CN114663414B - 一种基于unet卷积神经网络的岩矿识别提取系统及方法 - Google Patents

一种基于unet卷积神经网络的岩矿识别提取系统及方法 Download PDF

Info

Publication number
CN114663414B
CN114663414B CN202210343471.7A CN202210343471A CN114663414B CN 114663414 B CN114663414 B CN 114663414B CN 202210343471 A CN202210343471 A CN 202210343471A CN 114663414 B CN114663414 B CN 114663414B
Authority
CN
China
Prior art keywords
image
neural network
convolutional neural
training
unit
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
CN202210343471.7A
Other languages
English (en)
Other versions
CN114663414A (zh
Inventor
曾铃
陈磊
李天斌
王协康
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.)
Chengdu Univeristy of Technology
Original Assignee
Chengdu Univeristy of Technology
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 Chengdu Univeristy of Technology filed Critical Chengdu Univeristy of Technology
Priority to CN202210343471.7A priority Critical patent/CN114663414B/zh
Publication of CN114663414A publication Critical patent/CN114663414A/zh
Application granted granted Critical
Publication of CN114663414B publication Critical patent/CN114663414B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

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

Abstract

本发明公开了一种基于UNET卷积神经网络的岩矿识别提取系统及方法，系统包括环境检测模块、图片剪裁模块、数据标注模块、数据集生成模块、训练与应用模块、图像转换模块、图片修改模块、晶体统计模块。本发明提供了深度学习环境的配置、数据集的标注与生成、模型的训练与应用、手动修改结果、按尺寸筛选晶体、提取单晶图、计算单晶体面积等功能，提供了一整套工具，极大的方便了开发人员。

