CN116883852B - 一种基于高光谱的岩芯数据获取方法及系统 - Google Patents
一种基于高光谱的岩芯数据获取方法及系统 Download PDFInfo
- Publication number
- CN116883852B CN116883852B CN202311098284.8A CN202311098284A CN116883852B CN 116883852 B CN116883852 B CN 116883852B CN 202311098284 A CN202311098284 A CN 202311098284A CN 116883852 B CN116883852 B CN 116883852B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- features
- data
- core
- graph
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 claims abstract description 233
- 230000003595 spectral effect Effects 0.000 claims abstract description 45
- 230000004927 fusion Effects 0.000 claims abstract description 43
- 239000011435 rock Substances 0.000 claims abstract description 31
- 238000013528 artificial neural network Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 238000011176 pooling Methods 0.000 claims description 24
- 230000009467 reduction Effects 0.000 claims description 21
- 238000012937 correction Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000002310 reflectometry Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 230000002159 abnormal effect Effects 0.000 claims description 8
- 238000004220 aggregation Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 8
- 238000009499 grossing Methods 0.000 claims description 8
- 230000004931 aggregating effect Effects 0.000 claims description 6
- 238000000701 chemical imaging Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000000295 complement effect Effects 0.000 abstract description 2
- 239000000463 material Substances 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 19
- 238000005516 engineering process Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 9
- 238000003860 storage Methods 0.000 description 8
- 230000008569 process Effects 0.000 description 5
- 230000004913 activation Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000000149 argon plasma sintering Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000003702 image correction Methods 0.000 description 2
- 229910052500 inorganic mineral Inorganic materials 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 239000011707 mineral Substances 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000004846 x-ray emission Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 238000012824 chemical production Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011010 flushing procedure Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003900 soil pollution Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- 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
-
- 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
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- 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
