CN114776304B - 一种深海矿产异常区识别的方法、装置、设备及介质 - Google Patents

一种深海矿产异常区识别的方法、装置、设备及介质 Download PDF

Info

Publication number
CN114776304B
CN114776304B CN202210605551.5A CN202210605551A CN114776304B CN 114776304 B CN114776304 B CN 114776304B CN 202210605551 A CN202210605551 A CN 202210605551A CN 114776304 B CN114776304 B CN 114776304B
Authority
CN
China
Prior art keywords
data
target
abnormal
classification result
area
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
CN202210605551.5A
Other languages
English (en)
Other versions
CN114776304A (zh
Inventor
张焱
何高文
梁金强
王汾连
杨永
刘永刚
任江波
陆敬安
匡增桂
康冬菊
林霖
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.)
Guangzhou Marine Geological Survey
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
Original Assignee
Guangzhou Marine Geological Survey
Southern Marine Science and Engineering Guangdong Laboratory Guangzhou
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 Guangzhou Marine Geological Survey, Southern Marine Science and Engineering Guangdong Laboratory Guangzhou filed Critical Guangzhou Marine Geological Survey
Priority to CN202210605551.5A priority Critical patent/CN114776304B/zh
Publication of CN114776304A publication Critical patent/CN114776304A/zh
Application granted granted Critical
Publication of CN114776304B publication Critical patent/CN114776304B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • E—FIXED CONSTRUCTIONS
    • E21—EARTH OR ROCK DRILLING; MINING
    • E21C—MINING OR QUARRYING
    • E21C50/00—Obtaining minerals from underwater, not otherwise provided for
    • 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
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mining & Mineral Resources (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Geochemistry & Mineralogy (AREA)
  • Geology (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请实施例提供一种深海矿产异常区识别的方法、装置、设备及介质，该方法包括：获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的；将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测。通过本申请的一些实施例能够综合考虑目标海域矿产的地球化学数据特征，进而通过目标异常区识别模型识别更精确的深海矿产异常区，进而提升了探测效率。