Description

一种基于UNET卷积神经网络的岩矿识别提取系统及方法
技术领域
本发明涉及岩矿识别提取领域，具体涉及一种基于UNET卷积神经网络的岩矿识别提取系统及方法。
背景技术
目前，深度学习发展迅速，应用领域广泛，但是要迅速开展一个项目，往往需要从头开始编写代码，这需要一定的时间去设计、开发软件。深度学习图像分割技术在晶体提取上面具有较大的优势，其准确率较传统图像分割技术有大幅提升，但是目前很少有专门用于晶体图像提取的系统，也缺少用于晶体提取的配套工具。若从头开始编写程序及其配套工具，这将为研究人员增加较大的负担，并将花费大量的时间。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于UNET卷积神经网络的岩矿识别提取系统及方法解决了本领域缺少用于晶体图像提取的系统的问题。
为了达到上述发明目的，本发明采用的技术方案为：
提供一种基于UNET卷积神经网络的岩矿识别提取系统，其包括环境检测模块、图片剪裁模块、数据标注模块、数据集生成模块、训练与应用模块、图像转换模块、图片修改模块、晶体统计模块；
环境检测模块包括GPU检测单元，GPU检测单元用于检测当前计算机是否可以使用GPU进行加速计算，若是则将其余模块调度至GPU中进行相应计算；否则将其余模块调度至CPU中进行相应计算；
图片剪裁模块，用于将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
数据标注模块，用于对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
数据集生成模块，用于在标注后的图片的基础上进行数据增强形成数据集；
训练与应用模块，用于根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；
图片转换模块，用于获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；
图片修改模块，用于在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
晶体统计模块，用于统计修改后的图像中晶体的像素面积，完成目标图像的岩矿识别提取。
进一步地，环境检测模块还包括显存检测单元，显存检测单元用于检测GPU进行加速计算时是否出现显存不足，并在出现显存不足导致其余模块无法正常工作时通过任务管理器关闭基于UNET卷积神经网络的岩矿识别提取系统。
进一步地，图片剪裁模块还包括Numpy库调用单元，Numpy库调用单元用于调用Numpy库按照设定份数进行切割剪裁。
进一步地，数据标注模块还包括labelme调用单元，labelme调用单元用于调用labelme软件进行晶体标注，将标注后的图片保存为json格式。
进一步地，数据集生成模块还包括水平垂直翻转单元、水平翻转单元和垂直翻转单元；
水平垂直翻转单元，用于在标注后的图片的基础上通过水平垂直翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中；
水平翻转单元，用于在标注后的图片的基础上通过水平翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中；
垂直翻转单元，用于在标注后的图片的基础上通过垂直翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中。
进一步地，训练与应用模块包括训练单元和识别单元；
训练单元，用于以Adam为优化器，以BCEWithLogitsLoss为损失函数，自动按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；并将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
识别单元，用于通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像。
进一步地，训练与应用模块还包括图像拼接单元，图像拼接模块用于根据图片剪裁模块在切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除，将去除多余部分的图像进行拼接，得到识别后的整体图像。
进一步地，图片修改模块包括目标区域修改单元、信息补充单元和晶体删除单元；
目标区域修改单元，用于手动添加和/或删除训练与应用模块识别得到的目标区域；
信息补充单元，用于手动添加和/或删除使用者想要修改的信息；
晶体删除单元，用于圈选晶体，并将小于所圈选的晶体大小的晶体进行删除。
提供一种基于UNET卷积神经网络的岩矿识别提取方法，其包括以下步骤：
S1、检测当前计算机是否可以使用GPU进行加速计算，若是则在GPU中进行后续步骤的计算；否则在CPU中进行后续计算；
S2、将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
S3、对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
S4、在标注后的图片的基础上进行数据增强形成数据集；
S5、根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；
S6、获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；
S7、在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
S8、统计修改后的图像中晶体的像素面积，完成目标图像的岩矿识别提取。
进一步地，步骤S5的具体方法包括以下子步骤：
S5-1、以Adam为优化器，以BCEWithLogitsLoss为损失函数，按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；
S5-2、将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
S5-3、通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像；
S5-4、根据切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除；
S5-5、将去除多余部分的图像进行拼接，得到识别后的整体图像。
本发明的有益效果为：本系统及方法提供了深度学习环境的配置、数据集的标注与生成、模型的训练与应用、手动修改结果、按尺寸筛选晶体、提取单晶图、计算单晶体面积等功能，提供了一整套工具，极大的方便了开发人员。
附图说明
图1为本系统的结构框图；
图2为本方法的流程示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，该基于UNET卷积神经网络的岩矿识别提取系统包括环境检测模块、图片剪裁模块、数据标注模块、数据集生成模块、训练与应用模块、图像转换模块、图片修改模块、晶体统计模块；
环境检测模块包括GPU检测单元，GPU检测单元用于使用Pytorch库检测当前计算机是否可以使用GPU进行加速计算，若是则将其余模块调度至GPU中进行相应计算；否则将其余模块调度至CPU中进行相应计算；
图片剪裁模块，用于将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
数据标注模块，用于对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
数据集生成模块，用于在标注后的图片的基础上进行数据增强形成数据集；
训练与应用模块，用于根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；识别后的图像为黑白图；
图片转换模块，用于获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；即将黑白图作为一个蒙版，用numpy得到黑色像素点的坐标，将这个坐标应用到原图中，属于这个坐标点集合的原图信息则保留，不属于的则赋值为255(白色)；
图片修改模块，用于在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
晶体统计模块，用于将一张图片中包含的所有晶体转换成单晶图，统计修改后的图像中晶体的像素面积，将结果保存为Excel表格，完成目标图像的岩矿识别提取。
环境检测模块还包括显存检测单元，显存检测单元用于检测GPU进行加速计算时是否出现显存不足，并在出现显存不足导致其余模块无法正常工作时通过任务管理器关闭基于UNET卷积神经网络的岩矿识别提取系统。
图片剪裁模块还包括Numpy库调用单元，Numpy库调用单元用于调用Numpy库按照设定份数进行切割剪裁。
数据标注模块还包括labelme调用单元，labelme调用单元用于调用labelme软件进行晶体标注，将标注后的图片保存为json格式。因为labelme软件默认是单目标识别，所以标注的多个目标也将被识别为单目标。
数据集生成模块还包括水平垂直翻转单元、水平翻转单元和垂直翻转单元；
水平垂直翻转单元，用于在标注后的图片的基础上通过水平垂直翻转进行数据增强；
水平翻转单元，用于在标注后的图片的基础上通过水平翻转进行数据增强；
垂直翻转单元，用于在标注后的图片的基础上通过垂直翻转进行数据增强。
数据增强后的文件名带有“__1”、“_1”、“_0”，分别对应水平垂直翻转、水平翻转、垂直翻转，生成的数据集的图形和标签分别保存在image和label文件夹中。
训练与应用模块包括训练单元和识别单元；
训练单元，用于以Adam为优化器，以BCEWithLogitsLoss为损失函数，自动按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；并将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
识别单元，用于通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像。
训练与应用模块还包括图像拼接单元，图像拼接模块用于根据图片剪裁模块在切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除，将去除多余部分的图像进行拼接，得到识别后的整体图像。
图片修改模块包括目标区域修改单元、信息补充单元和晶体删除单元；
目标区域修改单元，用于手动添加和/或删除训练与应用模块识别得到的目标区域；
信息补充单元，用于手动添加和/或删除使用者想要修改的信息；
晶体删除单元，用于圈选晶体，并将小于所圈选的晶体大小的晶体进行删除。
如图2所示，该基于UNET卷积神经网络的岩矿识别提取方法包括以下步骤：
S1、检测当前计算机是否可以使用GPU进行加速计算，若是则在GPU中进行后续步骤的计算；否则在CPU中进行后续计算；
S2、将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
S3、对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
S4、在标注后的图片的基础上进行数据增强形成数据集；
S5、根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；
S6、获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；
S7、在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
S8、统计修改后的图像中晶体的像素面积，完成目标图像的岩矿识别提取。
步骤S5的具体方法包括以下子步骤：
S5-1、以Adam为优化器，以BCEWithLogitsLoss为损失函数，按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；
S5-2、将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
S5-3、通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像；
S5-4、根据切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除；
S5-5、将去除多余部分的图像进行拼接，得到识别后的整体图像。
在本发明的一个实施例中，本系统的GUI采取的是PyQt5开发，深度学习采取的Pytorch进行，图片处理部分为opencv、pillow、matplotlib配合使用。软件支持使用Nvidia显卡(需支持CUDA)进行加速训练。
综上所述，本发明提供了深度学习环境的配置、数据集的标注与生成、模型的训练与应用、手动修改结果、按尺寸筛选晶体、提取单晶图、计算单晶体面积等功能，提供了一整套工具，极大的方便了开发人员。

