CN117197584A - 一种地质特征的识别分类方法、系统及计算机存储介质 - Google Patents
一种地质特征的识别分类方法、系统及计算机存储介质 Download PDFInfo
- Publication number
- CN117197584A CN117197584A CN202311337537.2A CN202311337537A CN117197584A CN 117197584 A CN117197584 A CN 117197584A CN 202311337537 A CN202311337537 A CN 202311337537A CN 117197584 A CN117197584 A CN 117197584A
- Authority
- CN
- China
- Prior art keywords
- geological
- features
- preliminary
- classified
- image
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000013145 classification model Methods 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 abstract description 2
- 238000003062 neural network model Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种地质特征的识别分类方法、系统及计算机存储介质，涉及地质勘探或探测技术领域。其中方法包括：针对多种地质特征建立多个不同的识别分类模型；获取待识别分类地质图像；采用初步识别模型对待识别分类地质图像进行初步识别，确定待识别分类地质图像的初步地质特征；利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。本申请采用多个经过不同训练数据集训练的识别分类模型分别对同一个待识别分类地质图像中的多个不同地质特征进行识别分类，能够有效提高对每种地质特征的识别分类准确率，进而从整体上提高地质图像中地质特征的识别分类准确率。
Description
技术领域
本申请涉及地质勘探或探测技术领域，特别涉及一种地质特征的识别分类方法、系统及计算机存储介质。
背景技术
地质特征是在各种勘探、开采活动中必须首先明确的内容，只有清楚的了解勘测区域的地质特征，才能为后续的开发策略提供准确的指导，确保地质开发能够顺利和安全的进行。
目前，对地质特征的识别分类已经采用了多种新技术，例如CN112130216A公开了基于卷积神经网络多物探法耦合的地质超前精细预测方法，其利用卷积神经网络和多物探法对地质特征进行了较为准确和快速的识别分类。
然而，上述专利虽然利用多种不同的物探法对不同的地质特征进行数据集的构建以及神经网络的训练，但是其识别分类过程中采用的仍然是同一个神经网络模型，虽然经过训练能够在一定程度上提高神经网络模型的识别分类准确率，但是同一个神经网络模型并不能对所有种类的地质特征都有很高的识别分类准确率，导致上述专利对地质特征识别分类的整体准确率不够高。
发明内容
本申请实施例提供了一种地质特征的识别分类方法、系统及计算机存储介质，用以解决现有技术中采用同一个神经网络模型导致对所有地质特征的整体识别分类准确率不够高的问题。
一方面，本申请实施例提供了一种地质特征的识别分类方法，包括：
针对多种地质特征建立多个不同的识别分类模型；
获取待识别分类地质图像；
采用初步识别模型对待识别分类地质图像进行初步识别，确定待识别分类地质图像的初步地质特征；
利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
另一方面，本申请实施例还提供了一种地质特征的识别分类系统，包括：
模型建立模块，用于针对多种地质特征建立多个不同的识别分类模型；
图像获取模块，用于获取待识别分类地质图像；
初步识别模块，用于采用初步识别模型对待识别分类地质图像进行初步识别，确定待识别分类地质图像的初步地质特征；
再次识别模块，用于利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
另一方面，本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。
本申请中的一种地质特征的识别分类方法、系统及计算机存储介质，具有以下优点：
采用多个经过不同训练数据集训练的识别分类模型分别对同一个待识别分类地质图像中的多个不同地质特征进行识别分类，能够有效提高对每种地质特征的识别分类准确率，进而从整体上提高地质图像中地质特征的识别分类准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的一种地质特征的识别分类方法的流程图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
图1为本申请实施例提供的一种地质特征的识别分类方法的流程图。本申请实施例提供了一种地质特征的识别分类方法，包括：
S100，针对多种地质特征建立多个不同的识别分类模型。