Description

一种深海矿产异常区识别的方法、装置、设备及介质
技术领域
本申请实施例涉及深海探测领域，具体涉及一种深海矿产异常区识别的方法、装置、设备及介质。
背景技术
随着陆地上新发现的浅表矿越来越少，矿产探测走向深海已经成为趋势。深海矿产具有埋深大，矿化信息弱等特点，并且由于海上作业的不可预见性，导致深海矿产勘探的难度加大。
相关技术中，运用传统统计学算法对深海矿产的地球化学数据进行计算，获得目标海域的异常区。但是，由于传统统计学算法不能考虑到矿产地球化学数据的内在特征，所以圈定的异常区具有很大的不确定性。
因此，如何准确识别深海矿产异常区成为需要解决的问题。
发明内容
本申请实施例提供一种深海矿产异常区识别的方法、装置、设备及介质，通过本申请的一些实施例至少能够综合考虑目标海域矿产的地球化学数据特征，进而通过目标异常区识别模型识别更精确的深海矿产异常区，进而提升了探测效率。
第一方面，本申请提供了一种深海矿产异常区识别的方法，所述方法包括：获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的；将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测。
因此，与相关技术中直接使用多重分形圈定异常区的方法，本申请将预分类图像输入到目标异常区识别模型中进行进一步的识别，能够圈定更加精确的异常区，从而能够进一步提高探测目标海域的效率。
结合第一方面，在本申请的一种实施方式中，所述预分类图像包括正常区和所述异常区，所述正常区的所述地球化学数据中各化学元素的含量值均在设定阈值范围内，所述异常区中至少部分化学元素的含量值不在所述设定阈值范围内；在所述将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果之前，所述方法还包括：获取预分类样本图像；至少将预分类样本图像和与所述预分类样本图像对应的地球化学数据输入到待训练的异常区识别模型进行训练，获得所述目标异常区识别模型；其中，所述预分类样本图像中标签标记的异常区属于所述预分类图像中异常区的子区域。
因此，本申请实施例通过对待训练的异常区识别模型进行训练，能够得到具备识别更精细的异常区的目标异常区识别模型，进而能够实现对目标区域深海矿产的进一步探测。
结合第一方面，在本申请的一种实施方式中，在所述获取预分类样本图像之前，所述方法还包括：将所述预分类图像划分为M个区域，其中，M为大于1的整数；确认所述M个区域中包括N个异常区，其中，N为大于或等于1的整数，所述N小于等于所述M；根据各异常区域包括的任意化学元素的含量将所述N个异常区域中各异常区域分别标记为富集区域或贫乏区域，获得所述预分类样本图像，其中，所述富集区域的化学元素的含量大于第一阈值，所述贫乏区域的化学元素的含量小于第二阈值，所述第二阈值小于所述第一阈值。
因此，本申请实施例通过对预分类图像中的异常区划分更精细的异常区域，获得预分类样本图像，能够使待训练的异常区识别模型学习到更精确的异常区特征。
结合第一方面，在本申请的一种实施方式中，在所述获取预分类图像和与所述预分类图像相对应的地球化学数据之前，所述方法还包括：获取原始矿产数据，其中，所述原始矿产数据为所述目标海域的深海矿产所对应的地球化学数据；根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素；根据所述目标分类结果，对所述原始矿产数据对应的所述正常区和所述异常区进行初步识别，获得所述预分类图像。
因此，本申请实施例通过各化学元素之间的属性和相关关系对正常区和异常区进行初步识别，获得预分类图像，能够为后续使用神经网络进行再识别提供价值较高的数据，从而能够获得准确的目标异常区划分结果。
结合第一方面，在本申请的一种实施方式中，所述根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，包括：通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果；对所述原始矿产数据进行主成分分析，将所述原始矿产数据划分为多组，得到第二分类结果；对所述原始矿产数据进行聚类分析，将所述原始矿产数据划分为多组，获得第三分类结果；确认所述第一分类结果、所述第二分类结果和所述第三分类结果均相同，得到所述目标分类结果。
因此，本申请实施例通过多种方法对原始矿产数据进行分组，能够对多个结果进行相互验证，从而提高分类的准确性。
结合第一方面，在本申请的一种实施方式中，所述通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果，包括：计算与所述各化学元素对应的多重分形谱曲线；根据所述多重分形谱曲线将所述原始矿产数据划分为多组，获得所述第一分类结果。
因此，本申请实施例计算各化学元素对应的多重分形谱曲线，能够有效的反映各化学元素的内在空间结构，进而能够提升分类的准确性。
第二方面，本申请提供了一种深海矿产异常区识别的系统，所述系统包括：地球化学数据采集设备，用于对目标海域的深海矿产进行探测，获得所述目标海域的原始矿产数据；服务端，被配置为根据原始矿产数据执行如第一方面任意实施例所述的方法获得目标异常区划分结果；深海勘探设备，用于根据所述目标异常区划分结果对所述目标海域进行进一步的探测。
第三方面，本申请提供了一种深海矿产异常区识别的装置，所述装置包括：获取模块，被配置为获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的；识别模块，被配置为将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测。
结合第三方面，在本申请的一种实施方式中，所述预分类图像包括正常区和所述异常区，所述正常区的所述地球化学数据中各化学元素的含量值均在设定阈值范围内，所述异常区中至少部分化学元素的含量值不在所述设定阈值范围内；识别模块被配置为：获取预分类样本图像；至少将预分类样本图像和与所述预分类样本图像对应的地球化学数据输入到待训练的异常区识别模型进行训练，获得所述目标异常区识别模型；其中，所述预分类样本图像中标签标记的异常区属于所述预分类图像中异常区的子区域。
