CN113537339B - 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 - Google Patents

一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 Download PDF

Info

Publication number
CN113537339B
CN113537339B CN202110795094.6A CN202110795094A CN113537339B CN 113537339 B CN113537339 B CN 113537339B CN 202110795094 A CN202110795094 A CN 202110795094A CN 113537339 B CN113537339 B CN 113537339B
Authority
CN
China
Prior art keywords
mineral
symbiotic
dimensional
normalized
value vector
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
Application number
CN202110795094.6A
Other languages
English (en)
Other versions
CN113537339A (zh
Inventor
季晓慧
杨阳
刘丹晨
曾祥
杨眉
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN202110795094.6A priority Critical patent/CN113537339B/zh
Publication of CN113537339A publication Critical patent/CN113537339A/zh
Application granted granted Critical
Publication of CN113537339B publication Critical patent/CN113537339B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的方法与系统，所述系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块，将带有多个类别标签的矿物实物图片输入系统进行训练，训练完成后将采集的伴生或共生矿物实物图片输入系统，系统结合已学习到的多个标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出图片中采集的伴生或共生矿物所属不同类别的概率大小，取概率值大于零的类别为该采集的伴生或共生矿石中所包含矿物的所有类别，本发明解决了现有矿物识别系统仅能识别单个矿物导致的无法识别生长情况复杂的伴生或共生矿物的问题。

Description

一种基于多标签图像分类的识别共生或伴生矿物的方法与 系统
技术领域
本发明实施例涉及矿物识别技术领域，具体涉及一种基于多标签图像分类的识别共生或伴生矿物的方法与系统。
背景技术
在地质研究、矿物开采以及矿产科研等方面，需要对矿产进行识别，传统识别方法需要结合现有记载的矿物图片和测量的矿物物理及化学性质进行比对，通常存在着效率低，误差大的问题。随着科技进步，深度学习技术的不断发展，逐渐出现矿物智能识别技术，矿物智能识别技术，是一种采用图像识别方法的数字化识别分类矿物的技术。多使用深度学习算法对矿物实物图片进行识别分类。通常先采集大量矿物实物图片用于深度学习算法的卷积神经网络训练，训练好后即可用于完成矿物的识别任务。
然而多数深度学习矿物识别研究采用大量较有区分度的数据集进行卷积神经网络的训练，来识别图片中仅包含一种矿物的情况。但由于现实生活中的矿物的生长环境较为复杂，多是伴生或共生的矿物，导致深度学习模型不能准确识别出矿物中所包含的所有矿物类别。
发明内容
为此，本发明实施例提供一种基于多标签图像分类的识别共生或伴生矿物的方法与系统，以解决现有识别方法仅能对单一矿物进行识别导致的无法识别出共生或伴生矿物中所有矿物的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例，公开了一种基于多标签图像分类的识别共生或伴生矿物的系统，所述基于多标签图像分类的识别共生或伴生矿物系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块，训练时将带有多类别标签的矿物图片以及矿物的多个标签输入卷积神经网络，得到一维特征值向量；将从卷积神经网络得到的一维特征值向量输入到长短期记忆网络，得到未归一化的一维概率值向量；将从卷积神经网络得到的一维特征值向量输入到全连接网络，得到另一个未归一化的一维概率值向量；将从长短期记忆网络输出的未归一化的一维概率值向量和全连接网络输出得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量；将新的未归一化的一维概率值向量进行归一化处理，输出待识别矿物所属不同类别的概率大小。训练完成后将采集的矿物实物图片输入系统，系统结合已学习到的标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出采集的伴生或共生矿物所属不同类别的概率大小，取概率值大于零的类别为该采集的伴生或共生矿石所包含的所有类别。
本发明实施例具有如下优点：
本发明实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的系统及方法，将带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预训练，训练完成后将采集到的矿物实物图片输入系统，输出矿物所属不同类别的概率大小，取概率大于零的所属类别为该矿石中包含的所有类别，该方法能更加准确地识别伴生或共生矿物的类型。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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，下面描述中的附图仅仅是示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的系统连接示意图；
图2为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的方法工作示意图；
图中：1-待识别矿物图片、2-卷积神经网络模型、3-长短期记忆网络、4-全连接网络、5-第一向量、6-第二向量、7-第三向量、8-第四向量、9-第五向量。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
实施例1
本实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的系统，所述基于多标签图像分类的识别共生或伴生矿物的系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块，训练时将带有多个类别标签的矿物图片输入卷积神经网络，得到一维特征值向量；将从卷积神经网络得到的一维特征值向量输入到长短期记忆网络，得到未归一化的一维概率值向量；将从卷积神经网络得到的一维特征值向量输入到全连接网络，得到另一个未归一化的一维概率值向量；将从长短期记忆网络输出的未归一化的一维概率值向量和全连接网络输出得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量；将新的未归一化的一维概率值向量进行归一化处理，输出待识别矿物所属不同类别的概率大小。训练完成后将采集的矿物实物图片输入系统，系统结合已学习到的标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出采集的伴生或共生矿物所属不同类别的概率大小，取概率大于零的值所属类别为该采集的伴生或共生矿石所包含的所有类别。
所述数据集用于训练人工神经网络的图像数据集通过爬取矿产资源数据库平台(Mindat.org)的图像数据获取。
所述卷积神经网络模块采用的为NFNet，NFNet是一种不需要BatchNormalization的基于ResNet的网络结构。
实施例2
参考图1，本实施例公开了一种共生或伴生矿物识别分类方法，获取大量带有多个类别标签的矿物实物图片用于识别系统的训练，训练好后，输入待识别矿物的一张实物图片，系统即可输出判断结果。
参考图2，将待识别矿物图片1输入NFNet卷积神经网络模型2得到一个由特征值组成的第一向量5，将第一向量5分别输入LSTM长短期记忆网络3和全连接网络4得到两个由概率值组成的第二向量6和第三向量7，将第二向量6与第三向量7相加得到第四向量8，第四向量8的长度与第二向量6和第三向量7长度相同，再将第三向量8进行归一化处理输出得到最终预测结果第四向量9，取预测结果中概率大于零的种类为所述类别矿物中包含的所有矿物类别。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (1)

