CN116863217A - 一种野外露头岩石图像岩性识别方法 - Google Patents
一种野外露头岩石图像岩性识别方法 Download PDFInfo
- Publication number
- CN116863217A CN116863217A CN202310805725.7A CN202310805725A CN116863217A CN 116863217 A CN116863217 A CN 116863217A CN 202310805725 A CN202310805725 A CN 202310805725A CN 116863217 A CN116863217 A CN 116863217A
- Authority
- CN
- China
- Prior art keywords
- rock
- image
- lithology
- open
- model
- 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.)
- Pending
Links
- 239000011435 rock Substances 0.000 title claims abstract description 139
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 claims abstract description 67
- 238000013508 migration Methods 0.000 claims abstract description 11
- 230000005012 migration Effects 0.000 claims abstract description 11
- 238000005520 cutting process Methods 0.000 claims abstract description 9
- 238000013515 script Methods 0.000 claims abstract description 7
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 45
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 235000019738 Limestone Nutrition 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000002372 labelling Methods 0.000 claims description 3
- 239000006028 limestone Substances 0.000 claims description 3
- 239000004579 marble Substances 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 239000011044 quartzite Substances 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000004519 manufacturing process Methods 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
Classifications
-
- 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
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/096—Transfer learning
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Abstract
本发明涉及一种野外露头岩石图像岩性识别方法,属于岩性识别领域。本发明提供的一种野外露头岩石图像岩性识别方法通过PascalVOC数据集的基本文件结构和目标检测评价标准,使用LabelImg工具建立了岩石目标检测数据集;基于Faster‑RCNN的岩石目标检测算法,以ResNet50网络作为前置分类网络,进行迁移学习;设计加权公式实现自动化脚本实现批量裁剪最优检测目标,制作高质量野外露头岩石岩性识别图像数据集;设计实现多尺度卷积岩性识别模型,本发明能够为野外露头岩石图像岩性识别问题提供一种精度更高,时间成本更低的解决方案,为岩性识别得进一步研究分析与利用提供了保障。
Description
技术领域
本发明涉及一种野外露头岩石图像岩性识别方法,属于岩性识别领域。
背景技术
