CN113034645B - 一种岩性填图的方法、装置和存储介质 - Google Patents
一种岩性填图的方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113034645B CN113034645B CN202110310935.XA CN202110310935A CN113034645B CN 113034645 B CN113034645 B CN 113034645B CN 202110310935 A CN202110310935 A CN 202110310935A CN 113034645 B CN113034645 B CN 113034645B
- Authority
- CN
- China
- Prior art keywords
- map filling
- map
- sub
- filling
- ith
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/40—Filling a planar surface by adding surface attributes, e.g. colour or texture
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种岩性填图的方法、装置和存储介质,该方法包括:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果,能够实现对现有资料欠缺的目标填图区域进行填图。
Description
技术领域
本申请实施例涉及地理填图领域,具体涉及一种岩性填图的方法、装置和存储介质。
背景技术
相关技术中,传统区域地质填图及矿产填图主要依靠工作人员的主观判断来确定填图单元,导致野外实地勘查工作需要完成大量路线及剖面实物工作量,需要极高的人力、财力和物力成本。至少为解决上述问题,相关技术中基于机器学习的填图方法大多针对特定数据资料类型且依赖高质量数据集,在空白区或数据资料不充分地区开展工作,将会面临缺乏基础地质支撑的困难。
因此,如何对现有资料欠缺的目标填图区域进行填图成为亟待解决的问题。
发明内容
本申请实施例提供一种岩性填图的方法、装置和存储介质,通过本申请的一些实施例至少能够实现对现有资料欠缺的目标填图区域进行填图。
第一方面,本申请实施例提供一种岩性填图的方法,所述方法包括:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果;其中,所述i为大于或等于1的整数。
因此,本申请实施例根据预设条件选择目标填图子区域,实现迭代填图,从而使岩性填图的整体过程更具有针对性与高效性,能够在降低填图范围的情况下实现较高的岩性分类精度,能够减轻填图工作量,从而实现对现有资料欠缺的目标填图区域进行填图。
结合第一方面,在一种实施方式中,所述确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域,包括:将所述多个子区域中各子区域所对应的所述平均概率值与预设条件进行比对;将满足所述预设条件的子区域,作为所述目标填图子区域。
因此,本申请实施例通过将满足预设条件的子区域作为目标填图子区域,能够实现在填图过程中开展小范围的野外地质调查填图,以实现数据和知识的补充。
结合第一方面,在一种实施方式中,所述将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,包括:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,将各填图点的概率值列表中的最高概率值,作为各填图点概率值;根据所述各填图点概率值,计算所述各填图点所在子区域内的平均概率值,获得第i填图结果。
因此,本申请实施例通过选择概率值列表中概率值最大的,作为各该填图点所对应的各填图点概率值,能够提高岩性分类准确率以及获得的第i填图结果的准确性。
结合第一方面,在一种实施方式中,所述在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型,包括:将获得的所述目标填图子区域的所述标注数据与所述填图结果进行比对,获得准确率;在所述准确率不满足准确率阈值的情况下,将获得的所述目标填图子区域的标注数据保存至所述第i填图模型的数据库中;调整所述第i填图模型中的参数,获得所述第i+1填图模型。
因此,本申请实施例通过对第i填图模型的参数的调整,能够补充模型数据库中的数据,获得更加优化并且有更好预测能力的第i+1填图模型,从而能够使获得的结果更加准确,同时也实现了野外地质调查与机器学习的紧密结合。
结合第一方面,在一种实施方式中,所述第i填图模型为初始填图模型,所述初始填图模型是通过如下方法获得的:将所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述初始填图模型,其中,所述m个子区域是从所述多个子区域中随机选择得到的,m是大于或等于1的整数。
因此,本申请实施例通过获得初始填图模型,能够保证在后面填图过程中的准确率。
结合第一方面,在一种实施方式中,在将获取得到所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述第i初始填图模型之前,所述方法还包括:对所述训练集进行数据预处理,其中,所述预处理包括数据降维或数据增维。
