CN115375680A - 矿物智能识别方法、装置及存储介质 - Google Patents
矿物智能识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN115375680A CN115375680A CN202211299325.5A CN202211299325A CN115375680A CN 115375680 A CN115375680 A CN 115375680A CN 202211299325 A CN202211299325 A CN 202211299325A CN 115375680 A CN115375680 A CN 115375680A
- Authority
- CN
- China
- Prior art keywords
- electron microscope
- layer
- scanning electron
- minerals
- mineral
- 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.)
- Granted
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- 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
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明涉及一种矿物智能识别方法、装置及存储介质,属于人工智能领域。所述方法包括以下步骤:S100、基于扫描电镜图片数据集和CNN深度学习模型,得到第一识别模型和第二识别模型;S200、基于所述第一识别模型,依次获取所述扫描电镜图片数据集的扫描电镜图片,根据所述扫描电镜图片确定矿物是否含有硅元素或铝元素;S300、若所述矿物含有硅元素或铝元素,则基于所述第二识别模型,获取并分割所述电镜图片的矿物所在区域,并根据所述矿物所在区域的图像确定所述矿物是锂绿泥石矿物或勃姆石矿物。本发明能够避免因人为主观因素导致的误判,快速,高质量地锁定其载体矿物,极大地提高了扫描电镜设备的工作效率。
Description
技术领域
本发明属于人工智能领域,涉及矿物智能识别方法、装置及存储介质。
背景技术
战略性金属矿产资源具有重要作用。由于煤系战略性金属矿床不断被发现,人们开始对煤系战略性金属矿产高度重视,使其成为矿产资源勘探的重要领域和重要方向。现阶段对于煤系战略性金属Li-Ga载体矿物的识别主要通过统计学分析、X-射线衍射和扫描电镜等方法,但是在执行这些操作的过程中以人为识别为主,速度慢,效率低,受主观影响较大,在煤系金属矿产的开发利用具有良好的应用前景的背景下,亟需开发出一种智能识别煤系战略性金属Li-Ga载体矿物的装备。
为此,有必要通过对识别Li-Ga载体矿物的设备进行扫描电镜优化,来提高煤系战略性金属Li-Ga载体矿物识别效率与精度,保障后续精确提取利用。
发明内容
本发明提供矿物智能识别方法、装置及存储介质,旨在至少解决现有技术中存在的技术问题之一。本发明的方案通过添加前期智能识别模块,通过符号判别要求,基于矿物智能识别方法进行识别。本发明的方案主要是提出一种扫描电镜下中-高阶煤系中战略性金属Li,Ga载体矿物智能识别方法及装置,来提高煤系战略性金属Li-Ga载体矿物识别效率与精度,保障后续精确提取利用。
本发明的技术方案涉及一种矿物智能识别方法,所述方法包括以下步骤:
S100、基于扫描电镜图片数据集和CNN深度学习模型,得到第一识别模型和第二识别模型;
S200、基于所述第一识别模型,依次获取所述扫描电镜图片数据集的扫描电镜图片,根据所述扫描电镜图片确定矿物是否含有硅元素或铝元素;
S300、若所述矿物含有硅元素或铝元素,则基于所述第二识别模型,获取并分割所述电镜图片的矿物所在区域,并根据所述矿物所在区域的图像确定所述矿物是锂绿泥石矿物或勃姆石矿物。
进一步,步骤S100包括:
S110、基于扫描电镜,获取所述扫描电镜图片数据集;
S120、根据所述扫描电镜图片数据集,确定含有硅元素或铝元素的矿物的电镜图片,得到训练集和测试集;
S130、根据所述训练集和所述测试集,训练并评估所述CNN深度学习模型,得到所述第一识别模型和所述第二识别模型。
进一步,所述第一识别模型的结构包括:第一输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层和第一输出层;其中,所述第一卷积层包括32个3×3的2d卷积核,所述第二卷积层包括64个3×3的2d卷积核,所述第三卷积层包括128个3×3的2d卷积核,所述第一池化层和所述第二池化层都包括2×2的最大池化核。
进一步,所述第二识别模型的结构包括:第二输入层、第四卷积层、第三池化层、第五卷积层、第四池化层、第六卷积层、第五池化层、第七卷积层、第六池化层、第二全连接层、第三全连接层和第二输出层;其中,所述第四卷积层包括32个3×3的2d卷积核,所述第五卷积层包括64个3×3的2d卷积核,所述第六卷积层包括128个3×3的2d卷积核,所述第七卷积层包括256个3×3的2d卷积核,所述第三池化层、第四池化层、所述第五池化层、所述第六池化层都包括2×2的最大池化核。
