配置成：根据目标高光谱图像中已标注矿产类别的像素点以及未标注矿产类别的像素点，确定掩膜图像。
在本实施例的一些可选的实现方式中，向量确定单元604进一步被配置成：根据各像素点的已标注矿产类别的数量，确定标注向量的长度；对于每个像素点，根据该像素点的已标注矿产类别，确定该像素点的标注向量。
在本实施例的一些可选的实现方式中，模型训练单元605可以进一步被配置成：将样本高光谱图像作为输入，确定各像素点的预测向量；根据各像素点的预测向量以及标注向量，确定损失函数值，根据损失函数值迭代训练模型。
在本实施例的一些可选的实现方式中，第一获取单元601可以进一步被配置成：获取目标区域的初始高光谱图像；在目标区域中选取至少一个关键点以及确定至少一个关键点的矿产类别；根据至少一个关键点对应的实际位置，确定至少一个关键点在初始高光谱图像中对应的至少一个像素点；根据至少一个关键点的矿产类别，确定至少一个像素点的已标注矿产类别，得到目标高光谱图像。
应当理解，模型训练装置600中记载的单元601至单元605分别与参考图2中描述的方法中的各个步骤相对应。由此，上文针对用于输出信息的方法描述的操作和特征同样适用于装置600及其中包含的单元，在此不再赘述。
进一步参考图7，作为对上述各图所示方法的实现，本申请提供了一种矿产预测装置的一个实施例，该装置实施例与图4所示的方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图7所示，本实施例的模型训练装置700包括：第二获取单元701和矿产预测单元702。
第二获取单元701，被配置成获取待预测区域的待预测高光谱图像。
矿产预测单元702，被配置成根据待预测高光谱图像以及通过图2或图3所示的实施例训练得到的模型，预测待预测区域中包括的矿产类别。
应当理解，矿产预测装置700中记载的单元701至单元705分别与参考图4中描述的方法中的各个步骤相对应。由此，上文针对用于输出信息的方法描述的操作和特征同样适用于装置700及其中包含的单元，在此不再赘述。
根据本申请的实施例，本申请还提供了还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图8示出了根据本申请实施例的执行模型训练方法或矿产预测方法的电子设备800的框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本申请的实现。
如图8所示，设备800包括处理器801，其可以根据存储在只读存储器(ROM)802中的计算机程序或者从存储器808加载到随机访问存储器(RAM)803中的计算机程序，来执行各种适当的动作和处理。在RAM 803中，还可存储设备800操作所需的各种程序和数据。处理器801、ROM 802以及RAM 803通过总线804彼此相连。I/O接口(输入/输出接口)805也连接至总线804。
设备800中的多个部件连接至I/O接口805，包括：输入单元806，例如键盘、鼠标等；输出单元807，例如各种类型的显示器、扬声器等；存储器808，例如磁盘、光盘等；以及通信单元809，例如网卡、调制解调器、无线通信收发机等。通信单元809允许设备800通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器801可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器801的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器801执行上文所描述的各个方法和处理，例如用于输出信息的方法。例如，在一些实施例中，用于输出信息的方法可被实现为计算机软件程序，其被有形地包含于机器可读存储介质，例如存储器808。在一些实施例中，计算机程序的部分或者全部可以经由ROM 802和/或通信单元809而被载入和/或安装到电子设备800上。当计算机程序加载到RAM 803并由处理器801执行时，可以执行上文描述的用于输出信息的方法的一个或多个步骤。备选地，在其他实施例中，处理器801可以通过其他任何适当的方式(例如，借助于固件)而被配置为执行用于输出信息的方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本申请的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。上述程序代码可以封装成计算机程序产品。这些程序代码或计算机程序产品可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器801执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本申请的上下文中，机器可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读存储介质可以是机器可读信号存储介质或机器可读存储介质。机器可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学存储设备、磁存储设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务(“Virtual Private Server”，或简称“VPS”)中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本申请中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本申请的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本申请保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本申请的精神和原则之内所作的修改、等同替换和改进等，均应包含在本申请的保护范围之内。