Claims (10)

1.一种基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，包括环境检测模块、图片剪裁模块、数据标注模块、数据集生成模块、训练与应用模块、图像转换模块、图片修改模块、晶体统计模块；
所述环境检测模块包括GPU检测单元，GPU检测单元用于检测当前计算机是否可以使用GPU进行加速计算，若是则将其余模块调度至GPU中进行相应计算；否则将其余模块调度至CPU中进行相应计算；
所述图片剪裁模块，用于将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
所述数据标注模块，用于对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
所述数据集生成模块，用于在标注后的图片的基础上进行数据增强形成数据集；
所述训练与应用模块，用于根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；
所述图像 转换模块，用于获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；
所述图片修改模块，用于在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
所述晶体统计模块，用于统计修改后的图像中晶体的像素面积，完成目标图像的岩矿识别提取。
2.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，环境检测模块还包括显存检测单元，显存检测单元用于检测GPU进行加速计算时是否出现显存不足，并在出现显存不足导致其余模块无法正常工作时通过任务管理器关闭基于UNET卷积神经网络的岩矿识别提取系统。
3.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，图片剪裁模块还包括Numpy库调用单元，Numpy库调用单元用于调用Numpy库按照设定份数进行切割剪裁。
4.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，数据标注模块还包括labelme调用单元，labelme调用单元用于调用labelme软件进行晶体标注，将标注后的图片保存为json格式。
5.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，数据集生成模块还包括水平垂直翻转单元、水平翻转单元和垂直翻转单元；
水平垂直翻转单元，用于在标注后的图片的基础上通过水平垂直翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中；
水平翻转单元，用于在标注后的图片的基础上通过水平翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中；
垂直翻转单元，用于在标注后的图片的基础上通过垂直翻转进行数据增强，将生成的数据的图像和标签分别保存在image和label文件夹中。
6.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，训练与应用模块包括训练单元和识别单元；
训练单元，用于以Adam为优化器，以BCEWithLogitsLoss为损失函数，自动按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；并将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
识别单元，用于通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像。
7.根据权利要求6所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，训练与应用模块还包括图像拼接单元，图像拼接模块用于根据图片剪裁模块在切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除，将去除多余部分的图像进行拼接，得到识别后的整体图像。
8.根据权利要求1所述的基于UNET卷积神经网络的岩矿识别提取系统，其特征在于，图片修改模块包括目标区域修改单元、信息补充单元和晶体删除单元；
目标区域修改单元，用于手动添加和/或删除训练与应用模块识别得到的目标区域；
信息补充单元，用于手动添加和/或删除使用者想要修改的信息；
晶体删除单元，用于圈选晶体，并将小于所圈选的晶体大小的晶体进行删除。
9.一种基于UNET卷积神经网络的岩矿识别提取方法，其特征在于，包括以下步骤：
S1、检测当前计算机是否可以使用GPU进行加速计算，若是则在GPU中进行后续步骤的计算；否则在CPU中进行后续计算；
S2、将大于尺寸阈值的训练图片和目标图像按照设定份数进行切割剪裁，分别得到符合尺寸要求的训练图片和符合尺寸要求的目标图像；
S3、对符合尺寸要求的训练图片进行晶体标注，得到标注后的图片；
S4、在标注后的图片的基础上进行数据增强形成数据集；
S5、根据数据集进行UNET卷积神经网络训练，得到训练后的UNET卷积神经网络；通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到识别后的图像；
S6、获取识别后的图像中的黑色部分的位置，将目标图像中除该位置外的像素值赋值为255，得到转换后的图像；
S7、在修改后的图像中手动添加和/或删除内容，得到修改后的图像；
S8、统计修改后的图像中晶体的像素面积，完成目标图像的岩矿识别提取。
10.根据权利要求9所述的基于UNET卷积神经网络的岩矿识别提取方法，其特征在于，步骤S5的具体方法包括以下子步骤：
S5-1、以Adam为优化器，以BCEWithLogitsLoss为损失函数，按照0.85：0.15的比例将数据集自动分成训练集和测试集对UNET卷积神经网络进行训练，获取训练后的UNET卷积神经网络；
S5-2、将训练过程以文字的形式展示训练后的UNET卷积神经网络在测试集上准确度、精确度、召回率、F1分数的变化；
S5-3、通过训练后的UNET卷积神经网络对符合尺寸要求的目标图像进行晶体识别，得到若干识别后的图像；
S5-4、根据切割裁剪时的数据获取相邻图片的信息，通过相邻图片的信息对识别单元输出的图像进行多余部分去除；
S5-5、将去除多余部分的图像进行拼接，得到识别后的整体图像。
CN202210343471.7A 2022-03-31 2022-03-31 一种基于unet卷积神经网络的岩矿识别提取系统及方法 Active CN114663414B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210343471.7A CN114663414B (zh) 2022-03-31 2022-03-31 一种基于unet卷积神经网络的岩矿识别提取系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210343471.7A CN114663414B (zh) 2022-03-31 2022-03-31 一种基于unet卷积神经网络的岩矿识别提取系统及方法