进一步,步骤S120包括:
S121、根据所述扫描电镜图片数据集,结合能谱分析,得到含有硅元素或铝元素的矿物的电镜图片;
S122、基于所述含有硅元素或铝元素的矿物的电镜图片,进行数据增强,得到所述训练集和所述测试集。
进一步,S130包括:
设置分类损失函数,计算准确率,确定所述准确率是否达到设定值。
进一步,步骤S120还包括:
对所述含有硅元素或铝元素的矿物的电镜图片进行图像分析,并根据图像分析结果标注锂绿泥石矿物或勃姆石矿物,得到标注数据。
进一步,所述方法还包括:
S400、若所述矿物不含有硅元素或铝元素,则返回步骤S200。
本发明还涉及一种矿物智能识别装置,用于实现上述的矿物智能识别方法,所述装置包括:
扫描电镜,用于采集扫描电镜图片;
采集控制装置,用于实现所述扫描电镜图片的定向采集;
深度学习控制板,用于对所述扫描电镜图片进行图像分析,特征提取,标定出含有Li、Ga的显微图片;
总体控制系统,用于存储所述扫描电镜图片,控制所述采集控制装置和所述深度学习控制板,并显示结果信息。
本发明还涉及一种计算机可读存储介质,其上储存有程序指令,所述程序指令被处理器执行时实施如上述的方法。
与现有的技术相比,本发明具有以下的特点。
本方案提出一种矿物智能识别方法及装置,通过深度学习模型,智能识别其载体矿物,减少人工工作量,并且能够避免因人为主观因素导致的误判,快速,高质量地锁定其载体矿物,极大地提高了扫描电镜设备的工作效率。
附图说明
图1是根据本发明的矿物智能识别方法的流程图;
图2是应用于本发明的矿物分类流程示意图;
图3是根据本发明的矿物智能识别方法的子流程图;
图4是根据本发明的第一识别模型的结构示意图;
图5是根据本发明的第二识别模型的结构示意图;
图6是根据本发明的矿物智能识别装置的模块示意框图。
具体实施方式
以下将结合实施例和附图对本发明的构思、具体结构及产生的技术效果进行清楚、完整的描述,以充分地理解本发明的目的、方案和效果。
需要说明的是,如无特殊说明,当某一特征被称为“固定”、“连接”在另一个特征,它可以直接固定、连接在另一个特征上,也可以间接地固定、连接在另一个特征上。本文所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。本文说明书中所使用的术语只是为了描述具体的实施例,而不是为了限制本发明。本文所使用的术语“和/或”包括一个或多个相关的所列项目的任意的组合。
应当理解,尽管在本公开可能采用术语第一、第二、第三等来描述各种元件,但这些元件不应限于这些术语。这些术语仅用来将同一类型的元件彼此区分开。例如,在不脱离本公开范围的情况下,第一元件也可以被称为第二元件,类似地,第二元件也可以被称为第一元件。本文所提供的任何以及所有实例或示例性语言(“例如”、“如”等)的使用仅意图更好地说明本发明的实施例,并且除非另外要求,否则不会对本发明的范围施加限制。此外,本文所采用的行业术语“位姿”是指某个元件相对于空间坐标系的位置和姿态。
本发明实施例提供了一种扫描电镜下中-高阶煤系中战略性金属Li,Ga载体矿物智能识别方法,其应用的矿物分类流程示意图如图2所示,分类原理如下:
(1)首先判别图片是否存在硅、铝酸盐矿物(识别硅、铝酸盐矿物)。通过扫描电镜结合能谱分析,智能识别含有Si或Al元素的矿物,如果不存在,提取下一张图片,如此存在,进行后续工作。
(2)基于CNN的智能识别深度学习模型对图片进行分类识别。
1.提取分割扫描电镜图片中硅、铝酸盐矿物所在区域。
2.识别Li元素典型矿物锂绿泥石((Al4(Li2Al4)[Si6Al2O20](OH)16))矿物。
3.识别Ga元素典型矿物勃姆石(Al·O·OH)。
(Li:识别同时含有Li、Al、Si元素的锂绿泥石((Al4(Li2Al4)[Si6Al2O20](OH)16))矿物,该矿物在镜下以不规则片状为特征,常以细胞填充形式出现。
Ga:识别以Al、O为主要元素的勃姆石(Al·O·OH)矿物,勃姆石在煤层中呈隐晶状产出,其赋存状态多样,但主要以团块状分布于基质镜质体中,有的以单独的团块状或不规则的团块状出现,有的以连续的团块状或串珠状出现,也有的充填在成煤植物的胞腔中。)
参照图1,本发明实施例的一种矿物智能识别方法包括以下步骤:
S100、基于扫描电镜图片数据集和CNN深度学习模型,得到第一识别模型和第二识别模型;
S200、基于第一识别模型,依次获取扫描电镜图片数据集的扫描电镜图片,根据扫描电镜图片确定矿物是否含有硅元素或铝元素;
S300、若矿物含有硅元素或铝元素,则基于第二识别模型,获取并分割电镜图片的矿物所在区域,并根据矿物所在区域的图像确定矿物是锂绿泥石矿物或勃姆石矿物。
参照图3,步骤S100包括:
S110、基于扫描电镜,获取扫描电镜图片数据集;
S120、根据扫描电镜图片数据集,确定含有硅元素或铝元素的矿物的电镜图片,得到训练集和测试集;
S130、根据训练集和测试集,训练并评估CNN深度学习模型,得到第一识别模型和第二识别模型。
本实施例通过CNN深度学习模型(包括AlexNet、VGG、Inception等)对扫描电镜获取到的图像进行特征提取、分类并输出结果,达到智能识别载体矿物的目标,提高识别效率和准确率。
