CN109283148A - 一种基于光谱信息自动识别岩石矿物的方法 - Google Patents

一种基于光谱信息自动识别岩石矿物的方法 Download PDF

Info

Publication number
CN109283148A
CN109283148A CN201811153977.1A CN201811153977A CN109283148A CN 109283148 A CN109283148 A CN 109283148A CN 201811153977 A CN201811153977 A CN 201811153977A CN 109283148 A CN109283148 A CN 109283148A
Authority
CN
China
Prior art keywords
rock forming
mineral
forming mineral
sorted
data
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
Application number
CN201811153977.1A
Other languages
English (en)
Inventor
王建刚
邱骏挺
叶发旺
张川
刘洪成
孟树
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Research Institute of Uranium Geology
Original Assignee
Beijing Research Institute of Uranium Geology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Research Institute of Uranium Geology filed Critical Beijing Research Institute of Uranium Geology
Priority to CN201811153977.1A priority Critical patent/CN109283148A/zh
Publication of CN109283148A publication Critical patent/CN109283148A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
    • G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
    • G01N2021/1793—Remote sensing

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明属于高光谱遥感应用领域，具体公开一种基于光谱信息自动识别岩石矿物的方法，该方法包括：使用高光谱扫描仪扫描待分类岩石矿物，获取矿物光谱数据；将获取的数据存储到待检测数据库中；从数据库中抽取部分数据；利用人工解译，根据矿物光谱数据特征识别出抽取的光谱数据对应的矿物种类信息，并将抽取的光谱数据与对应的矿物种类信息存储为学习样本库；搭建人工智能学习***，利用学习样本库进行学习训练；使用训练学习优化后的人工智能学习***对待检测数据库中的光谱数据进行检测，识别矿物种类信息；将识别结果存储识别结果数据库中。该方法能够减少人力资源消耗，提高工作自动化程度，提高光谱扫描数据处理效率，提高经济效益。