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Remote Sensing (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于高光谱的岩芯数据获取方法，包括：获取待识别岩芯的高光谱图像信息，提取光谱数据及图像数据并进行预处理；根据图像数据提取多尺度特征，获取感兴趣区域提取纹理特征，生成图像识别特征；将光谱数据进行降维，并进行自适应加权获取光谱特征，获取光谱特征异构图；基于图卷积神经网络进行学习表示，通过图卷积进行光谱特征的聚合，生成光谱识别特征；将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。本发明通过岩芯高光谱图像的光谱和图像生成互补信息，提高了识别分类精度，并且大大提高了岩芯数据描述的效率，节约了人力物力。
Description
技术领域
本发明涉及污染调查技术领域，更具体的，涉及一种基于高光谱的岩芯数据获取方法及系统。
背景技术
基于近年来优化产能结构，推动社会经济高质量发展的需要，传统行业要想获得长远的发展空间势必要从提高环保效益层面出发，不少重污染企业纷纷搬离原厂址。但是由于长期开展化工生产工作，若想对原场地进行再次开发就势必要考虑区域内的水土污染问题。因此对污染场地现状进行全面调查具有重要的意义。
钻探技术是污染场地调查中一种可直接获取地层样品的科学手段。其中直推钻探技术具有无冲洗介质、机动灵活、推进速度快、样品干扰小等优点。在污染场地调查过程中，需要现场对钻孔岩芯进行记录描述，传统做法是人工画图、标注、扫描、归档，主观人为影响比较大，使其物理特性分析产生较大偏差，导致实际生产和应用中的误判，无法实现结构化数据录入并变为数字资产。因此，如何利用高光谱技术对岩芯数据进行识别获取是亟需解决的问题。
发明内容
为了解决上述至少一个技术问题，本发明提出了一种基于高光谱的岩芯数据获取方法及系统。
本发明第一方面提供了一种基于高光谱的岩芯数据获取方法，包括：
获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。
本方案中，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理，具体为：
根据高光谱成像方法获取待识别岩芯的高光谱图像数据，将所述高光谱图像数据进行数据校正后提取光谱数据及图像数据；
通过应用多元散射校正对所述光谱数据进行表面光斑的消除，将散射校正后的光谱数据利用平滑处理进行滤波去噪，计算平滑处理后光谱数据的光谱平均值及标准偏差，进行归一化处理，获取预处理后的光谱数据；
提取高光谱图像数据的特征波长，降低数据特征维度，获取特征波段下的灰度图像，对所述灰度图像进行滤波，获取预处理后的图像数据。
本方案中，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征，具体为：
获取预处理后的图像数据，将所述图像数据导入深度卷积网络获取多尺度特征，并通过光谱数据获取图像数据中光谱反射率差异大于预设阈值条件的区域；
根据所述多尺度特征结合光谱反射率差异区域获取高光谱图像数据的感兴趣区域，获取感兴趣区域的灰度共生矩阵，根据所述灰度共生矩阵根据预设参数获取纹理特征；
根据所述纹理特征生成待识别岩芯的图像识别特征。
本方案中，将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图，具体为：
获取预处理后的光谱数据，利用特征波长进行光谱数据降维，引入注意力模块获取注意力权重将降维处理后的光谱数据在高光谱图像数据中进行更新；
所述注意力模块分为通道注意力单元及空间注意力单元，将降维处理后的光谱数据进行平均池化及最大池化操作，将池化特征进行拼接导入通道注意力单元获取通道注意力权重，结合输入数据生成通道注意力单元的输出；
将所述通道注意力单元的输出导入空间注意力单元，进行平均池化及最大池化操作后通过空间注意力单元生成空间注意力权重，根据所述空间注意力权重获取更新后的光谱数据，获取光谱特征；
将光谱特征进行图结构表示，生成光谱特征异构图，以各光谱特征作为节点，获取各节点之间的相似度，根据相似度构建相似度邻域，并获取高光谱图像数据中更新后光谱数据对应光谱特征的空间距离，根据所述空间距离构建距离邻域。
本方案中，基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征，具体为：
利用图卷积神经网络对所述光谱特征异构图进行学习表示，获取待识别岩芯高光谱图像数据的光谱全局特征；
根据光谱特征异构图获取相似度邻域及距离邻域，通过所述相似度邻域及距离邻域获取图结构生成相似度子图及距离子图，根据图卷积神经网络对相似度子图及距离子图进行学习表示；
根据光谱特征的通道注意力权重及空间注意力权重设置相似度子图及距离子图中节点的初始权重，在相似度子图及距离子图中通过所述初始权重进行邻居聚合更新节点的特征表示，获取两个光谱局部特征；
引入注意力权重，对所述光谱全局特征及光谱局部特征进行加权融合，生成待识别岩芯的光谱识别特征。
本方案中，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记，具体为：
根据深度卷积网络及图卷积神经网络构建双分支，通过双分支获取待识别岩芯的图像识别特征及光谱识别特征，在全连接层利用特征拼接实现特征融合，获取融合特征；
通过图像识别特征、光谱识别特征及融合特征设置SVM分类器，利用大数据方法岩芯识别实例，基于岩芯识别实例构建训练集对分类器进行训练，输出训练符合预设标准的分类器；
根据所述SVM分类器输出待识别岩芯的识别结果，根据所述识别结果进行标记，将获取的高光谱图像数据、岩芯信息识别结果存储为标准数据。
本发明第二方面还提供了一种基于高光谱的岩芯数据获取系统，该系统包括：存储器、处理器，所述存储器中包括基于高光谱的岩芯数据获取方法程序，所述基于高光谱的岩芯数据获取方法程序被所述处理器执行时实现如下步骤：
获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。