结合第三方面，在本申请的一种实施方式中，识别模块被配置为：将所述预分类图像划分为M个区域，其中，M为大于1的整数；确认所述M个区域中包括N个异常区，其中，N为大于或等于1的整数，所述N小于等于所述M；根据各异常区域包括的任意化学元素的含量将所述N个异常区域中各异常区域分别标记为富集区域或贫乏区域，获得所述预分类样本图像，其中，所述富集区域的化学元素的含量大于第一阈值，所述贫乏区域的化学元素的含量小于第二阈值，所述第二阈值小于所述第一阈值。
结合第三方面，在本申请的一种实施方式中，获取模块被配置为：获取原始矿产数据，其中，所述原始矿产数据为所述目标海域的深海矿产所对应的地球化学数据；根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素；根据所述目标分类结果，对所述原始矿产数据对应的所述正常区和所述异常区进行初步识别，获得所述预分类图像。
结合第三方面，在本申请的一种实施方式中，识别模块被配置为：通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果；对所述原始矿产数据进行主成分分析，将所述原始矿产数据划分为多组，得到第二分类结果；对所述原始矿产数据进行聚类分析，将所述原始矿产数据划分为多组，获得第三分类结果；确认所述第一分类结果、所述第二分类结果和所述第三分类结果均相同，得到所述目标分类结果。
结合第三方面，在本申请的一种实施方式中，识别模块被配置为：计算与所述各化学元素对应的多重分形谱曲线；根据所述多重分形谱曲线将所述原始矿产数据划分为多组，获得所述第一分类结果。
第四方面，本申请提供了一种电子设备，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任意实施例所述的方法。
第五方面，本申请提供了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，该计算机程序被执行时实现如第一方面任意实施例所述的方法。
附图说明
图1为本申请实施例示出的深海矿产异常区识别的系统组成示意图；
图2为本申请实施例示出的深海矿产异常区识别的方法流程图之一；
图3为本申请实施例示出的一种预分类图像示意图；
图4为本申请实施例示出的深海矿产异常区识别的方法流程图之二；
图5为本申请实施例示出的深海矿产异常区识别的方法流程图之三；
图6为本申请实施例示出的深海矿产异常区识别的装置组成框图；
图7为本申请实施例示出的一种电子设备组成示意图。
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。
本申请实施例可以应用于识别深海矿产异常区的场景，为了改善背景技术中的问题，在本申请的一些实施例中，通过目标异常区识别模型对预分类图像进行再识别，获得目标异常区划分结果，其中，目标异常区划分结果圈定了目标海域的异常区，从而使深海探测设备对圈定的异常区矿产进行进一步的探测。例如：在本申请的一些实施例中，首先，对目标海域的地球化学数据进行初步识别得到预分类图像，然后，将预分类图像和地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，可以理解的是，目标异常区划分结果能够表征目标海域中存在与已知的正常区元素含量存在差异的异常区，进而深海勘探设备能够根据目标异常区划分结果对目标海域进行进一步探测。通过本申请的一些实施例能够综合考虑目标海域矿产的地球化学数据特征，进而通过目标异常区识别模型识别更精确的深海矿产异常区，进而提升了探测效率。
下面结合附图详细描述本申请实施例中的方法步骤。
图1提供了本申请一些实施例中的深海矿产异常区识别的系统组成示意图，该系统包括地球化学数据采集设备110、服务端120和深海勘探设备130。具体的，地球化学数据采集设备110在目标海域的深海进行地质探测，采集到样本之后获得该目标海域的原始矿产数据(即地球化学数据)。然后，将原始矿产数据输入到服务端120，服务端120执行深海矿产异常区识别的方法，获得目标异常区划分结果。最后，深海勘探设备130根据目标异常区划分结果圈定的异常区进行深海探测，可以理解的是，深海探测包括矿物探测、土壤探测、生物探测等。
与本申请实施例不同的是相关技术中，运用传统统计学算法对深海矿产的地球化学数据进行计算，获得目标海域的异常区。但是，由于传统统计学算法不能考虑到矿产地球化学数据的内在特征，所以圈定的异常区具有很大的不确定性。而本申请的实施例是通过目标异常区识别模型对预分类图像进行再识别来圈定异常区的，因此本申请的实施例可以提取预分类图像以及相对应的地球化学数据的内在特征，进而获得准确的目标异常区划分结果。
下面将阐述本申请实施例中的一种深海矿产异常区识别的方法的实施步骤。
至少为了解决背景技术中的问题，如图2所示，本申请一些实施例提供了一种深海矿产异常区识别的方法，该方法包括：
S210，获取预分类图像和与预分类图像相对应的地球化学数据。
可以理解的是，地球化学数据是对目标海域的深海矿产进行探测得到的。例如，皮嘉费他海盆深海沉积物的地球化学数据包括的各化学元素为：Ba、Sc、Y、La、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Pr、Er、Tm、Yb、Lu、REY、P2O5、Na2O、Co、Ce、Cr、Pb、Ga、SiO2、MnO、TiO2、Al2O3、Fe2O3、Cu、V、MgO、CaO、K2O、Ni、Zn、Sr和Zr。
需要说明的是，S210中的预分类图像包括正常区和异常区。具体的，正常区的地球化学数据中的各化学元素的含量均在设定阈值范围内，异常区中的部分化学元素的含量值或者全部化学元素的含量值不在设定阈值的范围内。例如，目标海域深海矿产的设定阈值为化学元素Ba的元素含量为30％至50％，那么预分类图像中的正常区中的Ba元素的元素含量为45％，异常区中的Ba元素的元素含量为80％，也就是说，异常区中的Ba元素的元素含量不在设定阈值的范围内。
需要说明的是，正常区在深海地质探测领域被称为背景区。
在本申请的一种实施方式中，在S210之前通过目标海域的原始矿产数据获得预分类图像，具体步骤如下所示：
S1：获取原始矿产数据。
例如，对目标海域的深海矿产进行勘探，得到目标海域的地球化学数据(即原始矿产数据)。服务端执行S1获取原始矿产数据。
可以理解的是，上述获得原始矿产数据的方法仅为示例，本申请不对获取原始矿产数据的方法进行限定。
S2：根据原始矿产数据中的各化学元素的属性，将原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素。