Description

一种基于光谱信息自动识别岩石矿物的方法
技术领域
本发明属于高光谱遥感应用领域，具体公开一种基于光谱信息自动识别岩石矿物的方法。
背景技术
岩石矿物由于独特的化学组分和物理结构，导致其具有独特的诊断性特征吸收谱带，这些特征谱带中具有较稳定的波长位置和独特波形，其特性包括光谱吸收峰位置、吸收峰深度、吸收峰宽度等特征参数，通过这些特征或其组合，能够实现对矿物的识别。传统的基于光谱信息识别矿物，通常是采用人工识别，速度慢，效率低，耗费人工。虽然目前ENVI等软件也有一些基于光谱信息自动识别物质的方法，但识别精度不高，效率低下，难以自动处理大量数据。
发明内容
本发明的目的在于提供一种基于光谱信息自动识别岩石矿物的方法，该方法有助于减少人力资源消耗，提高工作自动化程度，提高光谱扫描数据处理效率，提升经济效益。
实现本发明目的的技术方案：一种基于光谱信息自动识别岩石矿物的方法，该方法包括如下步骤：
步骤1、使用高光谱扫描仪扫描待分类岩石矿物，获取待分类岩石矿物光谱数据；
步骤2、对步骤1中获取的待分类岩石矿物光谱数据进行存储，存储到待检测数据库中；
步骤3、从步骤2的待检测数据库中采用随机抽样方法抽取一部分待分类岩石矿物的光谱数据；利用人工解译，根据各种矿物的光谱数据特征识别出抽取的待分类岩石矿物光谱数据对应的矿物种类信息，并将抽取的待分类岩石矿物的光谱数据与对应的矿物种类信息存储为一个学习样本库；
步骤4、搭建一个人工智能学习***，利用步骤3中得到的学习样本库进行学习训练；
步骤5、使用步骤4中训练学习优化后的人工智能学习***对步骤2中待检测数据库中的待分类岩石矿物光谱数据的数据特征进行检测，分析检测结果，识别岩石矿物种类信息；
步骤6、将步骤5中识别出的结果存储识别结果数据库中。
所述步骤1具体包括如下步骤：将待分类岩芯样品表面清洁干净，放置于岩芯高光谱扫描仪检测样品放置位置上，打开岩心高光谱扫描仪对待分类岩芯样品进行扫描，获取待分类样品在400nm～1600nm的光谱数据，重复此操作，直至所有待分类矿物岩石样品扫描完毕。
所述的步骤1中待分类岩石矿物样本必须干燥清洁，表面无其他附着物；扫描现场为自然光或人工光源；扫描的待分类岩石矿物为钻井岩芯样本、天然块状岩石样本、或者人工合成的类似岩石的固体样本；高光谱扫描仪为岩芯高光谱扫描仪、手持高光谱扫描仪或者机载高光谱扫描仪中的一种；高光谱扫描仪的光谱范围在350nm～16000nm之间。
所述的步骤2中的存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种；数据库类型为本地数据库或云端数据库；
所述的步骤3中的随机抽样方法包括但不限于简单随机抽样、等距抽样、分层抽样、整体抽样、双重随机抽样、两级随机抽样中的一种；光谱数据的特征包括吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征；人工解译时使用的方法包括但不限于基于特征谱带的光谱微分技术、光谱吸收指数技术、相对吸收深度图技术和连续插值波段算法技术，以及基于完全波形特征的光谱匹配技术、交叉相关光谱匹配技术，基于相关系数测度的光谱匹配技术、光谱角匹配技术，还有基于统计分析方法的主成分分析、典范变量分析、基于混合像元的分析方法，以及其他的模糊模型、修正高斯模型技术中的一种；学习样本库为本地数据库或云端数据库，存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种。
所述的步骤4中所搭建的人工智能学习***，是基于光谱信息专门识别矿物光谱种类的人工智能***；所使用的人工智能，包括但不限于机器学习、神经网络、深度神经网络、前馈深度网络、反馈深度网络、双向深度网络、卷积神经网络、BP神经网络、支持向量机、多层感知器、反向传播算法、径向基函数网络、自适应共振理论、自组织图、遗传算法、最大熵方法、反卷积网络、玻尔兹曼机中的一种。
所述的步骤5中光谱数据的数据特征包括吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征。
所述的步骤6中将检测识别出的光谱对应的岩石矿物种类信息存储到识别结果数据库中。
所述的步骤6中的识别结果数据库为本地数据库或云端数据库；存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种。
本发明的有益技术效果在于：(1)节省人力：本发明可以处理海量数据，以机器劳动代替人工劳动；(2)识别***具备自我提高能力：通过不断学习样本的光谱特征提升***的识别效果；(3)节省时间：本发明处理速度快，可以极大的节省时间；(4)提高工作效率：。自动化处理数据识别样本对象，速度快，精度高，效果好，极大的提高了工作效率。(5)提高经济效益：快速自动化处理识别，节省时间，节省人力资源，节省能源，快捷高效，提升经济效益。