参照图4,第一识别模型的结构包括:第一输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层和第一输出层;其中,第一卷积层包括32个3×3的2d卷积核,第二卷积层包括64个3×3的2d卷积核,第三卷积层包括128个3×3的2d卷积核,第一池化层和第二池化层都包括2×2的最大池化核。
参照图5,第二识别模型的结构包括:第二输入层、第四卷积层、第三池化层、第五卷积层、第四池化层、第六卷积层、第五池化层、第七卷积层、第六池化层、第二全连接层、第三全连接层和第二输出层;其中,第四卷积层包括32个3×3的2d卷积核,第五卷积层包括64个3×3的2d卷积核,第六卷积层包括128个3×3的2d卷积核,第七卷积层包括256个3×3的2d卷积核,第三池化层、第四池化层、第五池化层和第六池化层都包括2×2的最大池化核。
卷积层的作用是提取输入的扫描电镜图片的特征。它包含几个卷积核。卷积核的每个元素对应一个权系数和一个偏倚向量。向量卷积层的每一层神经元与前一层相邻的感受野中的多个神经元相连。感受野的大小取决于卷积核的大小。卷积层参数包括卷积核大小、步长和填充量,它们共同决定了卷积层输出特征图的大小。卷积核的大小可以是任何小于输入图像大小的值。卷积核越大,提取的输入特征越复杂。卷积层使用一组可学习的滤波器。滤波器用于检测原始图像中存在的特定特征或模式。多个卷积层可以实现逐步提取复杂特征的功能。
在卷积层进行特征提取后,将输出的特征映射转移到池化层进行特征选择和信息过滤。池化层(pooling)包含预先设置的pooling函数,其功能是用相邻区域的特征图统计信息替换特征图中单个点的结果。它将输入图像分成若干个矩形区域,并输出每个子区域的最大值。由于过度拟合的空间表示和控制也被用来逐步减少网络的大小和计算量。最终指向全连接层,在该层中所有神经元相互连接并处理输出。CNN深度学习神经网络能有效地将大量数据参数的图像维数降为少量参数,同时有效地保留图像特征。
在一些实施例中,步骤S120包括:
S121、根据扫描电镜图片数据集,结合能谱分析,得到含有硅元素或铝元素的矿物的电镜图片;能谱仪的工作原理:探头接受特征X射线信号→把特征X射线光信号转变成具有不同高度的电脉冲信号→放大器放大信号→多道脉冲分析器把代表不同能量(波长)X射线的脉冲信号按高度编入不同频道→在荧光屏上显示谱线→利用计算机进行定性和定量计算。本实施例通过扫描电镜图片结合能谱分析得到含有硅元素或铝元素的矿物的电镜图片。
S122、基于含有硅元素或铝元素的矿物的电镜图片,进行数据增强,得到训练集和测试集。本实施例对训练集图像进行旋转、偏移、翻转等多种操作,目的是增强训练集的随机性。
在一些实施例中,S130包括:
设置分类损失函数,计算准确率,确定准确率是否达到设定值。本实施例通过设置分类损失函数判断CNN深度学习模型是否符合训练正常,若不是则通过获取更多扫描电镜图片增加数据集数据,或通过数据增强得到更多扫描电镜图片数据,用于迭代训练。
在一些实施例中,步骤S120还包括:
对含有硅元素或铝元素的矿物的电镜图片进行图像分析,并根据图像分析结果标注锂绿泥石矿物或勃姆石矿物,得到标注数据。在一些实施例中,在采集图像阶段,通过采用标记软件进行描点标记,得到标记数据,通过生成对抗网络实现数据增强。
在一些实施例中,矿物智能识别方法还包括:
S400、若矿物不含有硅元素或铝元素,则返回步骤S200。本实施例通过对扫描图片进行前期判别,如果不符合判别要求,进行下一张图片扫描,如果符合判别要求,按照提出的智能识别方法进行识别。
参照图6,本发明还涉及一种矿物智能识别装置,用于实现上述的矿物智能识别方法,矿物智能识别装置包括:扫描电镜,用于采集扫描电镜图片;采集控制装置,与扫描电镜连接,用于实现扫描电镜图片的定向采集;深度学习控制板,用于对扫描电镜图片进行图像分析,特征提取,标定出含有Li、Ga的显微图片;总体控制系统,与采集控制装置和深度学习控制板连接,用于控制采集控制装置和深度学习控制板,并显示结果信息。在一些实施例中,总体控制系统包括存储模块,用于存储扫描电镜的显微图像。
本发明实施例采用的扫描电镜的原理如下:扫描电镜是利用聚焦电子束在试样上扫描时,激发的某些物理信号来调整一个同步扫描的显像管在相应位置的亮度而成像的一种显微镜。扫描电镜由电子光学系统(电子枪、电磁透镜、扫描线圈、消像散器、光圈、试样室),信号收集及显示系统,真空系统,电源系统及控制系统等部分组成。工作原理:从电子枪发射出来的电子束,经两级聚束镜、偏转线圈和末透镜射到样品上。由于高能电子束与样品物质的交互作用,结果产生了各种信号。这些信号被相应的接受器接受,经放大器放大后,送到显像管的栅极上,调制显像管的亮度。由于经过扫描线圈上的电流是与显像管相应的偏转线圈上的电流同步,因此样品表面任意点发射的信号与显像管荧光屏上相应的亮度一一对应。即电子束打到样品上一点时,在显像管荧光屏上出现一个亮度。而对于所要观察样品一定区域的特征,扫描电镜则是采用逐点成像的图像分解法显示出来的。
应当认识到,本发明实施例中的方法步骤可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而,若需要,该程序可以以汇编或机器语言实现。在任何情况下,该语言可以是编译或解释的语言。此外,为此目的该程序能够在编程的专用集成电路上运行。