在地质学领域中,岩石是构成地球岩石圈的主要物质成分之一。对岩石的种类进行鉴定与识别是地质工作中不可或缺的重要内容。通过对岩石性质、构造、成因和成分分类等方面进行深入研究,可以为地质演化、区域地质情况、矿产资源寻找、工程建设条件评估、地质灾害预测等工作提供有力的支持和指导。因此,在地质工作相关领域,需要对岩石种类进行准确鉴定和识别,从而保证地质工作的准确性和可靠性。岩性识别可以通过手标本鉴定、薄片鉴定、元素测试、矿物测试等多种方法进行。此外,还有其他的间接辅助识别手段如重磁技术、地震技术等。手标本鉴定,薄片鉴定是最为简单直接的方法,可以在工程中快速提供初步的识别结果。是最早且较为普遍的方法之一,但其对研究人员的专业知识和地质经验要求较高。在现有的申请号为CN114359617A的一种基于轻量级卷积神经网络识别岩石岩性的方法中,通过通过采集野外岩石图像,经过再次训练之后,构建适合在地质调查现场使用的岩石识别模型对岩石的图像进行卷积训练,获得岩石识别的模型,但是现有技术中所采用的图像采集的流程复杂,且野外的露头岩石图像往往因为背景多样、含有较多冗余信息影响分类效果,导致模型的精度不高,耗时较多。
发明内容
本发明为解决上述现有技术中存在的问题,提供了一种野外露头岩石图像岩性识别方法,本发明能够为野外露头岩石图像岩性识别问题提供一种精度更高,时间成本更低的解决方案,为岩性识别得进一步研究分析与利用提供了保障。
为实现上述目的,本发明提供的技术方案为:一种野外露头岩石图像岩性识别方法,包括如下步骤:
(1)生成岩石检测训练数据集:通过ImageLable工具对岩石样本进行图像采集生成岩石检测训练数据集,并根据Pascal VOC数据集标准,对采集到的岩石图像样本进行数据集标注,其中岩石图像样本至少包括大理石、石灰岩、石英岩和砂岩四类岩石;
(2)建立建立用于迁移的预训练模型:将Faster-RCNN网络模型作为目标检测主体框架,将ResNet50网络作为前置分类网络,利用步骤(1)中的岩石检测训练数据集上进行迁移学习;
(3)野外露头岩石图像预处理:利用目标检测模型对采集到的岩石图像样本进行图像检测,按照公
式1根据图像检测结果对野外露头岩石图像进行裁剪,生成野外露头岩石图像数据集;
式中:Bottomx、Bottomy、Upx、Upy分别表示岩石目标矩形框在计算机图形学坐标系下右下及左上坐标,Width及Height表示完整图像数据的长度和宽度,Pi表示该目标矩形框检测为岩石的概率;
(4)野外露头岩石图像岩性识别算法模型构建:通过ResNet50模型对野外露头岩石图像进行岩性识别;
(5)模型结构优化调整:根据步骤(4)中岩性识别的结果进行分析,根据分析后的结果对ResNet50模型进行修正,卷积层修改为多尺度卷积并加入CBAM混合注意力模块对模型进行改进,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;
(6)野外露头岩石图像岩性识别:运用优化过后的模型对野外露头岩石图像进行岩性识别。
在步骤(1)中按以下步骤进行操作:
1)数据集文件夹预处理:按照PascalVOC格式新建数据集中文本及xml等预备文件;
2)数据集标注:使用ImaLable标注工具打开岩石检测训练数据集目录依次进行框选和标注。
在步骤(2)中首先在预训练模型上训练RPN网络,接着对于得到的proposals训练FastRCNN网络,根据损失函数对模型微调迭代两次以得到最终的模型,所述的模型主体为Faster R-CNN网络模型,至少包括Fast R-CNN和RPN模块,选择resnet50+FPN的预训练权重作为特征提取的分类网络,在Pytorch平台下通过import detection.faster_rcnn语句导入模型。
在步骤(3)中按以下步骤进行操作:
1)通过已经训练完成的检测网络对岩石数据集进行检测以生成包含若干岩石目标检测框的图像集;
2)选取最佳检测目标:通过以岩石像素大小Si及检测概率Pi为核心的自定义计算公式在单幅图像中的若干检测框中选择最优岩石目标;
3)使用脚本批量对图像中步骤2)选择的最优岩石目标裁剪并生成最终野外露头岩石岩性目标检测数据集。
在步骤(4)中基于具有残差结构的ResNet50卷积神经网络对经过目标检测预处理的野外露头岩石图像数据集进行岩性识别。
所述步骤(5)中按以下步骤进行操作:
1)多尺度卷积:在ResNet50网络卷积层将原7*7卷积核替换为三个大小为1*1,3*3和5*5的多尺度卷积,使用不同小卷积核,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;
2)混合注意力机制:以ResNet-50作为基础网络结构,分别将CBAM混合注意力模块嵌入网络第一层和网络中卷积层的最后一层,并在训练时使用预训练参数进行训练;
3)运用优化过后的模型对野外露头岩石图像进行岩性识别。
根据上述技术方案可知,本发明提供的一种野外露头岩石图像岩性识别方法通过Pascal VOC数据集的基本文件结构和目标检测评价标准,使用LabelImg工具建立了岩石目标检测数据集;基于Faster-RCNN的岩石目标检测算法,以ResNet50网络作为前置分类网络,进行迁移学习;设计加权公式实现自动化脚本实现批量裁剪最优检测目标,制作高质量野外露头岩石岩性识别图像数据集;设计实现多尺度卷积岩性识别模型,将原7*7卷积核替换为三个大小为1*1,3*3和5*5的多尺度卷积,使用小不同卷积核,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;将CBAM混合注意力模块分别嵌入网络第一层和网络中卷积层的最后一层,并在训练时使用预训练参数进行迁移训练。与现有的技术方案相比,本技术方案具有以下优点:
(1)因为本技术方案通过目标检测算法解决了解决了野外露头岩石图像背景多样、含有较多冗余信息影响分类效果的问题。有效提高岩性识别模型的收敛速度和识别的准确率。
(2)由于本技术方案中提出的多尺度卷积和混合注意力机制的合理利用,有效解决了多尺度多粒度岩石图像数据的特征学习,有效提高岩石分类准确率,对识别度较低岩石准确率具有明显改善。
附图说明
图1目标检测进行岩石图像预处理的流程图;
图2选择resnet50作为前置特征提取网络的Faster-Rcnn基础模型。
具体实施方法
下面结合附图和具体实施例对本发明作详细具体的说明,但本发明的保护范围不限于下述的实施例。
在本发明所提供的技术方案中的一种基于注意力机制的多尺度卷积神经网络的野外露头岩石图像岩性识别方法,按照如下步骤进行操作:
(1)生成岩石检测训练数据集:通过ImageLable工具对岩石样本进行图像采集生成岩石检测训练数据集,如图1所示,并根据Pascal VOC数据集标准,对采集到的岩石图像样本进行数据集标注,其中岩石图像样本至少包括大理石、石灰岩、石英岩和砂岩四类岩石;生成可用于目标检测模型的完整数据集,搭建Faster-RCNN网络模型作为目标检测主体框架,ResNet50网络作为模型的分类网络在制作的岩石检测训练数据集上进行迁移学习,对原始的野外露头岩石图像进行目标检测,通过脚本实现图像的批量自动裁剪,生成高质量岩石图像数据集。所述的ImageLable工具,为git上一开源图像数据集制作工具。
在步骤(1)中按以下步骤进行操作:
1)数据集文件夹预处理:按照PascalVOC格式新建数据集中文本及xml等预备文件;
2)数据集标注:使用ImaLable标注工具打开岩石检测训练数据集目录依次进行框选和标注。
(2)建立建立用于迁移的预训练模型:将Faster-RCNN网络模型作为目标检测主体框架,如图2所示,将ResNet50网络作为前置分类网络,利用步骤(1)中的岩石检测训练数据集上进行迁移学习;
在步骤(2)中首先在预训练模型上训练RPN网络,接着对于得到的proposals训练FastRCNN网络,根据损失函数对模型微调迭代两次以得到最终的模型,所述的模型主体为Faster R-CNN网络模型,至少包括Fast R-CNN和RPN模块,选择resnet50+FPN的预训练权重作为特征提取的分类网络,在Pytorch平台下通过import detection.faster_rcnn语句导入模型。选择resnet50+FPN作为特征提取的分类网络,按照完整的resnet50+FPN组合的预训练权重,进行迁移学习,迭代到属于自己的模型。
(3)野外露头岩石图像预处理:利用目标检测模型对采集到的岩石图像样本进行图像检测,按照公
式1根据图像检测结果对野外露头岩石图像进行裁剪,生成野外露头岩石图像数据集;
式中:Bottomx、Bottomy、Upx、Upy分别表示岩石目标矩形框在计算机图形学坐标系下右下及左上坐标,Width及Height表示完整图像数据的长度和宽度,Pi表示该目标矩形框检测为岩石的概率;
以岩石像素大小Si及检测概率Pi为核心的自定义计算公式在单幅图像中的若干检测框中选择最优岩石目标的脚本完成基于Faster-RCNN的目标检测网络对岩石图像检测结果的批量自动裁剪,生成高质量岩石图像数据集。
在步骤(3)中按以下步骤进行操作:
1)通过已经训练完成的检测网络对岩石数据集进行检测以生成包含若干岩石目标检测框的图像集;
2)选取最佳检测目标:通过以岩石像素大小Si及检测概率Pi为核心的自定义计算公式在单幅图像中的若干检测框中选择最优岩石目标;
3)使用脚本批量对图像中步骤2)选择的最优岩石目标裁剪并生成最终野外露头岩石岩性目标检测数据集;
(4)野外露头岩石图像岩性识别算法模型构建:通过ResNet50模型对野外露头岩石图像进行岩性识别;
在步骤(4)中基于具有残差结构的ResNet50卷积神经网络对经过目标检测预处理的野外露头岩石图像数据集进行岩性识别。
(5)模型结构优化调整:根据步骤(4)中岩性识别的结果进行分析,根据分析后的结果对ResNet50模型进行修正,卷积层修改为多尺度卷积并加入CBAM混合注意力模块对模型进行改进,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;具体为替换模型卷积层为三个多尺度卷积,在网络第一层和网络中卷积层的最后一层加入CBAM混合注意力模块,使用预训练参数进行训练,使用训练好的模型对野外露头岩石图像数据集进行岩性识别。其中具体的分析过程不涉及数学分析,在使用ResNet50模型进行岩性识别后,有两类岩石分类效果不佳,该两类岩石图像形式多为巨幅片状,具有与背景难以分割的特点,故因此尝试加入注意力机制以提高特征提取能力。