S201：通过多重分形算法将原始矿产数据划分为多组，得到第一分类结果。
也就是说，对原始矿产数据进行分类的第一种方法为多重分形算法，即计算各化学元素对应的多重分形谱曲线，之后在根据多重分形谱曲线中表征的各参数对原始矿产数据进行分类。
可以理解的是，从空间上来说，多重分形是单一分形的相互缠结，它描述的是一种度量，这种度量通常采用二维或三维表示，如果这种度量具有空间或统计上的自相似性，则称之为多重分形。
具体步骤如下所示：
首先，计算与各化学元素对应的多重分形谱曲线。
也就是说，使用矩方法计算各化学元素对应的多重分形谱曲线。
具体的，构建多重分形谱曲线时，q为任意数，其取值为[-10,10]，区间为1，当εs较小时显示为直线。采用最小二乘法拟合计算直线斜率τ(q)，之后建立奇异性指数与q值的关系曲线，最后通过拉格朗日变换得到多重分形谱f(α)，获得多重分形谱曲线。
然后，根据多重分形谱曲线将原始矿产数据划分为多组，获得第一分类结果。
具体的，本申请实施例使用不对称指数R测量各化学元素的多重分形谱曲线与对称多重分形谱曲线的偏离程度，其中，R的取值范围为[-1,1]，R值的计算方法如下公式所示：
ΔαL＝|αmin-α0|
ΔαR＝|αmax-α0|
R＝(ΔαL-AαR)/(ΔαL+ΔαR)
其中，R表示不对称指数，ΔαL表示最小奇异性指数与奇异性指数为2时的差值然后取绝对值的结果，ΔαR表示最大奇异性指数与奇异性指数为2时的差值然后取绝对值的结果，αmin表示奇异性指数的最小值，αmax表示奇异性指数的最大值，α0表示q＝0时α的值。可以理解的是，R＝0时表示该化学元素的多重分形谱曲线两侧完全对称，R大于0时表示该化学元素的多重分形谱曲线向左偏，R小于0时表示该化学元素的多重分形谱曲线向右偏。
之后，结合各元素多重分形谱曲线和R值进行分析，将原始矿产数据划分为多组。具体的，第一组中包括的化学元素为：Ba、Sc、Y、La、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Pr、Er、Tm、Yb、Lu、REY、P2O5和Na2O。可以理解的是，第一组中Δα相对较大，对应的Δf(α)也较大，显示较强的多重分形特征，该组元素R值均大于0，多重分形谱曲线向左偏。第二组中包括的化学元素为：Co、Ce、Cr、Pb、Ga、SiO2、MnO、TiO2、Al2O3、Fe2O3、Cu和V。可以理解的是，第二组中的各化学元素的R值均小于0，多重分形谱曲线向右偏，该组指标具有较窄的连续多重分形谱曲线，显示极弱的多重分形特征。第三组中包括的化学元素为：MgO、CaO、K2O、Ni、Zn、Sr和Zr。可以理解的是，第三组中的各化学元素对应的R值的绝对值小于0.5，该组Δα相对较小，即表示该组的各化学元素为简单的单一分形。
可以理解的是，多重分形谱曲线可以有效的反映各化学元素的内在空间结构，因此，Δα、R值以及变异系数这三个相对不变的参数可以被用来表征各化学元素的内在空间特征。
因此，本申请实施例计算各化学元素对应的多重分形谱曲线，能够有效的反映各化学元素的内在空间结构，进而能够提升分类的准确性。
S202：对原始矿产数据进行主成分分析，将原始矿产数据划分为多组，得到第二分类结果。
也就是说，对原始矿产数据进行分类的第二种方式是主成分分析法。可以理解的是，主成分分析法是设法将原来众多具有一定相关性，重新组合成一组新的互相无关的综合指标来代替原来的指标。
具体的，主成分分析的方法包括的主要步骤为：将各化学元素的含量进行标准化、各化学元素之间的相关性判定、确定主成分个数m、确定主成分Fi的表达式以及对主成分Fi进行命名，最终将原始矿产数据划分为多组，得到第二分类结果。第二分类结果中，第一个主成分中包括的化学元素为：Ba、Sc、Y、La、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Pr、Er、Tm、Yb、Lu、REY、P2O5和Na2O，第二个主成分中包括的化学元素为：Co、Ce、Cr、Pb、Ga、SiO2、MnO、TiO2、Al2O3、Fe2O3、Cu和V，第三个主成分中包括的化学元素为：MgO、CaO、K2O、Ni、Zn、Sr和Zr。
S203：对原始矿产数据进行聚类分析，将原始矿产数据划分为多组，获得第三分类结果。
作为本申请S203的一种实施例，需要对原始矿产数据中的各化学元素进行特征参数分析，即计算各化学元素的偏度、峰度、标准差和变异系数，之后根据上述多个特征参数进行层次聚类分析，将原始矿产数据划分为多组，获得第三分类结果。
可以理解的是，偏度是统计数据分布偏斜方向和程度的度量，是统计数据分布非对称程度的数字特征，其中，偏度定义中包括正态分布(偏度＝0)、左偏分布(也称为负偏分布，其偏度小于0)和右偏分布(也称为正偏分布，其偏度大于0)。
峰度又称峰态系数，其表征概率密度分布曲线在平均值处峰值高低的特征数。直观看来，峰度反映了峰部的尖度。随机变量的峰度计算方法为：随机变量的四阶中心矩与方差平方的比值。峰度包括正态分布(峰度值＝3)、厚尾(峰度值>3)和瘦尾(峰度值<3)。峰度与偏度类似，是描述总体中所有取值分布形态陡缓程度的统计量。这个统计量需要与正态分布相比较，峰度为0表示该总体数据分布与正态分布的陡缓程度相同；峰度大于0表示该总体数据分布与正态分布相比较为陡峭，为尖顶峰；峰度小于0表示该总体数据分布与正态分布相比较为平坦，为平顶峰。峰度的绝对值数值越大表示其分布形态的陡缓程度与正态分布的差异程度越大。
变异系数是评价元素分化程度的一个重要指标，可以使用标准差除以平均值得到。
作为本申请一具体实施例，以目标海域的地球化学数据中的多个化学元素为例，示例性的展示计算其特征参数的结果，如表1所示：
表1化学元素特征参数计算结果
Figure BDA0003670461050000121
在计算获得各化学元素的特征参数计算结果之后，根据各化学元素的特征参数，将各化学元素进行层次聚类分析，之后将原始矿产数据中所有化学元素划分为多组，其中，第一组中包括的化学元素为：Ba、Sc、Y、La、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Pr、Er、Tm、Yb、Lu、REY、P2O5和Na2O，第二组中包括的化学元素为：Co、Ce、Cr、Pb、Ga、SiO2、MnO、TiO2、Al2O3、Fe2O3、Cu和V，第三组中包括的化学元素为：MgO、CaO、K2O、Ni、Zn、Sr和Zr。