本发明公开了一种基于高光谱的岩芯数据获取方法，包括：获取待识别岩芯的高光谱图像信息，提取光谱数据及图像数据并进行预处理；根据图像数据提取多尺度特征，获取感兴趣区域提取纹理特征，生成图像识别特征；将光谱数据进行降维，并进行自适应加权获取光谱特征，获取光谱特征异构图；基于图卷积神经网络进行学习表示，通过图卷积进行光谱特征的聚合，生成光谱识别特征；将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。本发明通过岩芯高光谱图像的光谱和图像生成互补信息，提高了识别分类精度，并且大大提高了岩芯数据描述的效率，节约了人力物力。
附图说明
图1示出了本发明一种基于高光谱的岩芯数据获取方法的流程图；
图2示出了本发明生成待识别岩芯的光谱识别特征的流程图；
图3示出了本发明进行待识别岩芯的识别标记的流程图；
图4示出了本发明一种基于高光谱的岩芯数据获取系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于高光谱的岩芯数据获取方法的流程图。
如图1所示，本发明第一方面提供了一种基于高光谱的岩芯数据获取方法，包括：
S102，获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
S104，根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
S106，将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
S108，基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
S110，将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。
需要说明的是，根据高光谱成像方法获取待识别岩芯的高光谱图像数据，由于图像采集过程种容易受到照明强度及光学器件等因素的影响，需要进行图像校正，将所述高光谱图像数据各像素点的光谱反射率进行数据校正后提取光谱数据及图像数据；图像采集过程中会有噪声产生或者发生光散射，通过应用多元散射校正对所述光谱数据进行表面光斑的消除，将散射校正后的光谱数据利用平滑处理进行滤波去噪，计算平滑处理后光谱数据的光谱平均值及标准偏差，进行归一化处理进行标准化校正，获取预处理后的光谱数据；利用主成分分析等方法提取高光谱图像数据的特征波长，降低数据特征维度，获取特征波段下的灰度图像，对所述灰度图像进行滤波，获取预处理后的图像数据。
需要说明的是，获取预处理后的图像数据，将所述图像数据导入深度卷积网络获取多尺度特征，并通过光谱数据获取图像数据中光谱反射率差异大于预设阈值条件的区域，所述预设阈值条件通过求取岩芯区域和背景区域中所有采样点下光谱的平均值，选择岩芯区域和背景反射率差异大的波段及其对应的反射率值作为区分岩芯区域和背景的阈值条件。根据所述多尺度特征结合光谱反射率差异区域获取高光谱图像数据的感兴趣区域，获取感兴趣区域的灰度共生矩阵，根据所述灰度共生矩阵根据预设参数获取纹理特征，所述预设参数包括对比度、能量、相关性、均匀性、熵等；根据所述纹理特征生成待识别岩芯的图像识别特征。
图2示出了本发明生成待识别岩芯的光谱识别特征的流程图。
根据本发明实施例，基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征，具体为：
S202，利用图卷积神经网络对所述光谱特征异构图进行学习表示，获取待识别岩芯高光谱图像数据的光谱全局特征；
S204，根据光谱特征异构图获取相似度邻域及距离邻域，通过所述相似度邻域及距离邻域获取图结构生成相似度子图及距离子图，根据图卷积神经网络对相似度子图及距离子图进行学习表示；
S206，根据光谱特征的通道注意力权重及空间注意力权重设置相似度子图及距离子图中节点的初始权重，在相似度子图及距离子图中通过所述初始权重进行邻居聚合更新节点的特征表示，获取两个光谱局部特征；
S208，引入注意力权重，对所述光谱全局特征及光谱局部特征进行加权融合，生成待识别岩芯的光谱识别特征。
需要说明的是，获取预处理后的光谱数据，利用主成分分析获取特征波长进行光谱数据降维，引入注意力模块获取注意力权重将降维处理后的光谱数据在高光谱图像数据中进行更新，实现光谱特征的重新标定，突出重要的光谱特征并抑制非重要的光谱特征；所述注意力模块分为通道注意力单元及空间注意力单元，将降维处理后的光谱数据进行平均池化及最大池化操作，两个池化操作各输出一个通道描述特征，将池化特征进行拼接导入通道注意力单元获取通道注意力权重，结合输入数据生成通道注意力单元的输出；将所述通道注意力单元的输出导入空间注意力单元，进行平均池化及最大池化操作后获取两个通道描述，将通道描述输入卷积层获取卷积输出，经过激活函数进行激活获取空间注意力权重，根据所述空间注意力权重获取更新后的光谱数据，获取光谱特征；将光谱特征进行图结构表示，生成光谱特征异构图，以各光谱特征作为节点，获取各节点之间的相似度，根据相似度构建相似度邻域，并通过计算欧氏距离获取高光谱图像数据中更新后光谱数据对应光谱特征的空间距离，根据所述空间距离构建距离邻域。
图3示出了本发明进行待识别岩芯的识别标记的流程图。
根据本发明实施例，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记，具体为：
S302，根据深度卷积网络及图卷积神经网络构建双分支，通过双分支获取待识别岩芯的图像识别特征及光谱识别特征，在全连接层利用特征拼接实现特征融合，获取融合特征；
S304，通过图像识别特征、光谱识别特征及融合特征设置SVM分类器，利用大数据方法岩芯识别实例，基于岩芯识别实例构建训练集对分类器进行训练，输出训练符合预设标准的分类器；
S306，根据所述SVM分类器输出待识别岩芯的识别结果，根据所述识别结果进行标记，将获取的高光谱图像数据、岩芯信息识别结果存储为标准数据。
需要说明的是，岩芯信息识别结果包括岩芯种类、矿物含量、风化程度、RQD值等数据，在SVM分类器的训练中引入核函数，将图像识别特征、光谱识别特征及融合特征进行多核学习，利用投票法确定各种特征在岩芯识别上的核函数，常用的核函数有线性核函数、高斯核函数、多项式核函数和Sigmoid函数等，利用核函数训练保证了分类器的识别准确性，减少错分的可能性。在进行标准数据的存储时，还能记录空间坐标、设备信息及操作人员等信息。