此外,可按任何合适的顺序来执行本文描述的过程的操作,除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合)可在配置有可执行指令的一个或多个计算机系统的控制下执行,并且可作为共同地在一个或多个处理器上执行的代码(例如,可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。
进一步,所述方法可以在可操作地连接至合适的任何类型的计算平台中实现,包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现,无论是可移动的还是集成至计算平台,如硬盘、光学读取和/或写入存储介质、RAM、ROM等,使得其可由可编程计算机读取,当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外,机器可读代码,或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时,本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时,本发明还可以包括计算机本身。
计算机程序能够应用于输入数据以执行本文所述的功能,从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中,转换的数据表示物理和有形的对象,包括显示器上产生的物理和有形对象的特定视觉描绘。
以上所述,只是本发明的较佳实施例而已,本发明并不局限于上述实施方式,只要其以相同的手段达到本发明的技术效果,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明保护的范围之内。在本发明的保护范围内其技术方案和/或实施方式可以有各种不同的修改和变化。
Claims (10)
1.一种矿物智能识别方法,其特征在于,所述方法包括以下步骤:
S100、基于扫描电镜图片数据集和CNN深度学习模型,得到第一识别模型和第二识别模型;
S200、基于所述第一识别模型,依次获取所述扫描电镜图片数据集的扫描电镜图片,根据所述扫描电镜图片确定矿物是否含有硅元素或铝元素;
S300、若所述矿物含有硅元素或铝元素,则基于所述第二识别模型,获取并分割所述电镜图片的矿物所在区域,并根据所述矿物所在区域的图像确定所述矿物是锂绿泥石矿物或勃姆石矿物。
2.根据权利要求1所述的矿物智能识别方法,其特征在于,步骤S100包括:
S110、基于扫描电镜,获取所述扫描电镜图片数据集;
S120、根据所述扫描电镜图片数据集,确定含有硅元素或铝元素的矿物的电镜图片,得到训练集和测试集;
S130、根据所述训练集和所述测试集,训练并评估所述CNN深度学习模型,得到所述第一识别模型和所述第二识别模型。
3.根据权利要求1所述的矿物智能识别方法,其特征在于,所述第一识别模型的结构包括:第一输入层、第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第一全连接层和第一输出层;其中,所述第一卷积层包括32个3×3的2d卷积核,所述第二卷积层包括64个3×3的2d卷积核,所述第三卷积层包括128个3×3的2d卷积核,所述第一池化层和所述第二池化层都包括2×2的最大池化核。
4.根据权利要求1所述的矿物智能识别方法,其特征在于,所述第二识别模型的结构包括:第二输入层、第四卷积层、第三池化层、第五卷积层、第四池化层、第六卷积层、第五池化层、第七卷积层、第六池化层、第二全连接层、第三全连接层和第二输出层;其中,所述第四卷积层包括32个3×3的2d卷积核,所述第五卷积层包括64个3×3的2d卷积核,所述第六卷积层包括128个3×3的2d卷积核,所述第七卷积层包括256个3×3的2d卷积核,所述第三池化层、第四池化层、所述第五池化层、所述第六池化层都包括2×2的最大池化核。
5.根据权利要求2所述的矿物智能识别方法,其特征在于,步骤S120包括:
S121、根据所述扫描电镜图片数据集,结合能谱分析,得到含有硅元素或铝元素的矿物的电镜图片;
S122、基于所述含有硅元素或铝元素的矿物的电镜图片,进行数据增强,得到所述训练集和所述测试集。
6.根据权利要求2所述的矿物智能识别方法,其特征在于,步骤S130包括:
设置分类损失函数,计算准确率,确定所述准确率是否达到设定值。
7.根据权利要求2所述矿物智能识别方法,其特征在于,步骤S120还包括:
对所述含有硅元素或铝元素的矿物的电镜图片进行图像分析,并根据图像分析结果标注锂绿泥石矿物或勃姆石矿物,得到标注数据。
8.根据权利要求1所述矿物智能识别方法,其特征在于,所述方法还包括:
S400、若所述矿物不含有硅元素或铝元素,则返回步骤S200。
9.一种矿物智能识别装置,用于实现如权利要求1至8任一项所述的矿物智能识别方法,其特征在于,所述装置包括:
扫描电镜,用于采集扫描电镜图片;
采集控制装置,用于实现所述扫描电镜图片的定向采集;