Claims (16)

1.一种模型训练方法，包括：
获取目标区域的目标高光谱图像，所述目标高光谱图像包括至少一个已标注矿产类别的像素点；
确定与所述目标高光谱图像对应的掩膜图像；
根据所述目标高光谱图像以及所述掩膜图像，确定样本高光谱图像；
根据所述至少一个已标注矿产类别的像素点，确定各像素点的标注向量；
根据所述样本高光谱图像以及各像素点的标注向量，训练模型。
2.根据权利要求1所述的方法，其中，所述确定与所述样本高光谱图像对应的掩膜图像，包括：
根据所述目标高光谱图像中已标注矿产类别的像素点以及未标注矿产类别的像素点，确定所述掩膜图像。
3.根据权利要求1所述的方法，其中，所述根据所述至少一个已标注矿产类别的像素点，确定各像素点的标注向量，包括：
根据各像素点的已标注矿产类别的数量，确定标注向量的长度；
对于每个像素点，根据该像素点的已标注矿产类别，确定该像素点的标注向量。
4.根据权利要求1所述的方法，其中，所述根据所述样本高光谱图像以及各像素点的标注向量，训练模型，包括：
将所述样本高光谱图像作为输入，确定各像素点的预测向量；
根据各像素点的预测向量以及标注向量，确定损失函数值，根据损失函数值迭代训练模型。
5.根据权利要求1所述的方法，其中，所述获取目标区域的目标高光谱图像，包括：
获取目标区域的初始高光谱图像；
在目标区域中选取至少一个关键点以及确定所述至少一个关键点的矿产类别；
根据所述至少一个关键点对应的实际位置，确定所述至少一个关键点在所述初始高光谱图像中对应的至少一个像素点；
根据所述至少一个关键点的矿产类别，确定所述至少一个像素点的已标注矿产类别，得到所述目标高光谱图像。
6.一种矿产预测方法，包括：
获取待预测区域的待预测高光谱图像；
根据所述待预测高光谱图像以及通过权利要求1-5所述的方法训练得到的模型，预测所述待预测区域中包括的矿产类别。
7.一种模型训练装置，包括：
第一获取单元，被配置成获取目标区域的目标高光谱图像，所述目标高光谱图像包括至少一个已标注矿产类别的像素点；
掩膜确定单元，被配置成确定与所述目标高光谱图像对应的掩膜图像；
样本确定单元，被配置成根据所述目标高光谱图像以及所述掩膜图像，确定样本高光谱图像；
向量确定单元，被配置成根据所述至少一个已标注矿产类别的像素点，确定各像素点的标注向量；
模型训练单元，被配置成根据所述样本高光谱图像以及各像素点的标注向量，训练模型。
8.根据权利要求7所述的装置，其中，所述掩膜确定单元进一步被配置成：
根据所述目标高光谱图像中已标注矿产类别的像素点以及未标注矿产类别的像素点，确定所述掩膜图像。
9.根据权利要求7所述的装置，其中，所述向量确定单元进一步被配置成：
根据各像素点的已标注矿产类别的数量，确定标注向量的长度；
对于每个像素点，根据该像素点的已标注矿产类别，确定该像素点的标注向量。
10.根据权利要求7所述的装置，其中，所述模型训练单元进一步被配置成：
将所述样本高光谱图像作为输入，确定各像素点的预测向量；
根据各像素点的预测向量以及标注向量，确定损失函数值，根据损失函数值迭代训练模型。
11.根据权利要求7所述的装置，其中，所述第一获取单元进一步被配置成：
获取目标区域的初始高光谱图像；
在目标区域中选取至少一个关键点以及确定所述至少一个关键点的矿产类别；
根据所述至少一个关键点对应的实际位置，确定所述至少一个关键点在所述初始高光谱图像中对应的至少一个像素点；
根据所述至少一个关键点的矿产类别，确定所述至少一个像素点的已标注矿产类别，得到所述目标高光谱图像。
12.一种矿产预测装置，包括：
第二获取单元，被配置成获取待预测区域的待预测高光谱图像；
矿产预测单元，被配置成根据所述待预测高光谱图像以及通过权利要求1-5所述的方法训练得到的模型，预测所述待预测区域中包括的矿产类别。
13.一种用于执行模型训练方法的电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的方法。
14.一种用于执行矿产预测方法的电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求6所述的方法。
15.一种存储有计算机指令的非瞬时计算机可读存储介质，所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的方法或权利要求6所述的方法。
16.一种计算机程序产品，包括计算机程序，所述计算机程序在被处理器执行时实现根据权利要求1-5中任一项所述的方法或权利要求6所述的方法。
CN202110090431.1A 2021-01-22 2021-01-22 模型训练、矿产预测方法、装置、设备以及存储介质 Pending CN112749678A (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN202110090431.1A CN112749678A (zh) 2021-01-22 2021-01-22 模型训练、矿产预测方法、装置、设备以及存储介质
EP21189563.6A EP3901825A3 (en) 2021-01-22 2021-08-04 Method and apparatus for training model, method and apparatus for predicting mineral, device, and storage medium
US17/444,427 US20210365738A1 (en) 2021-01-22 2021-08-04 Method and apparatus for training model, method and apparatus for predicting mineral, device, and storage medium