根据本发明实施例，根据目标地区地理数据及扫描目的推荐合适的岩芯扫描方法，具体为：
通过大数据检索获取岩芯扫描技术及各岩芯扫描技术对应的岩芯扫描实例，根据所述岩芯扫描实例利用数据统计获取岩芯扫描技术对应的岩芯数据种类，利用各岩芯数据种类的统计频次设置各岩芯扫描技术的岩芯适用范围；
构建岩芯扫描技术数据库，通过各岩芯扫描技术匹配对应的岩芯适用范围存入数据库，并扫描目的、扫描原理、扫描速度、扫描精度及扫描成本作为各岩芯扫描技术的附加特征；
获取目标地区的地理数据及当前岩芯扫描任务的扫描目的及要求约束，在所述岩芯扫描技术数据库中利用相似度计算进行筛选，提取相似度符合预设相似度标准的数据，并根据相似度进行排序生成推荐优先级；
选取推荐优先级最高的岩芯扫描技术进行扫描，获取岩芯数据，判定岩芯数据的完整度及准确度，根据判定结果进行推荐修正及推荐优化。
岩芯扫描技术包括表面图像采集、高光谱扫描、X射线荧光光谱 (XRF)分析、CT三维扫描、磁化率等。
图4示出了本发明一种基于高光谱的岩芯数据获取系统的框图。
本发明第二方面还提供了一种基于高光谱的岩芯数据获取系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于高光谱的岩芯数据获取方法程序，所述基于高光谱的岩芯数据获取方法程序被所述处理器执行时实现如下步骤：
获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记。
需要说明的是，根据高光谱成像方法获取待识别岩芯的高光谱图像数据，由于图像采集过程种容易受到照明强度及光学器件等因素的影响，需要进行图像校正，将所述高光谱图像数据各像素点的光谱反射率进行数据校正后提取光谱数据及图像数据；图像采集过程中会有噪声产生或者发生光散射，通过应用多元散射校正对所述光谱数据进行表面光斑的消除，将散射校正后的光谱数据利用平滑处理进行滤波去噪，计算平滑处理后光谱数据的光谱平均值及标准偏差，进行归一化处理进行标准化校正，获取预处理后的光谱数据；利用主成分分析等方法提取高光谱图像数据的特征波长，降低数据特征维度，获取特征波段下的灰度图像，对所述灰度图像进行滤波，获取预处理后的图像数据。
需要说明的是，获取预处理后的图像数据，将所述图像数据导入深度卷积网络获取多尺度特征，并通过光谱数据获取图像数据中光谱反射率差异大于预设阈值条件的区域，所述预设阈值条件通过求取岩芯区域和背景区域中所有采样点下光谱的平均值，选择岩芯区域和背景反射率差异大的波段及其对应的反射率值作为区分岩芯区域和背景的阈值条件。根据所述多尺度特征结合光谱反射率差异区域获取高光谱图像数据的感兴趣区域，获取感兴趣区域的灰度共生矩阵，根据所述灰度共生矩阵根据预设参数获取纹理特征，所述预设参数包括对比度、能量、相关性、均匀性、熵等；根据所述纹理特征生成待识别岩芯的图像识别特征。
根据本发明实施例，基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征，具体为：
利用图卷积神经网络对所述光谱特征异构图进行学习表示，获取待识别岩芯高光谱图像数据的光谱全局特征；
根据光谱特征异构图获取相似度邻域及距离邻域，通过所述相似度邻域及距离邻域获取图结构生成相似度子图及距离子图，根据图卷积神经网络对相似度子图及距离子图进行学习表示；
根据光谱特征的通道注意力权重及空间注意力权重设置相似度子图及距离子图中节点的初始权重，在相似度子图及距离子图中通过所述初始权重进行邻居聚合更新节点的特征表示，获取两个光谱局部特征；
引入注意力权重，对所述光谱全局特征及光谱局部特征进行加权融合，生成待识别岩芯的光谱识别特征。
需要说明的是，获取预处理后的光谱数据，利用主成分分析获取特征波长进行光谱数据降维，引入注意力模块获取注意力权重将降维处理后的光谱数据在高光谱图像数据中进行更新，实现光谱特征的重新标定，突出重要的光谱特征并抑制非重要的光谱特征；所述注意力模块分为通道注意力单元及空间注意力单元，将降维处理后的光谱数据进行平均池化及最大池化操作，两个池化操作各输出一个通道描述特征，将池化特征进行拼接导入通道注意力单元获取通道注意力权重，结合输入数据生成通道注意力单元的输出；将所述通道注意力单元的输出导入空间注意力单元，进行平均池化及最大池化操作后获取两个通道描述，将通道描述输入卷积层获取卷积输出，经过激活函数进行激活获取空间注意力权重，根据所述空间注意力权重获取更新后的光谱数据，获取光谱特征；将光谱特征进行图结构表示，生成光谱特征异构图，以各光谱特征作为节点，获取各节点之间的相似度，根据相似度构建相似度邻域，并通过计算欧氏距离获取高光谱图像数据中更新后光谱数据对应光谱特征的空间距离，根据所述空间距离构建距离邻域。
根据本发明实施例，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记，具体为：
根据深度卷积网络及图卷积神经网络构建双分支，通过双分支获取待识别岩芯的图像识别特征及光谱识别特征，在全连接层利用特征拼接实现特征融合，获取融合特征；
通过图像识别特征、光谱识别特征及融合特征设置SVM分类器，利用大数据方法岩芯识别实例，基于岩芯识别实例构建训练集对分类器进行训练，输出训练符合预设标准的分类器；
根据所述SVM分类器输出待识别岩芯的识别结果，根据所述识别结果进行标记，将获取的高光谱图像数据、岩芯信息识别结果存储为标准数据。
需要说明的是，岩芯信息识别结果包括岩芯种类、矿物含量、风化程度、RQD值等数据，在SVM分类器的训练中引入核函数，将图像识别特征、光谱识别特征及融合特征进行多核学习，利用投票法确定各种特征在岩芯识别上的核函数，常用的核函数有线性核函数、高斯核函数、多项式核函数和Sigmoid函数等，利用核函数训练保证了分类器的识别准确性，减少错分的可能性。在进行标准数据的存储时，还能记录空间坐标、设备信息及操作人员等信息。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于高光谱的岩芯数据获取方法程序，所述基于高光谱的岩芯数据获取方法程序被处理器执行时，实现如上述任一项所述的基于高光谱的岩芯数据获取方法的步骤。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，如：多个单元或组件可以结合，或可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，也可以分布到多个网络单元上；可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以两个或两个以上单元集成在一个单元中；上述集成的单元既可以采用硬件的形式实现，也可以采用硬件加软件功能单元的形式实现。
