基于深度学习的镜下矿石矿物的智能识别实验研究

矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。     

基于深度学习的智能矿物识别方法研究

矿物识别在许多研究领域都有着重要作用,基于深度学习技术的智能矿物识别为这些领域带来了新的发展方向,不仅能有效节省人工成本,还能减小识别错误。针对石英、角闪石、黑云母、石榴石和橄榄石共5种矿物进行实验,提出了一种准确高效的智能矿物识别方法。实验采用图像分析常用的卷积神经网络建立模型,设计出一套基于残差神经网络的矿物识别方法。本实验独立采集了5种矿物的偏光显微图像数据集,用于模型的训练、验证和测试,并通过合理的数据增强策略来扩充训练数据集。在卷积神经网络的结构设计上,选取了ResNet-18作为框架,最终于模型测试中取得89%的准确率,成功训练出一个较为精准的矿物识别模型,实现了基于深度学习的智能矿物识别方法。     

耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法

在野外地质勘探过程中,矿物识别是一项重要的任务。但是在复杂的地质勘探条件下准确识别矿物是一项极具挑战性的任务。本文首先结合矿物知识,对图像中矿物的颜色和亮度进行判别,从而强化矿物图像的纹理特征,基于强化后的纹理特征,利用深度学习模型和迁移学习方法建立矿物深度学习模型;同时利用K-means算法提取矿物颜色特征,建立颜色特征模型;最终基于矿物识别深度学习模型和颜色特征模型,建立矿物图像的耦合识别模型,提出了一套完整的矿物智能识别分析方法。在深度学习模型建立过程中,共对19类矿物,总计6203张图像进行了训练,同时使用456张图像对耦合模型进行测试,其top-1准确率和top-3准确率分别达到72.2%和91.2%。基于所训练的模型,在Android系统开发了矿物图像智能识别应用系统,主要由矿物识别、矿物知识卡和矿物资料存储三个模块组成,提供矿物实时识别、矿物基础知识及实时储存等功能。作为野外地质勘察的辅助工具,此应用可以减少重复劳动,提升野外地质勘察的数字化和信息化水平。     

基于改进InceptionV3模型的常见矿物智能识别

以常见的16类矿物作为研究对象,收集每一类矿物约1000张图像,按比例划分为训练集、验证集和测试集,通过图像随机选取增加数据的多样性,建立矿物识别InceptionV3模型,训练7万次在测试集上获得81%的识别正确率。通过对损失函数的改进,引入Center Loss损失函数,训练40万次识别准确率提高到86%。对分类的混淆矩阵分析发现,孔雀石等外观特征明显的矿物识别正确率很高,而闪锌矿等与其他矿物容易混淆导致正确率较低。从特征图分析看出,模型很好地提取了孔雀石的放射状特征,矿物图像特征向量聚集程度很高,也说明了模型的可靠性。     

基于岩石图像深度学习的岩性自动识别与分类方法

岩石岩性的识别与分类对于地质分析极为重要,采用机器学习的方法建立识别模型进行自动分类是一条新的途径。基于Inception-v3深度卷积神经网络模型,建立了岩石图像集分析的深度学习迁移模型,运用迁移学习方法实现了岩石岩性的自动识别与分类。采用此方法对所采集的173张花岗岩图像、152张千枚岩图像和246张角砾岩图像进行了学习和识别分类研究,通过训练学习建立岩石图像深度学习迁移模型,并分别采用训练集和测试集中的岩石图像对模型进行了检验分析。对于训练集中的岩石图像,每组岩石分别用3张图像测试,三种岩石的岩性分类均正确,且分类概率值均达到90%以上,显示了模型良好的鲁棒性;对于测试集中的岩石图像,每组岩石分别采用9张图像进行识别分析,三种岩石的岩性分类均正确,并且千枚岩组图像分类概率均高于90%,但是花岗岩组2张图像和角砾岩组的1张图像分类概率值不足70%,概率值较其他岩石图像低,推测其原因是训练集中相同模式的岩石图像较少,导致模型的泛化能力减小。为了提高识别精确度,对准确率较低的岩石图像进行截取,分别取其中的3张图像加入训练集进行再训练,增加与测试图像具有相同模式的训练样本;在新的模型中,对3张图像进行二次检验,测试概率值均达到85%以上,说明在数据足够的状况下模型具有良好的学习能力。与传统的机器学习方法相比,所提出的岩石图像深度学习方法具有以下优点:第一,模型通过搜索图像像素点提取物体特征,不需要手动提取待分类物体特征;第二,对于图像像素大小,成像距离及光照要求低;第三,采用适当的训练集可获得较好的识别分类效果,并具有良好鲁棒性和泛化能力。     