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110090431.1A CN112749678A (zh) 2021-01-22 2021-01-22 模型训练、矿产预测方法、装置、设备以及存储介质

Publications (1)

Publication Number Publication Date
CN112749678A true CN112749678A (zh) 2021-05-04

Family

ID=75652909

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110090431.1A Pending CN112749678A (zh) 2021-01-22 2021-01-22 模型训练、矿产预测方法、装置、设备以及存储介质

Country Status (3)

Country Link
US (1) US20210365738A1 (zh)
EP (1) EP3901825A3 (zh)
CN (1) CN112749678A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657518A (zh) * 2021-08-20 2021-11-16 北京百度网讯科技有限公司 训练方法、目标图像检测方法、装置、电子设备以及介质
CN116503913A (zh) * 2023-06-25 2023-07-28 浙江华诺康科技有限公司 医学图像识别方法、装置、系统和存储介质

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114255262A (zh) * 2021-12-15 2022-03-29 赣南师范大学 一种害虫消杀系统、方法、电子设备及存储介质
CN114612753A (zh) * 2022-03-09 2022-06-10 北京大学深圳研究生院 图像识别模型的训练方法、装置、电子设备及存储介质
CN115346074B (zh) * 2022-09-02 2023-06-16 北京百度网讯科技有限公司 训练方法、图像处理方法、装置、电子设备以及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318252A (zh) * 2014-11-02 2015-01-28 西安电子科技大学 基于分层概率模型的高光谱图像分类方法
CN110298851A (zh) * 2019-07-04 2019-10-01 北京字节跳动网络技术有限公司 人体分割神经网络的训练方法及设备
WO2020056902A1 (zh) * 2018-09-20 2020-03-26 北京字节跳动网络技术有限公司 用于处理嘴部图像的方法和装置
CN111052126A (zh) * 2017-09-04 2020-04-21 华为技术有限公司 行人属性识别与定位方法以及卷积神经网络系统
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11120259B2 (en) * 2019-08-06 2021-09-14 Saudi Arabian Oil Company Method and system for land encroachment detection and surveillance