1.一种基于多标签图像分类的识别共生或伴生矿物的系统，其特征在于，所述基于多标签图像分类的识别共生或伴生矿物的系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块和全连接网络，训练时将带有多个类别标签的矿物图片输入卷积神经网络，得到一维特征值向量；将从卷积神经网络得到的一维特征值向量输入到长短期记忆网络，得到未归一化的一维概率值向量；将从卷积神经网络得到的一维特征值向量输入到全连接网络，得到另一个未归一化的一维概率值向量；将从长短期记忆网络输出的未归一化的一维概率值向量和全连接网络输出得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量；将新的未归一化的一维概率值向量进行归一化处理，输出待识别矿物所属不同类别的概率大小，训练完成后将采集的伴生或共生矿物实物图片输入系统，系统结合已学习到的标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出采集的伴生或共生矿物所属不同类别的概率大小，取概率大于零的所属类别为此采集的伴生或共生矿石中所含矿物的所有类别。
CN202110795094.6A 2021-07-14 2021-07-14 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统 Active CN113537339B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110795094.6A CN113537339B (zh) 2021-07-14 2021-07-14 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110795094.6A CN113537339B (zh) 2021-07-14 2021-07-14 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统

Publications (2)

Publication Number Publication Date
CN113537339A CN113537339A (zh) 2021-10-22
CN113537339B true CN113537339B (zh) 2023-06-02

Family

ID=78099067

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110795094.6A Active CN113537339B (zh) 2021-07-14 2021-07-14 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统

Country Status (1)

Country Link
CN (1) CN113537339B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115631362B (zh) * 2022-09-26 2024-07-05 北京霍里思特科技有限公司 一种铁器的识别方法及装置

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220667A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像分类方法、装置及计算机可读存储介质
CN109086811A (zh) * 2018-07-19 2018-12-25 南京旷云科技有限公司 多标签图像分类方法、装置及电子设备
CN109886232A (zh) * 2019-02-28 2019-06-14 燊赛(上海)智能科技有限公司 一种基于神经网络的电网图像识别系统
CN110059765A (zh) * 2019-04-26 2019-07-26 中国地质大学（北京） 一种矿物智能识别分类系统与方法
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN111027562A (zh) * 2019-12-06 2020-04-17 中电健康云科技有限公司 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法
CN111126514A (zh) * 2020-03-30 2020-05-08 同盾控股有限公司 图像多标签分类方法、装置、设备及介质
CN111275107A (zh) * 2020-01-20 2020-06-12 西安奥卡云数据科技有限公司 一种基于迁移学习的多标签场景图像分类方法及装置
CN111598138A (zh) * 2020-04-24 2020-08-28 山东易华录信息技术有限公司 一种神经网络学习图像识别方法及装置