作为本申请S203的另一种实施例，使用R型聚类对各化学元素进行分组，获得第三分类结果。
可以理解的是，R型聚类是聚类方法中的一种。根据不同变量之间相关程度高低进行分类。若变量较多且相关性较强时，可以使用R型聚类法把变量聚为几个大类，同一变量之间有较强相关性，不同类变量之间相关程度低，并可以从同类变量中找出一典型性变量作为代表，最终减少变量个数达到降维目的。
可以理解的是，本申请不对上述S201至S203的执行顺序进行限定。即作为本申请的一种具体实施例，可以先执行S202再执行S201和S203，作为本申请的另一种具体实施例，可以S201、S202和S203同时执行。
S204：确认第一分类结果、第二分类结果和第三分类结果均相同，得到目标分类结果。
也就是说，通过上述多种方法对原始矿产数据进行分组后，能够得到多个分类结果，即得到第一分类结果、第二分类结果和第三分类结果。之后判断上述三个分类结果是否相同，若相同则将任意一个分类结果作为目标分类结果；若上述三个分类结果有一个或者多个不同，则需要重新进行计算，直至结果统一。
因此，本申请实施例通过多种方法对原始矿产数据进行分组，能够对多个结果进行相互验证，从而提高分类的准确性。
S3：根据目标分类结果，对原始矿产数据对应的正常区和异常区进行初步识别，获得预分类图像。
也就是说，利用S2中获得的目标分类结果，使用多重分形滤波技术和奇异性指数模型对目标海域地球化学异常进行分析，提取出微弱难识别的异常信息，圈出异常区的空间分布面积。可以理解的是，多重分形滤波和奇异性指数模型的优势在于它们能够提取异常微弱信息，精细计算异常分布范围。
具体的，应用S-A方法对目标分类结果进行多重分形处理，即对目标分类结果中各组的化学元素进行S-A双对数拟合，基于最小二乘法原理确定分界点，基本思想是计算各区间拟合数据与原始数据差值的平方和也即剩余平方和，其中，剩余平方和越小，则拟合精度越高。通常S-A双对数图分为3段拟合直线或4段拟合直线(例如，通过3段或者4段直线来表示第一组中包括的化学元素对应的拟合直线，其中，1段直线对应一个拟合方程)，本申请实施例将3段拟合直线和4段拟合直线对比后发现采用4段拟合精度更高。因此，本申请中的目标海域采用4段法对异常区和正常区进行分离。
在本申请一具体实施例中，以第一组为例，对第一组进行双对数拟合之后，第一组分为4段后能谱密度4个区间段分别为5-28、28-646、646-1173和1173-2272，4条直线段的斜率分别为0、-1.32、-2.24和-2.09，截距分别为0、12.32、18.32和17.06。为检验各区间段回归方程的显著性，对各方程进行误差检验，计算得到各段拟合误差分别为0、0.001、0.001和0.002。以646为阈值定义两个滤波器：异常滤波器S<646和背景滤波器S＞646，即能谱密度高于646的化学元素归类为背景区(即正常区)，能谱密度低于646的化学元素归类为异常区。
因此，本申请实施例通过各化学元素之间的属性和相关关系对正常区和异常区进行初步识别，获得预分类图像，能够为后续使用神经网络进行再识别提供价值较高的数据，从而能够获得准确的目标异常区划分结果。
S220，将预分类图像的地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果。
S1：将预分类图像划分为M个区域，其中，M为大于1的整数。
也就是说，为了能够使目标异常区识别模型更有效的学习预分类图像中的特征，本申请将预分类图像进行划分。作为本申请S1中一具体实施例，如图3所示，将预分类图像划分为4个区域。
S2：确认M个区域中包括N个异常区，其中，N为大于或等于1的整数，N小于等于M。
也就是说，如图3所示，在上述划分好的4个区域中，找到异常区，即第一异常区和第二异常区。
S3：根据各异常区域包括的任意化学元素的含量将N个异常区域中各异常区域分别标记为富集区域或贫乏区域，获得预分类样本图像。
需要说明的是，富集区域的化学元素的含量大于第一阈值，贫乏区域的化学元素的含量小于第二阈值，第二阈值小于第一阈值。
也就是说，在对样本进行标记的过程中，获取各异常区域包括的任意化学元素的含量，在任意化学元素的含量大于第一阈值的情况下，将该异常区标记为富集区域，在任意化学元素的含量小于第二阈值的情况下，将该异常区标记为贫乏区域，获得预分类样本图像。
例如，如图3所示，在第一异常区中的Ba元素的含量大于第一阈值，则将第一异常区标记为富集区域，在第二异常区中的Fe元素的含量小于第二阈值，则将第二异常区标记为贫乏区域。
因此，本申请实施例通过对预分类图像中的异常区划分更精细的异常区域，获得预分类样本图像，能够使待训练的异常区识别模型学习到更精确的异常区特征。
S4：获取预分类样本图像。
S5：至少将预分类样本图像和与预分类样本图像对应的地球化学数据输入到待训练的异常区识别模型进行训练，获得目标异常区识别模型。
也就是说，将预分类样本图像、预分类样本图像对应的地球化学数据、预分类样本图像对应的地球地理数据等输入到待训练的异常区识别模型进行训练，以使待训练的异常区识别模型能够学习到预分类样本图像中标记的更精细的异常区域中的特征。
在本申请的一种实施方式中，如图4所示，将预分类样本图像和地球化学数据输入到待训练的异常区识别模型410中进行训练，获得目标异常区识别模型420和与目标异常区识别模型相对应的模型参数。之后将预分类图像和与预分类图像相对应的地球化学数据输入到目标异常区识别模型420中，提取异常区的特征，圈定更精细的异常区，最终获得目标异常区划分结果。
可以理解的是，预分类样本图像中标签标记的异常区属于预分类图像中异常区的子区域，例如，如图3所示，标签标记的异常区301属于第一异常区的子区域；标签标记的异常区302属于第二异常区的子区域。
需要说明的是，本申请中的目标异常区识别模型或待训练的异常区识别模型是基于卷积神经网络建立的。
因此，本申请实施例通过对待训练的异常区识别模型进行训练，能够得到具备识别更精细的异常区的目标异常区识别模型，进而能够实现对目标区域深海矿产的进一步探测。
因此，本申请从创新理论方法出发，结合分形理论的尺度不变性和深度学习隐层的机器学习模型将传统非线性地球化学信息识别技术发展到分形变换域，实现深海矿产信息的各向异性奇异性度量；另一方面从深海矿产实际问题出发，解决西太平洋皮嘉费他海盆深部(即目标海域)矿产预测与评价中所面临的站位选址与弱缓异常识别提取等难题。因此，本申请不仅能够进一步丰富和发展稀土矿产成矿信息识别理论与方法，而且有助于深入认知西太平洋皮嘉费他海盆成矿系统的多尺度耦合特征，有望为西太平洋深海找矿提供技术支撑和科学依据，也为大洋钻探指明了方向。