示例性地，由于不同的地质特征在表现形式上存在着较大差别，如果采用同一个识别分类模型来同时识别多种地质特征，在识别分类模型的模型参数不变的情况下，其可能存在对某种特定的地质特征有较好的识别分类效果，而对其他的地质特征的识别分类准确率较差，或整体上对所有的地质特征都不具有较好的识别分类效果，无论是哪种情况，都将导致采用同一个识别分类模型识别多种地质特征时存在整体准确率较差的问题。为了解决这个问题，本申请需要预先确定多种地质特征，并建立与地质特征对应的识别分类模型，以方便采用特定的识别分类模型对特定的地质特征进行识别，进而提高地质特征的整体识别分类准确率。在本申请的实施例中，地质特征可以为实际地质勘探过程中常见的地质结构类型，这些地质特征可以为行业中常见的类型，也可以为根据经验确定的勘测区域中常见的地质结构类型。
具体地，S100具体包括：确定多种地质特征；获取与多个地质特征对应的训练数据集；建立多个机器学习模型；利用多个训练数据集对机器学习模型一一对应进行训练，获得多个识别分类模型。
训练数据集具体体现为地质图像，该地质图像中存在至少一种预先确定的地质特征，并且这些地质特征已经经过人工或软件标注的方式进行了标注。这些训练数据集可以是在历史的勘测中形成的已经确定了地质特征的地质图像，也可以是根据已有的地质图像经过数据扩充后形成的新的地质图像。
上述建立的机器学习模型可以采用相同或不同的机器学习模型，例如可以采用相同或不同的神经网络模型或支持向量机(SVM)模型等，即使采用了相同的机器学习模型，经过不同的训练数据集训练后，其机器学习模型中的模型参数也将存在差异，因此经过训练的任意两个机器学习模型，也称识别分类模型都将不完全相同。
S110，获取待识别分类地质图像。
示例性地，S110具体包括：获取用于反应地质特征的电磁信号；根据电磁信号生成待识别分类地质图像。
在本申请的实施例中，电磁信号为自然电磁脉冲信号，自然电磁脉冲信号由飞行设备在勘测区域中采集得到。飞行设备可以为无人机，在确定勘探区域后，可以采用一架或多架无人机同时采集勘探区域中的自然电磁脉冲信号，然后对采集得到的自然电磁脉冲信号进行分析处理，以得到勘探区域的地质图像。
S120，采用初步识别模型对待识别分类地质图像进行初步识别，确定待识别分类地质图像的初步地质特征。
示例性地，初步识别模型也可以采用机器学习模型，该机器学习模型也需要经过训练数据集的训练，以达到对地质特征的识别分类准确率符合要求的程度。
在本申请的实施例中，由于初步识别模型面对的是多种地质特征，因此在训练数据集的构建上需要确保包含多种地质特征，且这些地质特征需要经过标注。在判断初步识别模型是否达到要求时，可以将验证数据集输入初步识别模型，并对初步识别模型对验证数据集中多种地质特征的识别分类准确率进行整体计算，例如取多种地质特征的识别分类准确率的平均值，当该平均值达到预先设定的阈值后，则认为初步识别模型训练完成。
进一步地，初步识别模型在确定待识别分类地质图像的初步地质特征后，还确定待识别分类地质图像中每种初步地质特征的存在概率，在利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类时，按照存在概率从高到低的顺序依次采用与初步地质特征对应的识别分类模型对待识别分类地质图像进行识别分类。
具体地，由于同一副待识别分类地质图像中可能存在多种地质特征，为了使后续的进一步分析中能够针对性的采用识别分类模型，需要由初步识别模型大致确定当前的待识别分类地质图像中存在何种地质特征，这种地质特征的存在情况体现为地质特征在待识别分类地质图像中的存在概率，概率越高表明该地质特征在待识别分类地质图像中存在的可能性越高。本申请还预先设定了第一概率阈值，只有存在概率高于该第一概率阈值才被认为是地质特征是“可能存在”的，对于存在概率低于第一概率阈值的地质特征，则将其删除，认为其“不可能存在”。
在确定每种地质特征的存在概率后，可以按照存在概率从高到低的顺序依次利用相应的识别分类模型对待识别分类地质图像进行进一步的分析，以准确的确定待识别分类地质图像中存在的地质特征。
进一步地，初步识别模型在确定待识别分类地质图像的初步地质特征后，还对待识别分类地质图像中可能存在的初步地质特征所处的位置进行标记，同时确定同一个位置上图像内容对应的多种初步地质特征的类别概率，在利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类时，按照类别概率从高到低的顺序依次采用与初步地质特征对应的识别分类模型对待识别分类地质图像中的同一个位置进行识别分类。
具体地，由于地质特征在地质图像中体现为一个区域，因此本申请所说的位置为一个区域，而非一个点。初步识别模型在确定待识别分类地质图像中可能存在的地质特征时，也将确定该地质特征在地质图像中的位置，该位置可以采用特定的方式进行标记，例如采用具有特殊颜色的矩形框等。在确定位置后，即可利用与初步地质特征对应的识别分类模型对待识别分类地质图像中对应的位置进行识别分类，避免识别分类模型对其他无关区域进行分析造成的时间和资源浪费。
初步识别模型在识别地质特征时，对于同一个位置上的图像内容，其可能存在不同的识别结果，即初步识别模型可能认为同一个位置的图像内容属于两种或以上不同的地质特征，而这几种地质特征的存在类别概率不同，例如该位置的图像内容属于地质特征A的概率为a，属于地质特征B的概率为b，其中a大于b。在确定同一个位置的图像内容存在不同存在概率的地质特征后，将首先将类别概率与第二概率阈值进行比较，仅将类别概率达到第二概率阈值的地质特征保留，其余的均删除。