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318252A (zh) * 2014-11-02 2015-01-28 西安电子科技大学 基于分层概率模型的高光谱图像分类方法
CN111052126A (zh) * 2017-09-04 2020-04-21 华为技术有限公司 行人属性识别与定位方法以及卷积神经网络系统
WO2020056902A1 (zh) * 2018-09-20 2020-03-26 北京字节跳动网络技术有限公司 用于处理嘴部图像的方法和装置
CN110298851A (zh) * 2019-07-04 2019-10-01 北京字节跳动网络技术有限公司 人体分割神经网络的训练方法及设备
CN111402248A (zh) * 2020-03-23 2020-07-10 华南理工大学 一种基于机器视觉的输电线路导线缺陷检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
"《基于流形正则化的核方法研究与应用》", 30 June 2016, 徐州：中国矿业大学出版社, pages: 159 - 162 *
"《程序设计实践 第2版》", 30 April 2020, 北京：北京邮电大学出版社, pages: 280 *
CAIHONG MU等: "A Multi-Scale and Multi-Level Spectral-Spatial Feature Fusion Network for Hyperspectral Image Classification", 《REMOTE SENSING》, pages 1 - 23 *
CHEN DING等: "Convolutional Neural Networks Based Hyperspectral Image Classification Method with Adaptive Kernels", 《REMOTE SENSING》, pages 1 - 15 *
YAN LU 等: "Deep Learning with Synthetic Hyperspectral Images for Improved Soil Detection in Multispectral Imagery", 《2018 9TH IEEE ANNUAL UBIQUITOUS COMPUTING, ELECTRONICS & MOBILE COMMUNICATION CONFERENCE (UEMCON)》, pages 666 - 672 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113657518A (zh) * 2021-08-20 2021-11-16 北京百度网讯科技有限公司 训练方法、目标图像检测方法、装置、电子设备以及介质
CN116503913A (zh) * 2023-06-25 2023-07-28 浙江华诺康科技有限公司 医学图像识别方法、装置、系统和存储介质

Also Published As

Publication number Publication date
EP3901825A2 (en) 2021-10-27
US20210365738A1 (en) 2021-11-25
EP3901825A3 (en) 2022-02-23

Similar Documents

Publication Publication Date Title
CN112749678A (zh) 模型训练、矿产预测方法、装置、设备以及存储介质
CN112561077B (zh) 多任务模型的训练方法、装置及电子设备
CN112801164A (zh) 目标检测模型的训练方法、装置、设备及存储介质
CN113065614B (zh) 分类模型的训练方法和对目标对象进行分类的方法
US20230008696A1 (en) Method for incrementing sample image
CN111563541B (zh) 图像检测模型的训练方法和装置
CN112633276A (zh) 训练方法、识别方法、装置、设备、介质
CN113379813A (zh) 深度估计模型的训练方法、装置、电子设备及存储介质
CN112989987B (zh) 用于识别人群行为的方法、装置、设备以及存储介质
CN114428677B (zh) 任务处理方法、处理装置、电子设备及存储介质
CN113344862B (zh) 缺陷检测方法、装置、电子设备及存储介质
CN112784732A (zh) 地物类型变化的识别、模型训练方法、装置、设备及介质
CN115719436A (zh) 模型训练方法、目标检测方法、装置、设备以及存储介质
CN114494776A (zh) 一种模型训练方法、装置、设备以及存储介质
EP3879439A1 (en) Method and device for detecting body temperature, electronic apparatus and storage medium
CN113591709B (zh) 动作识别方法、装置、设备、介质和产品
CN113449778A (zh) 用于量子数据分类的模型训练方法以及量子数据分类方法
CN115527069A (zh) 物品识别和物品识别系统构建方法及装置
CN115272705A (zh) 显著性物体检测模型的训练方法、装置以及设备
CN112560987B (zh) 图像样本处理方法、装置、设备、存储介质和程序产品
CN113205131A (zh) 图像数据的处理方法、装置、路侧设备和云控平台
CN113408633B (zh) 用于输出信息的方法、装置、设备以及存储介质
CN116416500B (zh) 图像识别模型训练方法、图像识别方法、装置及电子设备
CN118172626B (zh) 图像分割模型训练方法、装置、电子设备及存储介质
CN114494818B (zh) 图像处理方法、模型训练方法、相关装置及电子设备

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