综上分析，本申请以西太平洋皮嘉费他海盆为目标海域，基于深海沉积物地球化学数据，利用深度学习能够识别出海底矿产微弱信息的优势进行识别，采用多重分形模型和卷积神经网络模型对深海稀土进行特征识别来提取元素异常精细形态，进而圈定出稀土资源分布范围，为海底矿产资源评价提供依据。该方法可以为深海富稀土沉积物地球化学找矿提供新思路。
上文描述了本申请实施例中的一种深海矿产异常区识别的方法，下文将描述本申请中一种深海矿产异常区识别的具体实施例。
相关技术中，目标海域自然条件恶劣、海况复杂多变，研究程度相对较低，尤其对深海稀土矿产识别方面研究较少，而且稀土矿产空间分布范围不均衡，不同地质条件稀土矿产富集规律不相同，导致很难建立统一的稀土矿产识别指标，这直接影响到利用地球化学数据圈定异常结果的可靠性，进而会影响后期矿产资源评价的准确程度，因此，本申请建立一套能精细刻画稀土矿产的指标体系，用于对目标海域的异常区进行精细识别。
作为本申请多种场景中的一种，本申请以西太平洋皮嘉费他海盆为研究区，经测试分析得到的深海沉积物样品地球化学数据为基础，在充分学习吸收前人研究成果的基础上，进一步探究稀土资源富集规律，采用多重分形模型对皮嘉费他海盆深海沉积物各元素地球化学数据(Ba、Sc、Y、La、Nd、Sm、Eu、Gd、Tb、Dy、Ho、Pr、Er、Tm、Yb、Lu、REY、P2O5、Na2O、Co、Ce、Cr、Pb、Ga、SiO2、MnO、TiO2、Al2O3、Fe2O3、Cu、V、MgO、CaO、K2O、Ni、Zn、Sr和Zr)进行信息提取，以此得到的地球化学异常形态作为卷积神经网络模型的输入信息源来进行深度学习特征提取，圈定稀土元素富集的空间分布范围，来提高稀土资源评价的精度。
作为本申请一具体实施例，如图5所示，首先执行S510资料收集及整理，获得皮嘉费他海盆地质、地球物理数据520和地球化学数据540。之后根据皮嘉费他海盆地质、地球物理数据520和地球化学数据540对异常区进行初步识别，获得预分类图像530。然后，将预分类图像530、皮嘉费他海盆地质、地球物理数据520和地球化学数据540输入到目标异常区识别模型420中，获得目标异常区划分结果550。接着，执行S560用已知矿产分布范围进行查证，若不符则继续使用目标异常区识别模型420进行异常区识别，若符合，则执行S570圈定识别未知稀土富集区。
因此，本申请实施例利用已知地球化学数据获取未知元素信息，提高稀土元素的分辨率和识别率。以多重分形模型获取的预分类图像为输入信息源，利用卷积神经网络模型对深海稀土元素进行特征提取，识别与提取元素异常信息，进而识别和圈定稀土矿产空间分布范围。
上文描述了本申请的一种深海矿产异常区识别的具体实施例，下文将描述本申请的一种深海矿产异常区识别的装置。
如图6所示，一种深海矿产异常区识别的装置600，包括：获取模块610和识别模块620。
获取模块610，被配置为获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的。
识别模块620，被配置为将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测。
在本申请的一种实施方式中，所述预分类图像包括正常区和所述异常区，所述正常区的所述地球化学数据中各化学元素的含量值均在设定阈值范围内，所述异常区中至少部分化学元素的含量值不在所述设定阈值范围内；识别模块620被配置为：获取预分类样本图像；至少将预分类样本图像和与所述预分类样本图像对应的地球化学数据输入到待训练的异常区识别模型进行训练，获得所述目标异常区识别模型；其中，所述预分类样本图像中标签标记的异常区属于所述预分类图像中异常区的子区域。
在本申请的一种实施方式中，识别模块620被配置为：将所述预分类图像划分为M个区域，其中，M为大于1的整数；确认所述M个区域中包括N个异常区，其中，N为大于或等于1的整数，所述N小于等于所述M；根据各异常区域包括的任意化学元素的含量将所述N个异常区域中各异常区域分别标记为富集区域或贫乏区域，获得所述预分类样本图像，其中，所述富集区域的化学元素的含量大于第一阈值，所述贫乏区域的化学元素的含量小于第二阈值，所述第二阈值小于所述第一阈值。
在本申请的一种实施方式中，获取模块610被配置为：获取原始矿产数据，其中，所述原始矿产数据为所述目标海域的深海矿产所对应的地球化学数据；根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素；根据所述目标分类结果，对所述原始矿产数据对应的所述正常区和所述异常区进行初步识别，获得所述预分类图像。
在本申请的一种实施方式中，识别模块620被配置为：通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果；对所述原始矿产数据进行主成分分析，将所述原始矿产数据划分为多组，得到第二分类结果；对所述原始矿产数据进行聚类分析，将所述原始矿产数据划分为多组，获得第三分类结果；确认所述第一分类结果、所述第二分类结果和所述第三分类结果均相同，得到所述目标分类结果。
在本申请的一种实施方式中，识别模块620被配置为：计算与所述各化学元素对应的多重分形谱曲线；根据所述多重分形谱曲线将所述原始矿产数据划分为多组，获得所述第一分类结果。
在本申请实施例中，图6所示模块能够实现图1至图5方法实施例中的各个过程。图6中的各个模块的操作和/或功能，分别为了实现图1至图5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7所示，本申请实施例提供一种电子设备700，包括：处理器710、存储器720和总线730，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意实施例所述的方法，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7所示的结构仅为示意，还可包括比图7中所示更多或者更少的组件，或者具有与图7所示不同的配置。图7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 (8)