第二方面,一种岩性填图的方法,所述岩性填图的方法包括:根据如第一方面任一项所述的方法,获得第i+n填图模型;将所述目标填图区域的岩性特征数据输入所述第i+n填图模型进行填图,获得岩性图。
因此,本申请实施例通过使用第i+n填图模型进行填图,能够提高填图的准确性,从而实现对现有资料欠缺的目标填图区域进行填图。
第三方面,本申请实施例提供一种岩性填图的装置,所述装置包括输入单元,被配置为将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;选择单元,被配置为确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;调整单元,被配置为在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;输出单元,被配置为重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果;其中,所述i为大于或等于1的整数,所述n为大于或等于1的整数。
结合第三方面,在一种实施方式中,所述选择单元还被配置为:将所述多个子区域中各子区域所对应的所述平均概率值与预设条件进行比对;将满足所述预设条件的子区域,作为所述目标填图子区域。
结合第三方面,在一种实施方式中,所述输入单元还被配置为:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,将各填图点的概率值列表中的最高概率值,作为各填图点概率值;根据所述各填图点概率值,计算所述各填图点所在子区域内的平均概率值,获得第i填图结果。
结合第三方面,在一种实施方式中,所述调整单元还被配置为:将获得的所述目标填图子区域的所述标注数据与所述填图结果进行比对,获得准确率;在所述准确率不满足准确率阈值的情况下,将获得的所述目标填图子区域的标注数据保存至所述第i填图模型的数据库中;调整所述第i填图模型中的参数,获得所述第i+1填图模型。
结合第三方面,在一种实施方式中,所述输入方法还被配置为:将获取得到所述多个子区域中m个子区域的训练集输入第i-1填图模型中进行训练,获得所述第i填图模型,其中,所述m个子区域是从所述多个子区域中随机选择得到的,m是大于或等于1的整数;
结合第三方面,在一种实施方式中,所述输入方法还被配置为:对所述训练集进行数据预处理,其中,所述预处理包括数据降维或数据增维。
结合第三方面,在一种实施方式中,所述最终填图结果包括第i+n填图模型;所述输出单元还被配置为:将获取得到的目标填图区域的岩性特征数据输入所述第i+n填图模型进行填图,获得岩性图。
第四方面,本申请实施例提供一种电子设备,包括:处理器、存储器和总线;所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如第一方面及其实施例所述的方法。
第五方面,本申请实施例提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时用于实现如第一方面及其实施例所述的方法。
附图说明
图1为本申请实施例示出的一种岩性填图的方法实施步骤;
图2为申请实施例示出的一种区域示意图;
图3为本申请实施例示出的一种岩性填图的方法的具体实施例;
图4为本申请实施例示出的一种岩性填图的装置结构图;
图5为本申请实施例示出的一种电子设备的内部结构图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚,下面将结合本申请实施例中附图,对本申请实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例仅仅是本申请的一部分实施例,而不是全部实施例。通常在此处附图中描述和示出的本申请实施例的组件可以以各种不同的配置来布置和设计。因此,以下对附图中提供的本申请的实施例的详情描述并非旨在限制要求保护的本申请的范围,而是仅仅表示本申请的选定实施例。基于本申请的实施例,本领域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,都属于本申请保护范围。
下面结合附图详细描述本申请实施例中的方法步骤。
本申请实施例可以应用于对目标填图区域进行岩性填图的场景。例如,这些场景包括地质工作者在进行野外地质调查的过程中,识别目标填图区域的岩性类别并进行岩性填图的场景,例如,地质工作者需要根据野外地质调查的结果填图形成标准的岩性图。现有技术中,大多针对特定数据资料类型且依赖高质量数据集,导致在目标填图区域(即没有进行任何填图工作的区域)或数据资料不充分的地区开展工作,将会面临缺乏基础地质数据的支撑。至少为了解决上述问题,本申请实施例提供的一种岩性填图的方法,通过选择满足预设条件的目标填图子区域,将目标填图子区域的标注数据(即对通过概率挑选得到的目标填图子区域通过人工方式获取填图结果)补充到原有模型(即第i填图模型)的数据库中,获得新的模型(即第i+1填图模型),依次重复执行,直至满足准确率阈值获得最终填图结果,采用本申请实施例的技术方案能够对现有资料欠缺的目标填图区域进行填图。可以理解的是,本申请实施例的应用场景不限于此。
鉴于上述问题,本申请实施例提供一种岩性填图的方法、装置和存储介质。下文将描述由电子设备执行的一种岩性填图的方法的实施方式。
S110,将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果。