Publications (2)

Publication Number Publication Date
CN114663414A CN114663414A (zh) 2022-06-24
CN114663414B true CN114663414B (zh) 2023-04-07

Family

ID=82033607

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210343471.7A Active CN114663414B (zh) 2022-03-31 2022-03-31 一种基于unet卷积神经网络的岩矿识别提取系统及方法

Country Status (1)

Country Link
CN (1) CN114663414B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284780A (zh) * 2018-09-10 2019-01-29 中山大学 矿石矿物图像自动识别与分类方法
CN109886307A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种基于卷积神经网络的图像检测方法及系统
CN112329647A (zh) * 2020-11-09 2021-02-05 西南交通大学 基于U-Net神经网络的土地利用类型识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284780A (zh) * 2018-09-10 2019-01-29 中山大学 矿石矿物图像自动识别与分类方法
CN109886307A (zh) * 2019-01-24 2019-06-14 西安交通大学 一种基于卷积神经网络的图像检测方法及系统
CN112329647A (zh) * 2020-11-09 2021-02-05 西南交通大学 基于U-Net神经网络的土地利用类型识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Developing a Segmentation Model for Microscopic Images of Microplastics Isolated from Clams;Ji Yeon Baek 等;《International Conference on Pattern Recognition》;第86-97页 *

Also Published As

Publication number Publication date
CN114663414A (zh) 2022-06-24

Similar Documents

Publication Publication Date Title
CN109902622B (zh) 一种用于登机牌信息验证的文字检测识别方法
US10353997B1 (en) Freeform annotation transcription
CN112528863A (zh) 表格结构的识别方法、装置、电子设备及存储介质
RU2357284C2 (ru) Способ обработки цифровых рукописных примечаний для распознавания, привязки и переформатирования цифровых рукописных примечаний и система для его осуществления
WO2020192463A1 (zh) 一种展示方法及装置
WO2018233055A1 (zh) 保单信息录入的方法、装置、计算机设备及存储介质
US11600091B2 (en) Performing electronic document segmentation using deep neural networks
CN111652232A (zh) 票据识别方法及装置、电子设备和计算机可读存储介质
CN111695518B (zh) 结构化文档信息标注的方法、装置及电子设备
CN112883926B (zh) 表格类医疗影像的识别方法及装置
CN110363190A (zh) 一种文字识别方法、装置及设备
CN116052193B (zh) Rpa界面动态表格的拾取和匹配方法及系统
CN112541922A (zh) 基于数字图像的试卷布局分割方法、电子设备及存储介质
WO2024041032A1 (zh) 基于不可编辑的图文类图像生成可编辑文档的方法及装置
CN112749649A (zh) 一种智能识别并生成电子合同的方法及系统
CN114359533B (zh) 一种基于页面文本的页码识别方法和计算机设备
CN110796145B (zh) 基于智能决策的多证件分割关联方法及相关设备
US11610054B1 (en) Semantically-guided template generation from image content
CN111626145A (zh) 一种简捷有效的残缺表格识别及跨页拼接方法
WO2017143973A1 (zh) 文本识别模型建立方法和装置
CN114419632A (zh) 一种ocr训练样本生成方法、装置及系统
CN112508000B (zh) 一种用于ocr图像识别模型训练数据生成的方法及设备
CN113780116A (zh) 发票分类方法、装置、计算机设备和存储介质
CN114663414B (zh) 一种基于unet卷积神经网络的岩矿识别提取系统及方法
CN112613367A (zh) 票据信息文本框获取方法、系统、设备及存储介质

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