如果经过类别概率的筛选，同一个位置的图像内容仍存在两个或以上的地质特征，则将按照类别概率从高到低的顺序采用相应的识别分类模型对该位置的图像内容进行进一步分析。
S130，利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
示例性地，无论是按照存在概率还是类别概率对待识别分类地质图像中的每一个可能存在地质特征的位置进行进一步识别分类，都将输出包含地质特征的名称、在待识别分类地质图像中位置、以及类别概率在内的地质特征识别分类结果。其中，如果对于同一个位置的图像内容采用了多个不同的识别分类模型依次进行分析，则选择分类结果中类别概率最高的地质特征作为最终的地质特征，当然也可以输出其他类别概率非最高的地质特征，供用户参考。
本申请实施例还提供了一种地质特征的识别分类系统，该系统包括：
模型建立模块，用于针对多种地质特征建立多个不同的识别分类模型；
图像获取模块，用于获取待识别分类地质图像；
初步识别模块，用于采用初步识别模型对待识别分类地质图像进行初步识别，确定待识别分类地质图像的初步地质特征；
再次识别模块，用于利用与初步地质特征对应的识别分类模型对待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
本申请实施例还提供了一种计算机存储介质，该计算机存储介质中存储有多条计算机指令，该多条计算机指令用于使计算机执行上述的方法。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种地质特征的识别分类方法，其特征在于，包括：
针对多种地质特征建立多个不同的识别分类模型；
获取待识别分类地质图像；
采用初步识别模型对所述待识别分类地质图像进行初步识别，确定所述待识别分类地质图像的初步地质特征；
利用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
2.根据权利要求1所述的一种地质特征的识别分类方法，其特征在于，所述针对多种地质特征建立多个不同的识别分类模型，包括：
确定多种所述地质特征；
获取与多个所述地质特征对应的训练数据集；
建立多个机器学习模型；
利用多个所述训练数据集对所述机器学习模型一一对应进行训练，获得多个所述识别分类模型。
3.根据权利要求1所述的一种地质特征的识别分类方法，其特征在于，所述获取待识别分类地质图像，包括：
获取用于反应所述地质特征的电磁信号；
根据所述电磁信号生成所述待识别分类地质图像。
4.根据权利要求3所述的一种地质特征的识别分类方法，其特征在于，所述电磁信号为自然电磁脉冲信号，所述自然电磁脉冲信号由飞行设备在勘测区域中采集得到。
5.根据权利要求1所述的一种地质特征的识别分类方法，其特征在于，所述初步识别模型在确定所述待识别分类地质图像的初步地质特征后，还确定所述待识别分类地质图像中每种所述初步地质特征的存在概率，在利用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像进行进一步识别分类时，按照所述存在概率从高到低的顺序依次采用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像进行识别分类。
6.根据权利要求5所述的一种地质特征的识别分类方法，其特征在于，所述初步识别模型在确定所述待识别分类地质图像的初步地质特征后，还对所述待识别分类地质图像中可能存在的所述初步地质特征所处的位置进行标记，同时确定同一个所述位置上图像内容对应的多种所述初步地质特征的类别概率，在利用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像进行进一步识别分类时，按照所述类别概率从高到低的顺序依次采用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像中的同一个所述位置进行识别分类。
7.根据权利要求6所述的一种地质特征的识别分类方法，其特征在于，在标记所述位置后，利用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像中对应的所述位置进行识别分类。
8.一种地质特征的识别分类系统，其特征在于，包括：
模型建立模块，用于针对多种地质特征建立多个不同的识别分类模型；
图像获取模块，用于获取待识别分类地质图像；
初步识别模块，用于采用初步识别模型对所述待识别分类地质图像进行初步识别，确定所述待识别分类地质图像的初步地质特征；
再次识别模块，用于利用与所述初步地质特征对应的所述识别分类模型对所述待识别分类地质图像进行进一步识别分类，获得最终的地质特征识别分类结果。
9.一种计算机存储介质，其特征在于，所述计算机存储介质中存储有多条计算机指令，所述多条计算机指令用于使计算机执行权利要求1-7任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311337537.2A CN117197584A (zh) | 2023-10-16 | 2023-10-16 | 一种地质特征的识别分类方法、系统及计算机存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311337537.2A CN117197584A (zh) | 2023-10-16 | 2023-10-16 | 一种地质特征的识别分类方法、系统及计算机存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117197584A true CN117197584A (zh) | 2023-12-08 |