深度学习控制板,用于对所述扫描电镜图片进行图像分析,特征提取,标定出含有Li、Ga的显微图片;
总体控制系统,用于存储所述扫描电镜图片,控制所述采集控制装置和所述深度学习控制板,并显示结果信息。
10.一种计算机可读存储介质,其上储存有程序指令,所述程序指令被处理器执行时实施如权利要求1至8中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299325.5A CN115375680B (zh) | 2022-10-24 | 2022-10-24 | 矿物智能识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211299325.5A CN115375680B (zh) | 2022-10-24 | 2022-10-24 | 矿物智能识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115375680A true CN115375680A (zh) | 2022-11-22 |
CN115375680B CN115375680B (zh) | 2023-02-03 |
Family
ID=84073200
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211299325.5A Active CN115375680B (zh) | 2022-10-24 | 2022-10-24 | 矿物智能识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115375680B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700097A (zh) * | 2015-03-31 | 2015-06-10 | 西安科技大学 | 一种基于矿物标准色数据库的矿物组分识别方法 |
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 |
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN113627271A (zh) * | 2021-07-18 | 2021-11-09 | 武汉大学 | 一种移动式岩石矿物快速智能识别方法 |
US20210349041A1 (en) * | 2020-05-08 | 2021-11-11 | Bp Corporation North America Inc. | Material properties from two-dimensional image |
CN114705831A (zh) * | 2022-03-22 | 2022-07-05 | 中南大学 | 一种精确判别钨多金属矿床类型与剥蚀深度的白钨矿矿物学找矿方法 |
CN114757306A (zh) * | 2022-06-14 | 2022-07-15 | 中国煤炭地质总局勘查研究总院 | 煤系沉积型锂资源的分类方法、装置、设备及存储介质 |
CN115147615A (zh) * | 2022-07-01 | 2022-10-04 | 河海大学 | 一种基于度量元学习网络的岩石图像分类方法及装置 |
CN115205854A (zh) * | 2022-05-25 | 2022-10-18 | 西南石油大学 | 一种基于qemscan的页岩maps矿物识别方法 |
-
2022
- 2022-10-24 CN CN202211299325.5A patent/CN115375680B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104700097A (zh) * | 2015-03-31 | 2015-06-10 | 西安科技大学 | 一种基于矿物标准色数据库的矿物组分识别方法 |
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 |
US20210349041A1 (en) * | 2020-05-08 | 2021-11-11 | Bp Corporation North America Inc. | Material properties from two-dimensional image |
CN112183639A (zh) * | 2020-09-30 | 2021-01-05 | 四川大学 | 一种矿物图像识别与分类方法 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN113627271A (zh) * | 2021-07-18 | 2021-11-09 | 武汉大学 | 一种移动式岩石矿物快速智能识别方法 |
CN114705831A (zh) * | 2022-03-22 | 2022-07-05 | 中南大学 | 一种精确判别钨多金属矿床类型与剥蚀深度的白钨矿矿物学找矿方法 |
CN115205854A (zh) * | 2022-05-25 | 2022-10-18 | 西南石油大学 | 一种基于qemscan的页岩maps矿物识别方法 |