1.一种深海矿产异常区识别的方法，其特征在于，所述方法包括：
获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的；
将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测；
其中，在所述获取预分类图像和与所述预分类图像相对应的地球化学数据之前，所述方法还包括：
获取原始矿产数据，其中，所述原始矿产数据为所述目标海域的深海矿产所对应的地球化学数据；根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素；根据所述目标分类结果，对所述原始矿产数据对应的正常区和所述异常区进行初步识别，获得所述预分类图像；
其中，所述根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，包括：
通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果；对所述原始矿产数据进行主成分分析，将所述原始矿产数据划分为多组，得到第二分类结果；对所述原始矿产数据进行聚类分析，将所述原始矿产数据划分为多组，获得第三分类结果；确认所述第一分类结果、所述第二分类结果和所述第三分类结果均相同，得到所述目标分类结果。
2.根据权利要求1所述的方法，其特征在于，所述预分类图像包括正常区和所述异常区，所述正常区的所述地球化学数据中各化学元素的含量值均在设定阈值范围内，所述异常区中至少部分化学元素的含量值不在所述设定阈值范围内；
在所述将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果之前，所述方法还包括：
获取预分类样本图像；
至少将预分类样本图像和与所述预分类样本图像对应的地球化学数据输入到待训练的异常区识别模型进行训练，获得所述目标异常区识别模型；
其中，所述预分类样本图像中标签标记的异常区属于所述预分类图像中异常区的子区域。
3.根据权利要求2所述的方法，其特征在于，在所述获取预分类样本图像之前，所述方法还包括：
将所述预分类图像划分为M个区域，其中，M为大于1的整数；
确认所述M个区域中包括N个异常区，其中，N为大于或等于1的整数，所述N小于等于所述M；
根据各异常区域包括的任意化学元素的含量将所述N个异常区域中各异常区域分别标记为富集区域或贫乏区域，获得所述预分类样本图像，其中，所述富集区域的化学元素的含量大于第一阈值，所述贫乏区域的化学元素的含量小于第二阈值，所述第二阈值小于所述第一阈值。
4.根据权利要求1所述的方法，其特征在于，所述通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果，包括：
计算与所述各化学元素对应的多重分形谱曲线；
根据所述多重分形谱曲线将所述原始矿产数据划分为多组，获得所述第一分类结果。
5.一种深海矿产异常区识别的系统，其特征在于，所述系统包括：
地球化学数据采集设备，用于对目标海域的深海矿产进行探测，获得所述目标海域的原始矿产数据；
服务端，被配置为根据原始矿产数据执行如权利要求1-4任一项所述的方法获得目标异常区划分结果；
深海勘探设备，用于根据所述目标异常区划分结果对所述目标海域进行进一步的探测。
6.一种深海矿产异常区识别的装置，其特征在于，所述装置包括：
获取模块，被配置为获取预分类图像和与所述预分类图像相对应的地球化学数据，其中，所述预分类图像是对异常区进行初步识别得到的，所述地球化学数据是对目标海域的深海矿产进行探测得到的；
识别模块，被配置为将所述预分类图像和所述地球化学数据输入到目标异常区识别模型中进行再识别，获得目标异常区划分结果，以完成对所述目标海域的进一步探测；
其中，所述获取模块还被配置为：
获取原始矿产数据，其中，所述原始矿产数据为所述目标海域的深海矿产所对应的地球化学数据；根据所述原始矿产数据中的各化学元素的属性，将所述原始矿产数据划分为多组，得到目标分类结果，其中，一组中包括至少一个化学元素；根据所述目标分类结果，对所述原始矿产数据对应的正常区和所述异常区进行初步识别，获得所述预分类图像；
其中，所述获取模块还被配置为：
通过多重分形算法将所述原始矿产数据划分为多组，得到第一分类结果；对所述原始矿产数据进行主成分分析，将所述原始矿产数据划分为多组，得到第二分类结果；对所述原始矿产数据进行聚类分析，将所述原始矿产数据划分为多组，获得第三分类结果；确认所述第一分类结果、所述第二分类结果和所述第三分类结果均相同，得到所述目标分类结果。
7.一种电子设备，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1-4任一项所述方法。
8.一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，该计算机程序被执行时实现如权利要求1-4任一项所述方法。
CN202210605551.5A 2022-05-30 2022-05-30 一种深海矿产异常区识别的方法、装置、设备及介质 Active CN114776304B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210605551.5A CN114776304B (zh) 2022-05-30 2022-05-30 一种深海矿产异常区识别的方法、装置、设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210605551.5A CN114776304B (zh) 2022-05-30 2022-05-30 一种深海矿产异常区识别的方法、装置、设备及介质