本邻域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、或者网络设备等）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术邻域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (7)
1.一种基于高光谱的岩芯数据获取方法，其特征在于，包括以下步骤：
获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图，具体为：
获取预处理后的光谱数据，利用特征波长进行光谱数据降维，引入注意力模块获取注意力权重将降维处理后的光谱数据在高光谱图像数据中进行更新；
所述注意力模块分为通道注意力单元及空间注意力单元，将降维处理后的光谱数据进行平均池化及最大池化操作，将池化特征进行拼接导入通道注意力单元获取通道注意力权重，结合输入数据生成通道注意力单元的输出；
将所述通道注意力单元的输出导入空间注意力单元，进行平均池化及最大池化操作后通过空间注意力单元生成空间注意力权重，根据所述空间注意力权重获取更新后的光谱数据，获取光谱特征；
将光谱特征进行图结构表示，生成光谱特征异构图，以各光谱特征作为节点，获取各节点之间的相似度，根据相似度构建相似度邻域，并获取高光谱图像数据中更新后光谱数据对应光谱特征的空间距离，根据所述空间距离构建距离邻域；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征，具体为：
利用图卷积神经网络对所述光谱特征异构图进行学习表示，获取待识别岩芯高光谱图像数据的光谱全局特征；
根据光谱特征异构图获取相似度邻域及距离邻域，通过所述相似度邻域及距离邻域获取图结构生成相似度子图及距离子图，根据图卷积神经网络对相似度子图及距离子图进行学习表示；
根据光谱特征的通道注意力权重及空间注意力权重设置相似度子图及距离子图中节点的初始权重，在相似度子图及距离子图中通过所述初始权重进行邻居聚合更新节点的特征表示，获取两个光谱局部特征；
引入注意力权重，对所述光谱全局特征及光谱局部特征进行加权融合，生成待识别岩芯的光谱识别特征。
2.根据权利要求1所述的一种基于高光谱的岩芯数据获取方法，其特征在于，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理，具体为：
根据高光谱成像方法获取待识别岩芯的高光谱图像数据，将所述高光谱图像数据进行数据校正后提取光谱数据及图像数据；
通过应用多元散射校正对所述光谱数据进行表面光斑的消除，将散射校正后的光谱数据利用平滑处理进行滤波去噪，计算平滑处理后光谱数据的光谱平均值及标准偏差，进行归一化处理，获取预处理后的光谱数据；
提取高光谱图像数据的特征波长，降低数据特征维度，获取特征波段下的灰度图像，对所述灰度图像进行滤波，获取预处理后的图像数据。
3.根据权利要求1所述的一种基于高光谱的岩芯数据获取方法，其特征在于，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征，具体为：
获取预处理后的图像数据，将所述图像数据导入深度卷积网络获取多尺度特征，并通过光谱数据获取图像数据中光谱反射率差异大于预设阈值条件的区域；
根据所述多尺度特征结合光谱反射率差异区域获取高光谱图像数据的感兴趣区域，获取感兴趣区域的灰度共生矩阵，根据所述灰度共生矩阵根据预设参数获取纹理特征；
根据所述纹理特征生成待识别岩芯的图像识别特征。
4.根据权利要求1所述的一种基于高光谱的岩芯数据获取方法，其特征在于，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记，具体为：
根据深度卷积网络及图卷积神经网络构建双分支，通过双分支获取待识别岩芯的图像识别特征及光谱识别特征，在全连接层利用特征拼接实现特征融合，获取融合特征；
通过图像识别特征、光谱识别特征及融合特征设置SVM分类器，利用大数据方法岩芯识别实例，基于岩芯识别实例构建训练集对分类器进行训练，输出训练符合预设标准的分类器；
根据所述SVM分类器输出待识别岩芯的识别结果，根据所述识别结果进行标记，将获取的高光谱图像数据、岩芯信息识别结果存储为标准数据。
5.一种基于高光谱的岩芯数据获取系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于高光谱的岩芯数据获取方法程序，所述基于高光谱的岩芯数据获取方法程序被所述处理器执行时实现如下步骤：
获取待识别岩芯的高光谱图像信息，通过所述高光谱图像信息提取光谱数据及图像数据，对所述光谱数据及图像数据进行预处理；
根据所述图像数据提取多尺度特征，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征；
将待识别岩芯的图像识别特征及光谱识别特征进行融合获取融合特征，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记；
将所述光谱数据进行降维，并进行自适应加权获取光谱特征，将所述光谱特征通过图结构进行表示，获取光谱特征异构图，具体为：
获取预处理后的光谱数据，利用特征波长进行光谱数据降维，引入注意力模块获取注意力权重将降维处理后的光谱数据在高光谱图像数据中进行更新；
所述注意力模块分为通道注意力单元及空间注意力单元，将降维处理后的光谱数据进行平均池化及最大池化操作，将池化特征进行拼接导入通道注意力单元获取通道注意力权重，结合输入数据生成通道注意力单元的输出；
将所述通道注意力单元的输出导入空间注意力单元，进行平均池化及最大池化操作后通过空间注意力单元生成空间注意力权重，根据所述空间注意力权重获取更新后的光谱数据，获取光谱特征；
将光谱特征进行图结构表示，生成光谱特征异构图，以各光谱特征作为节点，获取各节点之间的相似度，根据相似度构建相似度邻域，并获取高光谱图像数据中更新后光谱数据对应光谱特征的空间距离，根据所述空间距离构建距离邻域；