基于深度学习的介形类化石识别

介形类化石对地质年代的确定、古湖泊和古海洋的研究、古环境的重建以及海底石油资源的勘探等工作都具有重要意义。然而,现有识别化石颗粒的方法费时费力,准确率也有待提高。鉴于介形类化石颗粒的类别具有科、属、种的层次结构,种类数量庞大,所以本文提出了一种层次化识别方法。首先进行目标检测,实现介形类化石的定位与属类划分;之后在目标检测模块的基础上进行智能识别,使用卷积神经网络和支持向量机提取属类下更细微的种类特征,实现化石种类划分。实验结果表明,本文提出的分层次识别模型能检测出化石图像中所有化石颗粒的位置信息并对其进行分类,分类准确率可达95%,且相较于未进行分层次识别的模型,能将识别准确率提升1.8%~5.8%。     

基于深度学习的介形类化石层次化识别

介形类化石对地质年代的确定、古湖泊和古海洋的研究、古环境的重建以及海底石油资源的勘探等工作都具有重要意义.然而,现有识别化石颗粒的方法费时费力,准确率也有待提高.鉴于介形类化石颗粒的类别具有科、属、种的层次结构,种类数量庞大,所以笔者等提出了一种层次化识别方法.首先进行目标检测,实现介形类化石的定位与属类划分;之后在目...     

基于深度学习方法的测井岩性识别研究

采用机器学习方法进行自动岩性识别是当下的研究热点,神经网络作为具有代表性的机器学习方法,具有非线性建模能力强、结构灵活以及泛化性强等优点,目前已初步应用于岩性识别问题中。当下神经网络方法在测井岩性解释上的限制因素主要在于数据类别不均衡问题难以解决以及现有模型的可解释性较差。文章讨论了深度神经网络模型在纳岭沟地区铀矿测井解释的岩性分类问题上的应用,通过采用不同结构的模型缓解了类别不均衡对分类结果的影响,并着重分析了模型的层次结构和训练过程,更全面地解释了模型的内在机制和决策逻辑。结果显示,长短时记忆网络能在保持较高训练效率的同时获得高于80%的识别精度,8层全连接网络能达到90%以上的精度,但是需要的计算资源较大,训练时间较久。以上模型可应用于不同环境和需求。文章为深度学习方法在岩性识别问题上的应用提供了有益的见解和经验,具有一定参考价值。     

机器学习在岩矿地球化学研究中的应用——综述与思考

岩石与矿物的地球化学成分数据具有高维度特征。传统的岩矿地球化学成分研究主要采用二元/三元图解判别法,准确率不高,在数理统计方法上有欠缺。机器学习方法非常适用于对大样本高维度的岩矿成分数据进行数理统计处理。笔者等在介绍机器学习常见算法基本原理的基础上,总结近5年来国内外学者将机器学习方法应用于岩石矿物成分数据研究的实例,包括：(1)根据矿物成分溯源其母岩(源岩)、判别矿床类型,(2)新生代火山岩溯源,(3)判别变质岩原岩,(4)依据岩浆岩成分判别大地构造环境等。已有的研究实例显示,机器学习方法的准确度明显优于传统的低维度判别法。机器学习本质是分析大样本数据的高维度变量之间的相关、归类等多元统计问题。推广机器学习的应用需要建设开放获取(Open Access)的矿物、岩石成分数据库,同时全面实施开放研究(Open Research)的发表策略。     