Family
ID=88987054
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311337537.2A Pending CN117197584A (zh) | 2023-10-16 | 2023-10-16 | 一种地质特征的识别分类方法、系统及计算机存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117197584A (zh) |
-
2023
- 2023-10-16 CN CN202311337537.2A patent/CN117197584A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108830188B (zh) | 基于深度学习的车辆检测方法 | |
| EP3620956B1 (en) | Learning method, learning device for detecting lane through classification of lane candidate pixels and testing method, testing device using the same | |
| CN106682696B (zh) | 基于在线示例分类器精化的多示例检测网络及其训练方法 | |
| CN110969166A (zh) | 一种巡检场景下小目标识别方法和系统 | |
| EP3620980B1 (en) | Learning method, learning device for detecting lane by using cnn and testing method, testing device using the same | |
| US7280697B2 (en) | Unsupervised learning of object categories from cluttered images | |
| Heydarian et al. | Automated visual recognition of construction equipment actions using spatio-temporal features and multiple binary support vector machines | |
| EP3620958A1 (en) | Learning method, learning device for detecting lane through lane model and testing method, testing device using the same | |
| CN112132014A (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
| CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
| CN112766218B (zh) | 基于非对称联合教学网络的跨域行人重识别方法和装置 | |
| CN110363224B (zh) | 一种基于图像的物体分类方法、系统及电子设备 | |
| CN112309126B (zh) | 车牌检测方法、装置、电子设备及计算机可读存储介质 | |
| CN112115996B (zh) | 图像数据的处理方法、装置、设备及存储介质 | |
| CN112528774B (zh) | 一种复杂电磁环境下未知雷达信号智能分选系统及方法 | |
| CN112329587A (zh) | 饮料瓶的分类方法、装置及电子设备 | |
| CN111310737A (zh) | 一种车道线检测方法及装置 | |
| CN116433957A (zh) | 一种基于半监督学习的智能驾驶感知方法 | |
| CN115019133A (zh) | 基于自训练和标签抗噪的图像中弱目标的检测方法及系统 | |
| CN112669277B (zh) | 一种车辆关联方法，计算机设备以及装置 | |
| CN114708645A (zh) | 物件辨识装置及物件辨识方法 | |
| CN117197584A (zh) | 一种地质特征的识别分类方法、系统及计算机存储介质 | |
| CN110728316A (zh) | 一种课堂行为检测方法、系统、装置和存储介质 | |
| CN115565008A (zh) | 一种可迁移图像识别检测系统、方法及计算机可读存储介质 | |
| CN112699776B (zh) | 训练样本优化方法、目标检测模型生成方法、设备及介质 |
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 |