基于图卷积神经网络对所述光谱特征异构图进行学习表示，通过图卷积进行光谱特征的聚合，生成待识别岩芯的光谱识别特征，具体为：
利用图卷积神经网络对所述光谱特征异构图进行学习表示，获取待识别岩芯高光谱图像数据的光谱全局特征；
根据光谱特征异构图获取相似度邻域及距离邻域，通过所述相似度邻域及距离邻域获取图结构生成相似度子图及距离子图，根据图卷积神经网络对相似度子图及距离子图进行学习表示；
根据光谱特征的通道注意力权重及空间注意力权重设置相似度子图及距离子图中节点的初始权重，在相似度子图及距离子图中通过所述初始权重进行邻居聚合更新节点的特征表示，获取两个光谱局部特征；
引入注意力权重，对所述光谱全局特征及光谱局部特征进行加权融合，生成待识别岩芯的光谱识别特征。
6.根据权利要求5所述的一种基于高光谱的岩芯数据获取系统，其特征在于，通过所述多尺度特征获取感兴趣区域，并提取感兴趣区域的纹理特征，生成待识别岩芯的图像识别特征，具体为：
获取预处理后的图像数据，将所述图像数据导入深度卷积网络获取多尺度特征，并通过光谱数据获取图像数据中光谱反射率差异大于预设阈值条件的区域；
根据所述多尺度特征结合光谱反射率差异区域获取高光谱图像数据的感兴趣区域，获取感兴趣区域的灰度共生矩阵，根据所述灰度共生矩阵根据预设参数获取纹理特征；
根据所述纹理特征生成待识别岩芯的图像识别特征。
7.根据权利要求5所述的一种基于高光谱的岩芯数据获取系统，其特征在于，通过图像识别特征、光谱识别特征及融合特征进行待识别岩芯的识别标记，具体为：
根据深度卷积网络及图卷积神经网络构建双分支，通过双分支获取待识别岩芯的图像识别特征及光谱识别特征，在全连接层利用特征拼接实现特征融合，获取融合特征；
通过图像识别特征、光谱识别特征及融合特征设置SVM分类器，利用大数据方法岩芯识别实例，基于岩芯识别实例构建训练集对分类器进行训练，输出训练符合预设标准的分类器；
根据所述SVM分类器输出待识别岩芯的识别结果，根据所述识别结果进行标记，将获取的高光谱图像数据、岩芯信息识别结果存储为标准数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098284.8A CN116883852B (zh) | 2023-08-29 | 2023-08-29 | 一种基于高光谱的岩芯数据获取方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311098284.8A CN116883852B (zh) | 2023-08-29 | 2023-08-29 | 一种基于高光谱的岩芯数据获取方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116883852A CN116883852A (zh) | 2023-10-13 |
| CN116883852B true CN116883852B (zh) | 2024-03-08 |
Family
ID=88257105
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311098284.8A Active CN116883852B (zh) | 2023-08-29 | 2023-08-29 | 一种基于高光谱的岩芯数据获取方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116883852B (zh) |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339131A (zh) * | 2008-08-13 | 2009-01-07 | 中国石油天然气集团公司 | 岩心显微多种光谱成像信息综合处理方法 |
| CN107230184A (zh) * | 2016-03-24 | 2017-10-03 | 核工业北京地质研究院 | 一种成像高光谱岩芯扫描图像自动裁剪方法 |
| CN110886604A (zh) * | 2019-12-02 | 2020-03-17 | 中国石油大学(华东) | 一种基于计算机模拟技术的高效地热资源勘察方法 |
| CN111582387A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种岩石光谱特征融合分类方法及系统 |
| CN111764854A (zh) * | 2020-07-29 | 2020-10-13 | 四川大学 | 深部岩石原位保质取芯装置及其随钻成膜取芯方法 |
| CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
| CN113420768A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 岩芯类别确定方法、装置、电子设备和存储介质 |
| CN113723469A (zh) * | 2021-08-09 | 2021-11-30 | 中国人民解放军军事科学院国防工程研究院 | 基于空谱联合网络的可解释高光谱图像分类方法及装置 |
| CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
| CN114386497A (zh) * | 2021-12-31 | 2022-04-22 | 核工业北京地质研究院 | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 |
| EP4019949A1 (en) * | 2020-12-24 | 2022-06-29 | Inel S.A.S | Methods and system for materials characterization using multiple instruments and data fusion |
| CN115713645A (zh) * | 2022-10-19 | 2023-02-24 | 山东大学 | 基于光谱成像技术的岩性识别方法及系统 |
| WO2023069793A1 (en) * | 2021-10-24 | 2023-04-27 | Lucomm Technologies, Inc. | Robotic system |