所述步骤(5)中按以下步骤进行操作:
1)多尺度卷积:在ResNet50网络卷积层将原7*7卷积核替换为三个大小为1*1,3*3和5*5的多尺度卷积,使用不同小卷积核,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;其中岩石目标包含颜色,轮廓灯多个特征,经过岩石目标检测对原始数据集裁剪后,野外露头岩石图像大小变为原图中实际所占比例的像素,在代码预处理后,首先会对输入图像进行尺寸统一,调整为224*224像素大小,对于裁剪后不等于目标分辨率的图像,调整后会导致纹理细节不完整、图像质量不佳等问题,通过多个尺度卷积核以应对经过调整后的图像,具体的对哪些特征感兴趣由CNN完成。
2)混合注意力机制:以ResNet-50作为基础网络结构,分别将CBAM混合注意力模块嵌入网络第一层和网络中卷积层的最后一层,并在训练时使用预训练参数进行训练;
3)运用优化过后的模型对野外露头岩石图像进行岩性识别。
(6)野外露头岩石图像岩性识别:运用优化过后的模型对野外露头岩石图像进行岩性识别。
Claims (6)
1.一种野外露头岩石图像岩性识别方法,其特征在于包括如下步骤:
(1)生成岩石检测训练数据集:通过ImageLable工具对岩石样本进行图像采集生成岩石检测训练数据集,并根据PascalVOC数据集标准,对采集到的岩石图像样本进行数据集标注,其中岩石图像样本至少包括大理石、石灰岩、石英岩和砂岩四类岩石;
(2)建立建立用于迁移的预训练模型:将Faster-RCNN网络模型作为目标检测主体框架,将ResNet50网络作为前置分类网络,利用步骤(1)中的岩石检测训练数据集上进行迁移学习;
(3)野外露头岩石图像预处理:利用目标检测模型对采集到的岩石图像样本进行图像检测,按照公式1根据图像检测结果对野外露头岩石图像进行裁剪,生成野外露头岩石图像数据集;
式中:Bottomx、Bottomy、Upx、Upy分别表示岩石目标矩形框在计算机图形学坐标系下右下及左上坐标,Width及Height表示完整图像数据的长度和宽度,Pi表示该目标矩形框检测为岩石的概率;
(4)野外露头岩石图像岩性识别算法模型构建:通过ResNet50模型对野外露头岩石图像进行岩性识别;
(5)模型结构优化调整:根据步骤(4)中岩性识别的结果进行分析,根据分析后的结果对ResNet50模型进行修正,卷积层修改为多尺度卷积并加入CBAM混合注意力模块对模型进行改进,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;
(6)野外露头岩石图像岩性识别:运用优化过后的模型对野外露头岩石图像进行岩性识别。
2.根据权利要求1所述的一种野外露头岩石图像岩性识别方法,其特征在于:步骤(1)中按以下步骤进行操作:
1)数据集文件夹预处理:按照PascalVOC格式新建数据集中文本及xml等预备文件;
2)数据集标注:使用ImaLable标注工具打开岩石检测训练数据集目录依次进行框选和标注。
3.根据权利要求1所述的一种野外露头岩石图像岩性识别方法,其特征在于:在步骤(2)中首先在预训练模型上训练RPN网络,接着对于得到的proposals训练FastRCNN网络,根据损失函数对模型微调迭代两次以得到最终的模型,所述的模型主体为FasterR-CNN网络模型,至少包括Fast R-CNN和RPN模块,选择resnet50+FPN的预训练权重作为特征提取的分类网络,在Pytorch平台下通过import detection.faster_rcnn语句导入模型。
4.根据权利要求1所述的一种野外露头岩石图像岩性识别方法,其特征在于:步骤(3)中按以下步骤进行操作:
1)通过已经训练完成的检测网络对岩石数据集进行检测以生成包含若干岩石目标检测框的图像集;
2)选取最佳检测目标:通过以岩石像素大小Si及检测概率Pi为核心的自定义计算公式在单幅图像中的若干检测框中选择最优岩石目标;
3)使用脚本批量对图像中步骤2)选择的最优岩石目标裁剪并生成最终野外露头岩石岩性目标检测数据集。
5.根据权利要求1所述的一种野外露头岩石图像岩性识别方法,其特征在于:步骤(4)中基于具有残差结构的ResNet50卷积神经网络对经过目标检测预处理的野外露头岩石图像数据集进行岩性识别。
6.根据权利要求1所述的一种野外露头岩石图像岩性识别方法,其特征在于:所述步骤(5)中按以下步骤进行操作:
1)多尺度卷积:在ResNet50网络卷积层将原7*7卷积核替换为三个大小为1*1,3*3和5*5的多尺度卷积,使用不同小卷积核,对不同尺度的岩石图像中感兴趣的特征信息进行编码和解码;
2)混合注意力机制:以ResNet-50作为基础网络结构,分别将CBAM混合注意力模块嵌入网络第一层和网络中卷积层的最后一层,并在训练时使用预训练参数进行训练;