在一种实施方式中,在S110之前,所述第i填图模型为初始填图模型,所述第i初始填图模型是通过如下方法获得的:将获取得到所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述第i初始填图模型,其中,所述m个子区域是从所述多个子区域中随机选择得到的,m是大于或等于1的整数。
在一种实施方式中,在将所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述初始填图模型之前,所述方法还包括:对所述训练集进行数据预处理,其中,所述预处理包括数据降维或数据增维。
在获得m个子区域的训练集之后,根据原有数据库中存储的数据在训练集中增加与分类相关性高的数据,以实现数据增维;将对岩性分类影响较小或不重要的组成元素进行删除,实现数据降维,以减小计算量,增加分类准确性。
下面示例性阐述初始填图模型的训练过程。
如图2所示,目标填图区域230是需要岩性填图的空白区域,将目标填图区域划分成多个子区域220,从多个子区域中随机选取m个子区域,将m个子区域的训练集,例如:图2中是将m取4的时候,选取的4个子区域210,由地质工作人员到目标填图区域的地质现场,采集这4个子区域的岩性单元类型,4个子区域的训练集数据包括:4个子区域中出现的岩性单元类型和4个子区域中的地球化学数据,本申请实施例不限于此,将获得的4个子区域的训练集根据上述预处理过程,进行预处理后,作为训练集输入未经过训练的填图模型中,经过训练获得初始填图模型。
因此,本申请实施例通过获得初始填图模型,能够保证在后面填图过程中的准确率。
在一种实施方式中,将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的。
在一种实施方式中,将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,包括:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,将各填图点的概率值列表中的最高概率值,作为各填图点概率值;根据各填图点概率值,计算各填图点所在子区域内的平均概率值,获得第i填图结果。
需要说明的是,各填图点概率值表示岩性特征数据属于各岩性分类的概率;目标填图区域是需要填图的整体范围;岩性特征数据可以是地球化学数据,可以是通过遥感采集获得的岩石特征数据,例如:组成岩石的元素含量或岩石在遥感图像上的波段特征等,本申请实施例不限于此。
如图2所示,在获得第i填图模型后,将目标填图区域的岩性特征数据输入第i填图模型,计算出各填图点221的概率值列表,选择每个填图点对应的概率值列表中数值最大的,作为该填图点的填图点概率值,再计算各填图点所在子区域220的平均概率值,将平均概率值作为第i填图结果,第i填图结果也包括对目标填图区域进行填图后的岩性图。
需要说明的是,概率值列表表示各填图点属于各岩性分类的概率,例如:a填图点的概率值列表为:属于M岩性的概率为0.2,属于N岩性的概率为0.35,属于Q岩性的概率为0.45。
作为一种实施例,在目标填图区域中有a、b、c、d、e和f填图点,a、b和c填图点在一个子区域中,d、e和f填图点在一个子区域中,以a填图点为例,a填图点属于M岩性的概率为0.2,属于N岩性的概率为0.35,属于Q岩性的概率为0.45,也就是说,a填图点的概率值列表中的至少一个填图点概率值分别为0.2、0.32和0.45,选择至少一个填图点概率值中数值最大的0.45,作为a填图点的填图点概率值,同理计算出b填图点的概率值为0.4,c填图点的概率值为0.8,由于a、b和c填图点在一个子区域中,所以该子区域的平均概率值为0.55,由此,第i填图结果为0.55。
因此,本申请实施例通过选择概率值列表中概率值最大的,作为各该填图点所对应的各填图点概率值,能够提高岩性分类准确率以及获得的第i填图结果的准确性。
下文将示例性阐述由电子设备执行的S120的实施方式。
S120,确定第i填图结果满足预设条件时,从对目标填图区域进行划分得到的多个子区域中选择目标填图子区域。
在一种实施方式中,确定第i填图结果满足预设条件时,从对目标填图区域进行划分得到的多个子区域中选择目标填图子区域,包括:将多个子区域中各子区域所对应的平均概率值与预设条件进行比对;将满足预设条件的子区域,作为目标填图子区域。
需要说明的是,预设条件可以是取各子区域对应的平均概率值排序中,最小的若干子区域,平均概率值越大表示该子区域分类的准确性越高,本申请实施例不限于此。
在S110中获得多个子区域中各子区域的各平均概率值后,判断各平均概率值是否满足预设条件,在满足预设条件时,如图2所示,选择出满足预设条件的目标填图子区域240。
作为一种实施例,第一子区域的平均概率值为0.3,第二子区域的平均概率值为0.53,第三子区域的平均概率值为0.9,预设条件为平均概率值排序倒数两个对应的子区域,作为目标填图子区域,因此,第一子区域和第二子区域被选择为目标填图子区域。
因此,本申请实施例通过将满足预设条件的子区域作为目标填图子区域,能够实现在填图过程中开展小范围的野外地质调查填图,以实现数据和知识的补充。
下文示例性阐述由电子设备执行的S130的实施方式。
S130,在目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整第i填图模型的参数,获得第i+1填图模型。
在一种实施方式中,将获得的所述目标填图子区域的所述标注数据与所述填图结果进行比对,获得准确率;在所述准确率不满足准确率阈值的情况下,将获得的所述目标填图子区域的标注数据保存至所述第i填图模型的数据库中;调整所述第i填图模型中的参数,获得所述第i+1填图模型。