| CN116310471A (zh) * | 2022-10-20 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像分类方法 |
| CN116363440A (zh) * | 2023-05-05 | 2023-06-30 | 北京建工环境修复股份有限公司 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3073881C (en) * | 2019-03-05 | 2022-07-19 | Husky Oil Operations Limited | Well production optimization using hyperspectral imaging |
-
2023
- 2023-08-29 CN CN202311098284.8A patent/CN116883852B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101339131A (zh) * | 2008-08-13 | 2009-01-07 | 中国石油天然气集团公司 | 岩心显微多种光谱成像信息综合处理方法 |
| CN107230184A (zh) * | 2016-03-24 | 2017-10-03 | 核工业北京地质研究院 | 一种成像高光谱岩芯扫描图像自动裁剪方法 |
| CN110886604A (zh) * | 2019-12-02 | 2020-03-17 | 中国石油大学(华东) | 一种基于计算机模拟技术的高效地热资源勘察方法 |
| CN111582387A (zh) * | 2020-05-11 | 2020-08-25 | 吉林大学 | 一种岩石光谱特征融合分类方法及系统 |
| CN111764854A (zh) * | 2020-07-29 | 2020-10-13 | 四川大学 | 深部岩石原位保质取芯装置及其随钻成膜取芯方法 |
| EP4019949A1 (en) * | 2020-12-24 | 2022-06-29 | Inel S.A.S | Methods and system for materials characterization using multiple instruments and data fusion |
| CN113406296A (zh) * | 2021-06-24 | 2021-09-17 | 辽宁工程技术大学 | 一种基于深度学习的煤岩智能识别系统 |
| CN113723469A (zh) * | 2021-08-09 | 2021-11-30 | 中国人民解放军军事科学院国防工程研究院 | 基于空谱联合网络的可解释高光谱图像分类方法及装置 |
| CN113420768A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 岩芯类别确定方法、装置、电子设备和存储介质 |
| WO2023069793A1 (en) * | 2021-10-24 | 2023-04-27 | Lucomm Technologies, Inc. | Robotic system |
| CN114135278A (zh) * | 2021-11-11 | 2022-03-04 | 山东大学 | 一种随钻感知不良地质智能识别与预报系统及方法 |
| CN114386497A (zh) * | 2021-12-31 | 2022-04-22 | 核工业北京地质研究院 | 面向铀成矿构造的航空高光谱和伽玛能谱数据融合方法 |
| CN115713645A (zh) * | 2022-10-19 | 2023-02-24 | 山东大学 | 基于光谱成像技术的岩性识别方法及系统 |
| CN116310471A (zh) * | 2022-10-20 | 2023-06-23 | 中国人民解放军战略支援部队信息工程大学 | 一种高光谱影像分类方法 |
| CN116363440A (zh) * | 2023-05-05 | 2023-06-30 | 北京建工环境修复股份有限公司 | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 |
Non-Patent Citations (9)
| Title |
|---|
| "光谱地壳"计划――探索新一代矿产勘查技术;王晋年;李志忠;张立福;童庆禧;;地球信息科学学报;20120615(第03期);344-351 * |
| Feature-Decision Level Collaborative Fusion Network for Hyperspectral and LiDAR Classification;Shenfu Zhang 等;Remote Sens;20230815;第15卷(第17期);1-7 * |
| Multiple Optical Sensor Fusion for Mineral Mapping of Core Samples;Rasti B 等;Sensors;20200725;第20卷(第13期);1-21 * |
| Rock lithological classification by hyperspectral, range 3D and color images;Francisco J. Galdames 等;Chemometrics and Intelligent Laboratory Systems;20190615;第189卷;138-148 * |
| 基于便携式XRF与高光谱的矿床快速评价方法研究;曹发生;中国博士学位论文全文数据库 (基础科学辑);20220315(第（2022）03期);A011-113 * |
| 成像光谱钻孔岩芯编录的实现方法;张川;叶发旺;姚佳蕾;车永飞;田茂杰;;遥感信息;20171015(第05期);69-74 * |
| 近红外-短波红外岩心光谱成像及矿物识别;谭宏婕 等;世界核地质科学;20230615;第40卷(第02期);405-415 * |
| 非均匀介质的光学和红外光谱性质——对含油岩屑、岩心研究的应用;宋宁;中国博士学位论文全文数据库 (基础科学辑);20100715(第（2010）07期);A005-6 * |