Publications (2)

Publication Number Publication Date
CN114776304A CN114776304A (zh) 2022-07-22
CN114776304B true CN114776304B (zh) 2022-11-04

Family

ID=82420458

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210605551.5A Active CN114776304B (zh) 2022-05-30 2022-05-30 一种深海矿产异常区识别的方法、装置、设备及介质

Country Status (1)

Country Link
CN (1) CN114776304B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116821651A (zh) * 2023-05-04 2023-09-29 广州海洋地质调查局 一种天然气水合物远景区圈定与矿体精细识别方法及装置
CN117609848A (zh) * 2023-09-19 2024-02-27 昆明理工大学 基于深度学习矿产资源分类预测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529112A (zh) * 2020-12-29 2021-03-19 中国地质科学院地质力学研究所 一种矿物识别的方法和装置
CN112711646A (zh) * 2021-01-11 2021-04-27 中国地质大学（北京） 基于地学信息的找矿方法及装置、电子设备、存储介质
CN112967766A (zh) * 2021-02-04 2021-06-15 辽宁工程技术大学 一种元素地球化学数据筛选的寻矿标定方法及系统
CN113361638A (zh) * 2021-07-01 2021-09-07 中国石油大学(北京) 一种复杂储层岩性识别方法、装置、设备及存储介质
WO2021197782A1 (en) * 2020-03-31 2021-10-07 Abb Schweiz Ag Data processing for industrial machine learning
CN113488117A (zh) * 2019-04-27 2021-10-08 烟台市牟金矿业有限公司 一种具有深度学习能力的深部金矿床成矿找矿方法
CN113836128A (zh) * 2021-09-24 2021-12-24 北京拾味岛信息科技有限公司 一种异常数据识别方法、系统、设备及存储介质
CN113946950A (zh) * 2021-10-12 2022-01-18 青海省第三地质勘查院 一种快速圈定金矿找矿靶区的方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
AU2003100678A4 (en) * 2003-08-19 2003-11-20 Opconsult Pty Ltd Operations Resource Planning Software and Systems
US11379778B2 (en) * 2020-03-09 2022-07-05 Trimble Inc. Construction site productivity capture using computer vision
CN112508041A (zh) * 2020-12-21 2021-03-16 苏州锐希信息技术有限公司 基于分类结果标签的用于喷雾控制的神经网络的训练方法
CN112785450B (zh) * 2020-12-30 2021-12-07 北京农业信息技术研究中心 一种土壤环境质量分区方法及系统
AU2021106209A4 (en) * 2021-08-20 2021-10-28 Changsha University Of Science & Technology Photovoltaic power generation three-layer screening power theft identification method based on feature mining

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113488117A (zh) * 2019-04-27 2021-10-08 烟台市牟金矿业有限公司 一种具有深度学习能力的深部金矿床成矿找矿方法
WO2021197782A1 (en) * 2020-03-31 2021-10-07 Abb Schweiz Ag Data processing for industrial machine learning
CN112529112A (zh) * 2020-12-29 2021-03-19 中国地质科学院地质力学研究所 一种矿物识别的方法和装置
CN112711646A (zh) * 2021-01-11 2021-04-27 中国地质大学（北京） 基于地学信息的找矿方法及装置、电子设备、存储介质
CN112967766A (zh) * 2021-02-04 2021-06-15 辽宁工程技术大学 一种元素地球化学数据筛选的寻矿标定方法及系统
CN113361638A (zh) * 2021-07-01 2021-09-07 中国石油大学(北京) 一种复杂储层岩性识别方法、装置、设备及存储介质
CN113836128A (zh) * 2021-09-24 2021-12-24 北京拾味岛信息科技有限公司 一种异常数据识别方法、系统、设备及存储介质
CN113946950A (zh) * 2021-10-12 2022-01-18 青海省第三地质勘查院 一种快速圈定金矿找矿靶区的方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
多重分形与地质统计学方法在粤北刘家山地区矿化指示中的应用;张焱等;《地学前缘》;20120715(第04期);全文 *
广东庞西垌地区地球化学组合异常识别与提取;张焱等;《地球学报》;20110915(第05期);全文 *

Also Published As

Publication number Publication date
CN114776304A (zh) 2022-07-22

Similar Documents

Publication Publication Date Title
CN114776304B (zh) 一种深海矿产异常区识别的方法、装置、设备及介质
Zhu et al. Intelligent logging lithological interpretation with convolution neural networks
CN110929607B (zh) 一种城市建筑物施工进度的遥感识别方法和系统
US20230177347A1 (en) Method and apparatus for detecting defect pattern on wafer based on unsupervised learning
CN110210475B (zh) 一种非二值化和边缘检测的车牌字符图像分割方法
CN105574550A (zh) 一种车辆识别方法及装置
CN108171119B (zh) 基于残差网络的sar图像变化检测方法
CN104102929A (zh) 基于深度学习的高光谱遥感数据分类方法
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN106408030A (zh) 基于中层语义属性和卷积神经网络的sar图像分类方法
CN113344050B (zh) 一种基于深度学习的岩性智能化识别方法及系统
CN108829711B (zh) 一种基于多特征融合的图像检索方法
CN103473786A (zh) 基于多目标模糊聚类的灰度图像分割方法
CN105426441B (zh) 一种时间序列自动预处理方法
CN106295498A (zh) 光学遥感图像目标区域检测装置与方法
WO2017101225A1 (zh) 一种商标图形要素识别方法、装置、系统以及计算机存储介质
Shafiq et al. The role of visual saliency in the automation of seismic interpretation
CN115131580B (zh) 基于注意力机制的空间目标小样本识别方法
CN105243387A (zh) 一种基于无人机影像的露天矿典型地物分类方法
Pessa et al. Mapping images into ordinal networks
Wang et al. A novel hyperspectral image change detection framework based on 3D-wavelet domain active convolutional neural network
CN106951924B (zh) 基于AdaBoost算法的地震相干体图像断层自动识别方法及系统
CN117058446B (zh) 一种钻探岩芯特征的智能识别描述方法、系统及存储介质
CN106548195A (zh) 一种基于改进型hog‑ulbp特征算子的目标检测方法
CN109741351A (zh) 一种基于深度学习的类别敏感型边缘检测方法

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