在使用S120中的方法确定目标填图子区域后,地质工作人员将重新采集目标填图子区域的标注数据,其中,标注数据包括目标填图子区域中所含有的岩性单元类型,例如:某个目标填图子区域中含有的岩石种类为花岗闪长岩。
在采集完成目标填图子区域的标注数据之后,将标注数据中每个填图点的岩性单元类型与目标填图子区域中每个填图点的填图结果进行比对,将填图正确的填图点个数与总填图点个数相除,获得准确率,判断准确率不满足准确率阈值的情况下,将标注数据添加到模型的数据库中,作为下次进行分类的数据支撑,并且会在对第i填图模型进行进一步训练的过程中,调整第i填图模型中的参数,获得第i+1填图模型。
需要说明的是,调整第i填图模型的参数包括:将补充第i填图模型的数据库和调整第i填图模型中的阈值参数等,还可以包括任何在模型在训练中需要调整的参数,准确率阈值可以是大于0.9或大于0.85,本申请实施例不限于此。
因此,本申请实施例通过对第i填图模型的参数的调整,能够补充模型数据库中的数据,获得更加优化并且有更好预测能力的第i+1填图模型,从而能够使获得的结果更加准确,同时也实现了野外地质调查与机器学习的紧密结合。
下文将详细描述由电子设备执行的S140的实施方式。
S140,重复执行上述过程,直至填图结果满足终止条件,输出最终填图结果。
在S130中获得的第i+1填图模型之后,继续使用S110中的方法,向第i+1填图模型输入目标填图区域的岩性特征数据,使用第i+1填图模型计算各填图点的概率值,根据各填图点的概率值计算各填图点所在子区域的平均概率值,获得第i+1填图结果,将获得的第i+1填图结果与预设条件进行对比,在第i+1填图结果满足预设条件的情况下,使用S120中的方法,继续选择目标填图子区域以及使用S130中的方法,在目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整第i+1填图模型的参数,获得第i+2填图模型,继续重复上述步骤直至目标子区域的填图结果与获得的标注数据比对的结果,满足终止条件,终止循环,输出最终的填图模型,以及已经填图完成的岩性图,其中,上述循环n次,最终的填图模型就为第i+n填图模型。
需要说明的是,目标填图子区域的填图结果表示目标填图子区域中对填图点的岩性类别识别的结果。
需要说明的是,i为大于或等于1的整数,n为大于或等于1的整数,其中,n表示在填图结果不满足准确率阈值的情况下,循环的次数,例如:在i=1时,初始为第1填图模型,对应的获得第1填图结果,在第1填图结果满足预设条件的情况下,进行第一次循环,那么这时n=1,获得第2填图模型,对应获得第2填图结果,继续判断第2填图结果是否满足预设条件,在第2填图结果满足预设条件时,进行第二次循环,那么这时n=2,获得第3填图模型,对应获得第3填图结果,以此循环,最终获得最终填图结果。
因此,本申请实施例根据预设条件选择目标填图子区域,实现迭代填图,从而使岩性填图的整体过程更具有针对性与高效性,能够在降低填图范围的情况下实现较高的岩性分类精度,能够减轻填图工作量,从而实现对现有资料欠缺的目标填图区域进行填图。
根据上述的方法,获得第i+n填图模型;将所述目标填图区域的岩性特征数据输入所述第i+n填图模型进行填图,获得岩性图。
上文描述了电子设备执行的岩性填图的方法,下文将描述岩性填图的具体实施例。
S310,目标填图区域网格化。
目标填图区域是需要岩性填图的空白区域,将目标填图区域网格化是将目标填图区域划分成多个子区域。
目标填图区域的网格化的尺度由研究区范围以及该区域数据的精度决定,为确保网格化子区域内的数据量具备统计学意义,一个子区域内的数据量需达到102数量级。
S320,获取第i填图模型。
初始训练集需要采用随机选取的方式确认m个子区域,并针对选出的m个子区域进行野外地质调查,根据野外地质调查获得的m个子区域中的样本数据,将m个子区域的岩性特征数据(即地球化学数据)进行对应的标注,获得初始训练集数据,使用初始训练集数据进行训练,获得第i填图模型。
作为一种实施例,从多个子区域中随机选取8个子区域,将8个子区域的数据作为初始训练集,由地质工作人员到目标填图区域的地质现场,采集这8个子区域的岩石所包含的岩性单元类别(即样本数据),根据8个子区域的样本数据,将8个子区域的岩性特征数据(即地球化学数据)进行对应的标注,并且进行数据增维和数据降维的数据预处理,作为训练集输入第i-1填图模型中,经过训练获得第i填图模型。
S330,将目标填图区域的岩性特征数据输入第i填图模型。
在步骤320获得第i填图模型之后,将需要填图的目标填图区域的待分类的岩性特征数据输入第i填图模型。
S340,获得第i填图结果。
第i填图模型对输入的目标填图区域的岩性特征数据进行计算,计算各填图点的概率值列表,选择每个填图点对应的概率值列表中数值最大的,作为该填图点的填图点概率值,再计算各填图点所在子区域的平均概率值,将平均概率值作为第i填图结果。
其中,各填图点的概率值是在第i填图模型中,先将岩性特征数据进行分类,再将分类结果通过softmax函数,将分类结果转化成为的概率值。
S350,选择满足预设条件的子区域,作为目标填图子区域。
可以将预设条件设定为平均概率值排序倒数8个对应的子区域,作为目标填图子区域,选择每个子区域的平均概率值满足上述预设条件的,作为目标填图子区域。
作为一种实施例,第一子区域的平均概率值为0.3,第二子区域的平均概率值为0.53,第三子区域的平均概率值为0.9,如果预设条件为平均概率值排序倒数两个对应的子区域,作为目标填图子区域,那么,第一子区域和第二子区域被选择为目标填图子区域。