3)运用优化过后的模型对野外露头岩石图像进行岩性识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805725.7A CN116863217A (zh) | 2023-07-03 | 2023-07-03 | 一种野外露头岩石图像岩性识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310805725.7A CN116863217A (zh) | 2023-07-03 | 2023-07-03 | 一种野外露头岩石图像岩性识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116863217A true CN116863217A (zh) | 2023-10-10 |
Family
ID=88229863
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310805725.7A Pending CN116863217A (zh) | 2023-07-03 | 2023-07-03 | 一种野外露头岩石图像岩性识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116863217A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与系统、存储介质和设备 |
-
2023
- 2023-07-03 CN CN202310805725.7A patent/CN116863217A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117423001A (zh) * | 2023-12-18 | 2024-01-19 | 东北大学 | 基于改进ssd的岩石岩性识别方法与系统、存储介质和设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111553303B (zh) | 基于卷积神经网络的遥感正射影像密集建筑物提取方法 | |
CN114092832B (zh) | 一种基于并联混合卷积网络的高分辨率遥感影像分类方法 | |
CN112884791B (zh) | 一种构建大规模遥感影像语义分割模型训练样本集的方法 | |
CN112613350A (zh) | 一种基于深度神经网络的高分辨率光学遥感图像飞机目标检测方法 | |
CN112232371B (zh) | 一种基于YOLOv3与文本识别的美式车牌识别方法 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
Gao et al. | A novel deep convolutional neural network based on ResNet-18 and transfer learning for detection of wood knot defects | |
CN112949338A (zh) | 深度学习与Hough变换结合的二维条码精确定位方法 | |
CN113191374B (zh) | 基于金字塔注意力网络的PolSAR图像山脊线提取方法 | |
CN109934095A (zh) | 一种基于深度学习的遥感图像水体提取方法及系统 | |
CN116863217A (zh) | 一种野外露头岩石图像岩性识别方法 | |
CN113344050A (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN116206185A (zh) | 一种基于改进YOLOv7的轻量级小目标检测方法 | |
CN111932511A (zh) | 一种基于深度学习的电子元器件质量检测方法与系统 | |
CN112001293A (zh) | 结合多尺度信息和编解码网络的遥感影像地物分类方法 | |
CN113610024B (zh) | 一种多策略的深度学习遥感影像小目标检测方法 | |
CN114997501A (zh) | 基于样本失衡的深度学习矿产资源分类预测方法及系统 | |
CN110175548A (zh) | 基于注意力机制和通道信息的遥感图像建筑物提取方法 | |
CN112784806A (zh) | 一种基于全卷积神经网络的含锂伟晶岩脉提取方法 | |
CN117351371A (zh) | 一种基于深度学习的遥感图像目标检测方法 | |
CN114359617A (zh) | 一种基于轻量级卷积神经网络识别岩石岩性的方法 | |
CN116051966A (zh) | 基于深度学习网络的笔石图像识别方法及其模型训练方法 | |
CN112966774A (zh) | 一种基于图片Bert的组织病理图片分类方法 | |
CN113077009A (zh) | 一种基于迁移学习模型的隧道围岩岩性识别方法 | |
CN112861869A (zh) | 一种基于轻量级卷积神经网络的高粱倒伏图像分割方法 |
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 |