机器学习在岩矿地球化学研究中的应用——综述与思考

岩石与矿物的地球化学成分数据具有高维度特征。传统的岩矿地球化学成分研究主要采用二元/三元图解判别法,准确率不高,在数理统计方法上有欠缺。机器学习方法非常适用于对大样本高维度的岩矿成分数据进行数理统计处理。本文在介绍机器学习常见算法基本原理的基础上,总结近5年来国内外学者将机器学习方法应用于岩石矿物成分数据研究的实例,包括：① 根据矿物成分溯源其母岩（源岩）、判别矿床类型,② 新生代火山岩溯源,③ 判别变质岩原岩,④ 依据岩浆岩成分判别大地构造环境等。已有的研究实例显示,机器学习方法的准确度明显优于传统的低维度判别法。机器学习本质是分析大样本数据的高维度变量之间的相关、归类等多元统计问题。推广机器学习的应用需要建设开放获取（Open Access）的矿物、岩石成分数据库,同时全面实施开放研究（Open Research）的发表策略。     

火成岩岩石薄片智能识别及分类方法

在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。     

火成岩岩石薄片智能识别及分类方法

在油气勘探、评价及开发中,岩性识别和薄片鉴定是十分重要的基础工作,准确的薄片识别结果可以为勘探和开发提供可靠的依据。传统的人工判定方法或实验室分析方法具有主观性强、效率低、自动化程度低等问题。目前基于内容的智能图像识别技术在准确性和具体应用方面还面临着许多难题。论文基于国内外相关研究成果与油气勘探与开发中岩芯薄片图像的特点及要求,设计并研制成功薄片图像自动识别系统和薄片智能鉴定系统。利用图像梯度分布和色彩分析进行火成岩岩石薄片智能分类,对所有像素进行类别划分进而得到整体的鉴定结果,实现了省时、高效、高精度的薄片智能鉴定成果。     

基于卷积神经网络迁移学习模型的矿岩智能识别方法

文章基于Inception-v3卷积神经网络模型,通过对采集的金矿石、铜矿石、铁矿石、铅锌矿、花岗岩、片麻岩、大理岩和页岩,8种岩石453张图像进行特征提取和迁移学习,建立了岩性分类的迁移学习模型,实现了岩性的自动识别和分类。每种岩石图像随机抽取4张作为测试集进行测试,剩余421张图像作为训练集参加训练,经测试全部图像的岩性分类结果均正确,识别正确率超过80%的岩石图像占测试集图像总数的90%以上。识别正确率未达到80%的图像经过处理后重新训练并测试,其识别正确率均超过了80%,表明了该模型具有良好的岩性识别能力且鲁棒性较好,为岩性识别和自动分类提供了一种新的智能分析方法。     

多源遥感数据在新疆卡拉麦里地区岩矿识别中的应用

遥感技术广泛应用于地质基础调查、矿产资源勘探、环境评估和地质灾害调查等方面。它已从多光谱发展到高光谱阶段,Landsat- 8是目前最具有代表性和最常用的多光谱数据,ASTER具有高的分辨率和多波段特征,资源一号02D(ZY1- 02D)卫星是我国2019年发射的高光谱业务卫星。为了更好地了解多源遥感数据在岩矿识别中的作用,在新疆东天山卡拉麦里地区进行了相关研究。结果表明：Landsat- 8 OLI的PCA变换结果清晰识别了研究区不同的岩性和地层;使用Landsat- 8 OLI、ASTER和ZY1- 02D高光谱数据,分别采取不同的图像端元提取方法,在进行光谱分析的基础上,利用光谱角填图（SAM）即可得到研究区的主要矿物分类图件。通过野外验证,应用GIS技术进行集成和分析,修正相关图件后,便得到了精准的矿物分类综合图。研究表明：多源遥感数据的集成在岩矿识别方面效果良好、前景巨大。