S360,采集目标填图子区域的标注数据。
地质工作人员将重新采集目标填图子区域的岩石所属的岩性类别,作为标注数据。
S370,判断填图结果是否满足终止条件。
在使用S350中的方法确定目标填图子区域后,地质工作人员将重新采集目标填图子区域的标注数据。
在采集完成目标填图子区域的标注数据之后,将标注数据中每个填图点的岩性单元类型与目标填图子区域中每个填图点的填图结果进行比对,将填图正确的填图点个数与总填图点个数相除,获得准确率,判断准确率不满足准确率阈值的情况下,执行S380,判断准确率满足准确率阈值的情况下,执行S390获得最终填图结果。
S380,调整第i填图模型的参数。
在采集完成目标填图子区域的标注数据之后,将标注数据中每个填图点的岩性单元类型与目标填图子区域中每个填图点的填图结果进行比对,将填图正确的填图点个数与总填图点个数相除,获得准确率,判断准确率不满足准确率阈值的情况下,将标注数据添加到模型的数据库中,作为下次进行分类的数据支撑,并且会在对第i填图模型进行进一步训练的过程中,调整第i填图模型中参数,获得第i+1填图模型。
本申请实施例中,迭代填图作为整套方法流程中最主要的数据与知识补充过程,其准确性高低将对最终填图结果造成直接影响,本申请强调野外地质调查填图和机器学习填图的紧密结合。特别是在空白区开展填图时,在目标填图区域选取小范围区域实地开展野外人工填图工作,建立机器学习原始数据与知识库,并以此开展全区域的填图工作。针对迭代填图阶段,本申请特别强调了以野外人工填图作为数据与知识补充的手段,目的是强调本申请具有野外地质调查和机器学习紧密结合的关键点。
本申请与现有基于数据信息算法的岩性填图方法相比,更加强调了野外地质调查填图与基于机器学习预测填图的深度融合,以及野外实地工作在整个流程中的重要性和不可或缺性。本申请更加强调了对岩性填图工作思路和流程的探索,是对其现有工作模式一种有益补充与辅助优化。体现了“基于大数据理论方法来促进地质问题的解决,并不意味着取代或摒弃地学传统方法,而在于激活、提升和创新发展传统方法”这一大数据科学范式的特点和优势。而本申请在强调野外地质调查重要性的基础上,将岩性填图工作融入了机器学习方法。
本申请与传统野外地质填图相比,采用选择概率值的方式进行迭代填图过程中目标填图子区域的确定,这将使整个岩性填图过程更具有针对性与高效性。根据实验结果,该方法能够在降低1/3填图范围的情况下实现90%以上的岩性分类精度。这一结果证明该方法不仅具有良好的填图效果,而且将有效减轻未填图区工作量,对填图工作具有参考作用。
下文将描述一种岩性填图的装置。
如图4所示,本申请实施例提供一种岩性填图的装置400,包括:输入单元410,选择单元420,调整单元430,输出单元440。
本申请实施例提供一种岩性填图的装置,所述装置包括输入单元,被配置为将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;选择单元,被配置为确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;调整单元,被配置为在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;输出单元,被配置为重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果;其中,所述i为大于或等于1的整数,所述n为大于或等于1的整数。
结合第三方面,在一种实施方式中,所述选择单元还被配置为:将所述多个子区域中各子区域所对应的所述平均概率值与预设条件进行比对;将满足所述预设条件的子区域,作为所述目标填图子区域。
结合第三方面,在一种实施方式中,所述输入单元还被配置为:将获取得到的目标填图区域的岩性特征数据输入第i填图模型,将各填图点的概率值列表中的最高概率值,作为各填图点概率值;根据所述各填图点概率值,计算所述各填图点所在子区域内的平均概率值,获得第i填图结果。
结合第三方面,在一种实施方式中,所述调整单元还被配置为:将获得的所述目标填图子区域的所述标注数据与所述填图结果进行比对,获得准确率;在所述准确率不满足准确率阈值的情况下,将获得的所述目标填图子区域的标注数据保存至所述第i填图模型的数据库中;调整所述第i填图模型中的参数,获得所述第i+1填图模型。
结合第三方面,在一种实施方式中,所述输入方法还被配置为:将获取得到所述多个子区域中m个子区域的训练集输入第i-1填图模型中进行训练,获得所述第i填图模型,其中,所述m个子区域是从所述多个子区域中随机选择得到的,m是大于或等于1的整数;
结合第三方面,在一种实施方式中,所述输入方法还被配置为:对所述训练集进行数据预处理,其中,所述预处理包括数据降维或数据增维。
结合第三方面,在一种实施方式中,所述最终填图结果包括第i+n填图模型;所述输出单元还被配置为:将获取得到的目标填图区域的岩性特征数据输入所述第i+n填图模型进行填图,获得岩性图。
在本申请实施例中,图4所示模块能够实现图1、图2和图3方法实施例中的各个过程。图4中的各个模块的操作和/或功能,分别为了实现图1、图2和图3中的方法实施例中的相应流程。具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