CN114757306A (zh) * | 2022-06-14 | 2022-07-15 | 中国煤炭地质总局勘查研究总院 | 煤系沉积型锂资源的分类方法、装置、设备及存储介质 |
CN115147615A (zh) * | 2022-07-01 | 2022-10-04 | 河海大学 | 一种基于度量元学习网络的岩石图像分类方法及装置 |
Non-Patent Citations (2)
Title |
---|
冉敬: "《地质实验测试仪器设备使用与维护 岩矿鉴定与环境分析 第2分册》", 31 December 2017 * |
汤化明: ""人工智能在矿物加工技术中的应用与发展"", 《金属矿山》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115375680B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7144244B2 (ja) | パターン検査システム | |
US7190832B2 (en) | Computational methods for the segmentation of images of objects from background in a flow imaging instrument | |
US20210321963A1 (en) | Systems and methods for enhanced imaging and analysis | |
US10169878B2 (en) | System and method for segmentation of three-dimensional microscope images | |
US8649580B2 (en) | Image processing method, image processing apparatus, and computer-readable recording medium storing image processing program | |
TW202029071A (zh) | 用於判定空白光罩上之缺陷之類型及尺寸之系統及方法 | |
EP1704401B1 (en) | Method for altering one or more parameters of a measurement system | |
US8542917B2 (en) | System and method for identifying complex tokens in an image | |
CN113033385A (zh) | 一种基于深度学习的违章建筑遥感识别方法及系统 | |
CN117542049B (zh) | 基于深度学习的图像识别方法及系统 | |
CN114170136A (zh) | 接触网支架装置紧固件缺陷检测方法、系统、装置和介质 | |
CN109063773B (zh) | 一种利用图像特征提高激光探针分类精度的方法 | |
CN115375680B (zh) | 矿物智能识别方法、装置及存储介质 | |
WO2021052240A1 (zh) | 基于图像特征自动选择谱线的激光探针分类方法及装置 | |
EP2433263A1 (en) | Method of dynamic cell tracking in a sample | |
WO2020013102A1 (en) | Information processing apparatus, information processing method, and program | |
WO2020066209A1 (ja) | 粒子解析用データ生成方法、粒子解析用データ生成プログラム、及び粒子解析用データ生成装置 | |
CN109272550B (zh) | 使用粒子显微镜记录图像的方法以及粒子显微镜 | |
JP2021043828A (ja) | 金属凝固体結晶組織の解析方法および金属凝固体結晶組織の解析装置 | |
CN113807273B (zh) | 基于增强全变分约束表示模型与端元背景字典的高光谱异常检测方法 | |
WO2019140430A1 (en) | Pattern detection at low signal-to-noise ratio with multiple data capture regimes | |
US20230394852A1 (en) | Automatic selection of structures-of-interest for lamella sample preparation | |
WO2023112302A1 (ja) | 教師データ作成支援装置、教師データ作成支援方法 | |
CN116934693A (zh) | 半导体激光器模组远场图像检测方法及装置 | |
CN116263416A (zh) | 数据处理方法、装置和x射线晶体定向仪 |
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 |