| 高光谱遥感蚀变矿物信息提取研究综述;白杨林 等;遥感信息;20230220;第38卷(第1期);1-10 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116883852A (zh) | 2023-10-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Yang et al. | Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit | |
| Zamri et al. | Tree species classification based on image analysis using Improved-Basic Gray Level Aura Matrix | |
| Zhou et al. | Deep learning-based crack segmentation for civil infrastructure: Data types, architectures, and benchmarked performance | |
| Guo et al. | Automated plankton classification from holographic imagery with deep convolutional neural networks | |
| Temenos et al. | Interpretable deep learning framework for land use and land cover classification in remote sensing using SHAP | |
| CN111783884B (zh) | 基于深度学习的无监督高光谱图像分类方法 | |
| Jaiswal et al. | Critical insights into modern hyperspectral image applications through deep learning | |
| CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
| Azadnia et al. | Developing an automated monitoring system for fast and accurate prediction of soil texture using an image-based deep learning network and machine vision system | |
| Cetinic et al. | Automated painter recognition based on image feature extraction | |
| CN110702648B (zh) | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 | |
| Mallikarjuna et al. | Multi‐gradient‐direction based deep learning model for arecanut disease identification | |
| Su | A filter-based post-processing technique for improving homogeneity of pixel-wise classification data | |
| Schäfer et al. | Classifying Land Cover from Satellite Images Using Time Series Analytics. | |
| CN116843955A (zh) | 一种基于计算机视觉的微生物分类识别方法和系统 | |
| CN114998658A (zh) | 一种基于潮滩指数的潮间带滩涂提取方法及系统 | |
| CN117172430B (zh) | 一种基于深度学习的水体环境评估与预测方法及系统 | |
| Moliner et al. | Weakly supervised semantic segmentation for remote sensing hyperspectral imaging | |
| CN117422936B (zh) | 一种遥感图像分类方法及系统 | |
| Esmaeili et al. | ResMorCNN Model: Hyperspectral Images Classification Using Residual-Injection Morphological Features & 3D-CNN Layers | |
| CN116883852B (zh) | 一种基于高光谱的岩芯数据获取方法及系统 | |
| Bailey et al. | Image analysis of weaverbird nests reveals signature weave textures | |
| Chen et al. | Convolutional neural network-based pure paint pigment identification using hyperspectral images | |
| He et al. | Deep learning image segmentation reveals patterns of UV reflectance evolution in passerine birds | |
| Zhai et al. | Information integration of force sensing and machine vision for in‐shell shrivelled walnut detection based on the golden‐section search optimal discrimination threshold |
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 |