附图说明
图1为本发明所提供的一种基于光谱信息自动识别岩石矿物的方法的流程图。
具体实施方式
下面结合实施例对本发明作进一步详细说明。
如图1所示，本发明所提供的一种基于光谱信息自动识别岩石矿物的方法，该方法包括如下步骤：
步骤1、使用高光谱扫描仪扫描待分类岩石矿物，获取待分类岩石矿物光谱数据；具体包括如下步骤：将待分类岩芯样品表面清洁干净，放置于岩芯高光谱扫描仪检测样品放置位置上，打开岩心高光谱扫描仪对待分类岩芯样品进行扫描，获取待分类样品在400nm～1600nm的光谱数据，重复此操作，直至所有待分类矿物岩石样品扫描完毕。
待分类岩石矿物样本必须干燥清洁，表面无其他附着物；扫描现场必须有稳定充足光照条件，可以为自然光或人工光源；扫描的待分类岩石矿物，可以是钻井岩芯样本，也可以是采集的天然块状岩石样本，还可以是通过人工合成的类似岩石的固体样本；所使用的高光谱扫描仪包含多种类型，包括但不限于岩芯高光谱扫描仪，也可以使用手持高光谱扫描仪，机载高光谱扫描仪等；高光谱扫描仪的光谱范围在350nm～16000nm之间。
步骤2、对步骤1中获取的待分类岩石矿物光谱数据进行存储，存储到待检测数据库中；具体包括如下步骤：
将步骤1中获取的待分类样品数据存储到云端工作站上的待检测数据库中；存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种；数据库类型包括本地数据库或云端数据库。
步骤3、从步骤2的待检测数据库中采用随机抽样方法抽取一部分待分类岩石矿物的光谱数据；利用人工解译，根据各种矿物的光谱数据特征识别出抽取的待分类岩石矿物光谱数据对应的矿物种类信息，并将抽取的待分类岩石矿物的光谱数据与对应的矿物种类信息存储为一个学习样本库；
随机抽样方法包含多种类型，包括但不限于简单随机抽样、等距抽样、分层抽样、整体抽样、双重随机抽样、两级随机抽样中的任何一种。
光谱数据的特征包括：吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征。
人工解译时使用的方法包括但不限于基于特征谱带的光谱微分技术(SpectralDerivative)、光谱吸收指数(SAI)技术、相对吸收深度图(RBD)技术和连续插值波段算法(CIBR)技术，以及基于完全波形特征的光谱匹配技术(Spectral Matching)、交叉相关光谱匹配(CCSM)技术，基于相关系数测度的光谱匹配(Correlation Coefficient Measure)技术、光谱角匹配(SAM)技术，基于统计分析方法的主成分分析(PCA)、典范变量分析、基于混合像元的分析方法技术，以及其他的模糊模型(Fuzzy Model)、修正高斯模型(MGM)技术中的任何一种。人工解译时也可以采用ENVI软件辅助，识别出所有抽出样本的矿物种类信息。
学习样本库为本地数据库或云端数据库，存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的任何一种或几种。
步骤4、搭建一个人工智能学习***，利用步骤3中得到的学习样本库进行学习训练；具体包括如下步骤：
搭建一个使用卷积神经网络结构的岩石矿物分类识别学习***，通过对步骤3中得到的学习样本库中的数据进行学习。从而，逐步优化网络结构，提升学习效果，提高学习精度。
所搭建的人工智能学习***，是基于光谱信息专门识别矿物光谱种类的人工智能***；所使用的人工智能，包括但不限于机器学习、神经网络、深度神经网络、前馈深度网络(FFDN)、反馈深度网络(FBDN)、双向深度网络(BDDN)、卷积神经网络、BP神经网络、支持向量机(SVM)、多层感知器(MLP)、反向传播算法、径向基函数(RBF)网络、自适应共振理论(ART)、自组织图(SOM)、遗传算法(GAs)、最大熵方法(LR)、反卷积网络、玻尔兹曼机(BM)中的任何一种。最终的训练结果要尽可能提升识别精度。
步骤5、使用步骤4中训练学习优化后的人工智能学习***对步骤2中对待分类岩石矿物光谱数据的数据特征进行检测，分析检测结果，识别岩石矿物种类信息；
光谱数据的数据特征包括吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征。
步骤6、将步骤5中检测识别出的光谱对应的岩石矿物种类信息存储到识别结果数据库中。
识别结果数据库为本地数据库或云端数据库；存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的任何一种或几种。
上面结合实施例对本发明作了详细说明，但是本发明并不限于上述实施例，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。本发明中未作详细描述的内容均可以采用现有技术。