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10599769B2 (en) * 2018-05-01 2020-03-24 Capital One Services, Llc Text categorization using natural language processing

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107220667A (zh) * 2017-05-24 2017-09-29 北京小米移动软件有限公司 图像分类方法、装置及计算机可读存储介质
CN109086811A (zh) * 2018-07-19 2018-12-25 南京旷云科技有限公司 多标签图像分类方法、装置及电子设备
CN109886232A (zh) * 2019-02-28 2019-06-14 燊赛(上海)智能科技有限公司 一种基于神经网络的电网图像识别系统
CN110059765A (zh) * 2019-04-26 2019-07-26 中国地质大学（北京） 一种矿物智能识别分类系统与方法
CN110688482A (zh) * 2019-09-12 2020-01-14 新华三大数据技术有限公司 多标签识别方法、训练方法及装置
CN111027562A (zh) * 2019-12-06 2020-04-17 中电健康云科技有限公司 基于多尺度cnn和结合注意力机制的rnn的光学字符识别方法
CN111275107A (zh) * 2020-01-20 2020-06-12 西安奥卡云数据科技有限公司 一种基于迁移学习的多标签场景图像分类方法及装置
CN111126514A (zh) * 2020-03-30 2020-05-08 同盾控股有限公司 图像多标签分类方法、装置、设备及介质
CN111598138A (zh) * 2020-04-24 2020-08-28 山东易华录信息技术有限公司 一种神经网络学习图像识别方法及装置

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
A CNN–RNN architecture for multi-label weather recognition;Zhao B等;《Neuro computing》;第322卷;47-57 *
基于LSTM循环神经网络的故障时间序列预测;王鑫等;《北京航空航天大学学报》;第44卷(第4期);772-784 *
基于卷积神经网络的多标签场景分类;陈智;《中国优秀硕士学位论文全文数据库信息科技辑》(第2期);I138-1318 *
基于多标签图像分类的矿物识别研究;刘丹晨;《中国优秀硕士学位论文全文数据库基础科学辑》(第4期);A011-86 *
基于深度学习的文物图像单标签和多标签分类研究;孙利国;《中国优秀硕士学位论文全文数据库哲学与人文科学辑》(第8期);F097-38 *

Also Published As

Publication number Publication date
CN113537339A (zh) 2021-10-22

Similar Documents

Publication Publication Date Title
CN109993100B (zh) 基于深层特征聚类的人脸表情识别的实现方法
CN112347970B (zh) 一种基于图卷积神经网络的遥感影像地物识别方法
CN110046634B (zh) 聚类结果的解释方法和装置
CN112685504B (zh) 一种面向生产过程的分布式迁移图学习方法
CN111008224B (zh) 一种基于深度多任务表示学习的时间序列分类和检索方法
CN105631416A (zh) 采用新型密度聚类进行人脸识别的方法
CN110059765B (zh) 一种矿物智能识别分类系统与方法
CN108280236A (zh) 一种基于LargeVis的随机森林可视化数据分析方法
CN113095370A (zh) 图像识别方法、装置、电子设备及存储介质
CN109492093A (zh) 基于高斯混合模型和em算法的文本分类方法及电子装置
CN113537339B (zh) 一种基于多标签图像分类的识别共生或伴生矿物的方法与系统
CN114782761A (zh) 基于深度学习的智能仓储物料识别方法和系统
CN114897085A (zh) 一种基于封闭子图链路预测的聚类方法及计算机设备
CN113313179B (zh) 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法
CN111783688B (zh) 一种基于卷积神经网络的遥感图像场景分类方法
CN117034030A (zh) 基于正反双向信息融合的脑电图数据对齐算法
CN115269855B (zh) 基于预训练编码器的论文细粒度化多标签标注方法及装置
CN114219051B (zh) 图像分类方法、分类模型的训练方法、装置及电子设备
CN112215441B (zh) 预测模型训练方法及系统
CN114611668A (zh) 一种基于异质信息网络随机游走的向量表示学习方法及系统
CN112906724B (zh) 一种图像处理装置、方法、介质及系统
CN115131646A (zh) 基于离散系数的深度网络模型压缩方法
CN114662568A (zh) 数据分类方法、装置、设备和存储介质
Saranya et al. Enhancing Brain Tumor Classification with Optimized Convolutional Neural Networks
Mishra et al. Efficient intelligent framework for selection of initial cluster centers

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