如图5所示,本申请实施例提供一种电子设备500,包括:处理器510、存储器520和总线530,所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如上述所有实施例中任一项所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
其中,总线用于实现这些组件直接的连接通信。其中,本申请实施例中处理器可以是一种集成电路芯片,具有信号的处理能力。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以是,但不限于,随机存取存储器(Random Access Memory,RAM),只读存储器(Read Only Memory,ROM),可编程只读存储器(Programmable Read-Only Memory,PROM),可擦除只读存储器(Erasable Programmable Read-Only Memory,EPROM),电可擦除只读存储器(Electric Erasable Programmable Read-Only Memory,EEPROM)等。存储器中存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,可以执行上述实施例中所述的方法。
可以理解,图5所示的结构仅为示意,还可包括比图5中所示更多或者更少的组件,或者具有与图5所示不同的配置。图5中所示的各组件可以采用硬件、软件或其组合实现。
本申请实施例还提供一种计算机可读存储介质,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现上述所有实施方式中任一所述的方法,具体可参见上述方法实施例中的描述,为避免重复,此处适当省略详细描述。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
以上所述,仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种岩性填图的方法,其特征在于,所述方法包括:
将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;
确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;
在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;
重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果;
其中,所述i为大于或等于1的整数。
2.根据权利要求1所述的方法,其特征在于,所述确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域,包括:
将所述多个子区域中各子区域所对应的所述平均概率值与预设条件进行比对;
将满足所述预设条件的子区域,作为所述目标填图子区域。
3.根据权利要求2所述的方法,其特征在于,所述将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,包括:
将获取得到的目标填图区域的岩性特征数据输入第i填图模型,将各填图点的概率值列表中的最高概率值,作为各填图点概率值;
根据所述各填图点概率值,计算所述各填图点所在子区域内的平均概率值,获得第i填图结果。
4.根据权利要求1所述的方法,其特征在于,所述在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型,包括:
将获得的所述目标填图子区域的所述标注数据与所述填图结果进行比对,获得准确率;
在所述准确率不满足准确率阈值的情况下,将获得的所述目标填图子区域的标注数据保存至所述第i填图模型的数据库中;
调整所述第i填图模型中的参数,获得所述第i+1填图模型。
5.根据权利要求1所述的方法,其特征在于,所述第i填图模型为初始填图模型,所述初始填图模型是通过如下方法获得的:
将所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述初始填图模型,其中,所述m个子区域是从所述多个子区域中随机选择得到的,m是大于或等于1的整数。
6.根据权利要求5所述的方法,其特征在于,在将所述多个子区域中m个子区域的训练集输入待训练的填图模型中进行训练,获得所述初始填图模型之前,所述方法还包括:
对所述训练集进行数据预处理,其中,所述预处理包括数据降维或数据增维。
7.一种岩性填图的方法,其特征在于,所述方法包括:
根据如权利要求1-6任一项所述的方法,获得第i+n填图模型;
将所述目标填图区域的岩性特征数据输入所述第i+n填图模型进行填图,获得岩性图。
8.一种岩性填图的装置,其特征在于,所述装置包括:
输入单元,被配置为将获取得到的目标填图区域的岩性特征数据输入第i填图模型,获得第i填图结果,其中,所述第i填图结果包括各填图点所在子区域内的平均概率值,所述子区域是将所述目标填图区域网格化后得到的;
选择单元,被配置为确定所述第i填图结果满足预设条件时,从对所述目标填图区域进行划分得到的多个子区域中选择目标填图子区域;
调整单元,被配置为在所述目标填图子区域的填图结果不满足终止条件的情况下,根据标注数据调整所述第i填图模型的参数,获得第i+1填图模型;
输出单元,被配置为重复执行上述过程,直至所述填图结果满足所述终止条件,输出最终填图结果;
其中,所述i为大于或等于1的整数。
9.一种电子设备,其特征在于,包括:处理器、存储器和总线;
所述处理器通过所述总线与所述存储器相连,所述存储器存储有计算机可读取指令,当所述计算机可读取指令由所述处理器执行时,用于实现如权利要求1-7任一项所述方法。
10.一种计算机可读存储介质,其特征在于,该计算机可读存储介质上存储有计算机程序,该计算机程序被服务器执行时实现如权利要求1-7任一项所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310935.XA CN113034645B (zh) | 2021-03-23 | 2021-03-23 | 一种岩性填图的方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110310935.XA CN113034645B (zh) | 2021-03-23 | 2021-03-23 | 一种岩性填图的方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113034645A CN113034645A (zh) | 2021-06-25 |
CN113034645B true CN113034645B (zh) | 2021-09-03 |
Family
ID=76473171
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110310935.XA Active CN113034645B (zh) | 2021-03-23 | 2021-03-23 | 一种岩性填图的方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113034645B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764329A (zh) * | 2017-10-18 | 2018-03-06 | 西安科技大学 | 一种数字化地质填图系统及方法 |
CN109596536A (zh) * | 2018-12-27 | 2019-04-09 | 核工业北京地质研究院 | 一种基于遥感影像寻找潜在超大型砂岩铀矿床的方法 |
CN109785272A (zh) * | 2018-12-19 | 2019-05-21 | 核工业北京地质研究院 | 一种矿物光谱特征提取中最优小波基选取的方法 |
CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
CN110853118A (zh) * | 2019-11-21 | 2020-02-28 | 云南冶金资源股份有限公司 | 浅覆盖层区矿产勘查大比例尺地质填图方法 |
CN110956677A (zh) * | 2019-12-13 | 2020-04-03 | 上海眼控科技股份有限公司 | 雷达图的预测方法、装置、计算机设备和存储介质 |
CN111141698A (zh) * | 2019-12-30 | 2020-05-12 | 中国地质大学(北京) | 一种基于热红外比辐射率的岩性分类方法 |
CN111862778A (zh) * | 2020-06-04 | 2020-10-30 | 中国地质科学院 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
CN112200273A (zh) * | 2020-12-07 | 2021-01-08 | 长沙海信智能系统研究院有限公司 | 数据标注方法、装置、设备及计算机存储介质 |
CN112199886A (zh) * | 2020-09-27 | 2021-01-08 | 中国地质调查局发展研究中心 | 一种prb数据深度学习地质图预测模型的处理方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11155258B2 (en) * | 2019-03-25 | 2021-10-26 | GM Global Technology Operations LLC | System and method for radar cross traffic tracking and maneuver risk estimation |
-
2021
- 2021-03-23 CN CN202110310935.XA patent/CN113034645B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107764329A (zh) * | 2017-10-18 | 2018-03-06 | 西安科技大学 | 一种数字化地质填图系统及方法 |
CN109785272A (zh) * | 2018-12-19 | 2019-05-21 | 核工业北京地质研究院 | 一种矿物光谱特征提取中最优小波基选取的方法 |
CN109596536A (zh) * | 2018-12-27 | 2019-04-09 | 核工业北京地质研究院 | 一种基于遥感影像寻找潜在超大型砂岩铀矿床的方法 |
CN110443862A (zh) * | 2019-06-28 | 2019-11-12 | 中国地质科学院矿产资源研究所 | 基于无人机的岩性填图方法及系统、电子设备 |
CN110853118A (zh) * | 2019-11-21 | 2020-02-28 | 云南冶金资源股份有限公司 | 浅覆盖层区矿产勘查大比例尺地质填图方法 |
CN110956677A (zh) * | 2019-12-13 | 2020-04-03 | 上海眼控科技股份有限公司 | 雷达图的预测方法、装置、计算机设备和存储介质 |
CN111141698A (zh) * | 2019-12-30 | 2020-05-12 | 中国地质大学(北京) | 一种基于热红外比辐射率的岩性分类方法 |
CN111862778A (zh) * | 2020-06-04 | 2020-10-30 | 中国地质科学院 | 一种浅层岩性地质图生成方法、装置、储存介质及设备 |
CN112199886A (zh) * | 2020-09-27 | 2021-01-08 | 中国地质调查局发展研究中心 | 一种prb数据深度学习地质图预测模型的处理方法 |
CN112200273A (zh) * | 2020-12-07 | 2021-01-08 | 长沙海信智能系统研究院有限公司 | 数据标注方法、装置、设备及计算机存储介质 |
Non-Patent Citations (2)
Title |
---|
A NEW METHOD FOR LITHOLOGICAL DSCRIMINATION AND MAPPING BY USING ASTER DATA IN DONG CO AREA, NORTHERN TIBET;Jianyu Liu 等;《IGARSS 2018》;20181231;第5497-5500页 * |
多龙矿集区控矿构造信息提取、识别与融合;刘治博 等;《地球学报》;20170930;第38卷(第5期);第803-812页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113034645A (zh) | 2021-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109829399B (zh) | 一种基于深度学习的车载道路场景点云自动分类方法 | |
CN109212617B (zh) | 电成像测井相自动识别方法及装置 | |
US8682624B2 (en) | Deterministic version of the multiple point geostatistics simulation/reconstruction method with the simulated/reconstructed values are directly taken from the training images without prior estimation of the conditional | |
Brown et al. | Path dependence and the validation of agent‐based spatial models of land use | |
CN109146892A (zh) | 一种基于美学的图像裁剪方法及装置 | |
CN111784044A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN101276420A (zh) | 一种融合光谱信息和多点模拟空间信息的分类方法 | |
CN111401472B (zh) | 基于深度卷积神经网络的红外目标分类方法和装置 | |
CN106202380A (zh) | 一种分类语料库的构建方法、系统及具有该系统的服务器 | |
CN111861028A (zh) | 一种基于时空数据融合的犯罪数量预测方法 | |
CN105893590B (zh) | 一种用于数字地形分析建模知识案例化自动处理方法 | |
CN110298348A (zh) | 遥感影像建筑物样本区域提取方法及系统、存储介质、设备 | |
CN117197174A (zh) | 基于遥感数据的水体信息提取方法、装置、设备及介质 | |
CN111310623B (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN110441820B (zh) | 地质构造的智能解释方法 | |
CN115422822A (zh) | 隧道岩体参数预测方法及装置 | |
CN112200356A (zh) | 一种滑坡的预测方法、装置、设备和存储介质 | |
CN110969260A (zh) | 不平衡数据过采样方法、装置及存储介质 | |
CN113034645B (zh) | 一种岩性填图的方法、装置和存储介质 | |
CN113780175A (zh) | 高植被覆盖区台风暴雨型滑坡的遥感识别方法 | |
CN117150437A (zh) | 多源卫星海面风场数据融合方法、装置、设备及介质 | |
Toms et al. | Testing the reliability of interpretable neural networks in geoscience using the madden-julian oscillation | |
CN115861599A (zh) | 一种基于红外小样本扩增与YOLOv5的红外弱小目标检测方法 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
CN115033728A (zh) | 全球卫星影像搜索引擎数据爬取与归一化方法及系统 |
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 |