Claims (10)

1.一种基于光谱信息自动识别岩石矿物的方法，该方法包括如下步骤：
步骤1、使用高光谱扫描仪扫描待分类岩石矿物，获取待分类岩石矿物光谱数据；
步骤2、对步骤1中获取的待分类岩石矿物光谱数据进行存储，存储到待检测数据库中；
步骤3、从步骤2的待检测数据库中采用随机抽样方法抽取一部分待分类岩石矿物的光谱数据；利用人工解译，根据各种矿物的光谱数据特征识别出抽取的待分类岩石矿物光谱数据对应的矿物种类信息，并将抽取的待分类岩石矿物的光谱数据与对应的矿物种类信息存储为一个学习样本库；
步骤4、搭建一个人工智能学习***，利用步骤3中得到的学习样本库进行学习训练；
步骤5、使用步骤4中训练学习优化后的人工智能学习***对步骤2中待检测数据库中的待分类岩石矿物光谱数据的数据特征进行检测，分析检测结果，识别岩石矿物种类信息；
步骤6、将步骤5中识别出的结果存储识别结果数据库中。
2.如权利要求1所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于，所述步骤1具体包括如下步骤：将待分类岩芯样品表面清洁干净，放置于岩芯高光谱扫描仪检测样品放置位置上，打开岩芯高光谱扫描仪对待分类岩芯样品进行扫描，获取待分类样品在400nm～1600nm的光谱数据，重复此操作，直至所有待分类矿物岩石样品扫描完毕。
3.如权利要求2所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述步骤1中，待分类岩石矿物样本干燥清洁，表面无其他附着物；扫描现场为自然光或人工光源；待分类岩石矿物为钻井岩芯样本或者天然块状岩石样本、或者人工合成的类似岩石的固体样本；高光谱扫描仪为岩芯高光谱扫描仪、或者手持高光谱扫描仪、或者机载高光谱扫描仪中的一种；高光谱扫描仪的光谱范围在350nm～16000nm之间。
4.如权利要求3所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述步骤2中的存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种；数据库类型为本地数据库或云端数据库。
5.如权利要求4所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤3中随机抽样方法包括但不限于简单随机抽样、等距抽样、分层抽样、整体抽样、双重随机抽样、两级随机抽样中的一种；光谱数据的特征包括吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征；人工解译的方法包括但不限于基于特征谱带的光谱微分技术、光谱吸收指数技术、相对吸收深度图技术和连续插值波段算法技术，以及基于完全波形特征的光谱匹配技术、交叉相关光谱匹配技术，基于相关系数测度的光谱匹配技术、光谱角匹配技术，基于统计分析方法的主成分分析、典范变量分析、基于混合像元的分析方法技术，以及其他的模糊模型、修正高斯模型技术中的一种；学习样本库为本地数据库或云端数据库，存储介质为机械硬盘、固态硬盘、移动硬盘、移动U盘中的一种或几种。
6.如权利要求5所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤3中人工解译时采用ENVI软件辅助，识别出所有抽出样本的矿物种类信息。
7.如权利要求6所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤4中搭建的人工智能学习***，是基于光谱信息专门识别矿物光谱种类的人工智能***；所使用的人工智能，包括但不限于机器学习、神经网络、深度神经网络、前馈深度网络、反馈深度网络、双向深度网络、卷积神经网络、BP神经网络、支持向量机、多层感知器、反向传播算法、径向基函数网络、自适应共振理论、自组织图、遗传算法、最大熵方法、反卷积网络、玻尔兹曼机中的一种。
8.如权利要求7所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤5中的光谱数据的数据特征包括吸收峰的深度、吸收峰对应的波长、吸收峰的面积、吸收峰的肩宽、吸收峰的偏度、光谱曲线的去包络线特征、光谱曲线倒数特征、光谱曲线对数特征、光谱曲线一阶导数特征、光谱曲线二阶导数特征。
9.如权利要求8所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤6中将检测识别出的光谱对应的岩石矿物种类信息存储到识别结果数据库中。
10.如权利要求9所述的一种基于光谱信息自动识别岩石矿物的方法，其特征在于：所述的步骤6中的识别结果数据库为本地数据库或云端数据库；存储介质为机械硬盘、固态硬盘、移动硬盘或者移动U盘中的一种或几种。
CN201811153977.1A 2018-09-30 2018-09-30 一种基于光谱信息自动识别岩石矿物的方法 Pending CN109283148A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811153977.1A CN109283148A (zh) 2018-09-30 2018-09-30 一种基于光谱信息自动识别岩石矿物的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811153977.1A CN109283148A (zh) 2018-09-30 2018-09-30 一种基于光谱信息自动识别岩石矿物的方法

Publications (1)

Publication Number Publication Date
CN109283148A true CN109283148A (zh) 2019-01-29

Family

ID=65182503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811153977.1A Pending CN109283148A (zh) 2018-09-30 2018-09-30 一种基于光谱信息自动识别岩石矿物的方法

Country Status (1)

Country Link
CN (1) CN109283148A (zh)

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110031414A (zh) * 2019-04-29 2019-07-19 北京航空航天大学 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法
CN110059765A (zh) * 2019-04-26 2019-07-26 中国地质大学（北京） 一种矿物智能识别分类***与方法
CN110188716A (zh) * 2019-06-04 2019-08-30 中国煤炭地质总局勘查研究总院 一种矿化信息提取方法及***
CN110261330A (zh) * 2019-05-20 2019-09-20 桂林理工大学 一种利用光谱特征进行岩石分类的方法
CN110427818A (zh) * 2019-06-17 2019-11-08 青岛星科瑞升信息科技有限公司 高光谱数据支持的深度学习卫星数据云检测方法
CN110672532A (zh) * 2019-10-12 2020-01-10 东华理工大学 一种利用显微高光谱图像识别岩浆矿物的方法
CN110672606A (zh) * 2019-10-12 2020-01-10 东华理工大学 均质矿物显微透射高光谱图像的自动识别方法
CN110672531A (zh) * 2019-10-12 2020-01-10 东华理工大学 一种利用显微高光谱图像鉴别重砂矿物的方法
CN110702618A (zh) * 2019-10-12 2020-01-17 东华理工大学 一种金属硫化物矿物显微高光谱图像的自动识别方法
CN111292325A (zh) * 2020-03-31 2020-06-16 中国地质调查局西安地质调查中心(西北地质科技创新中心) 一种基于遥感技术的萤石矿识别方法及***
CN111831712A (zh) * 2020-07-14 2020-10-27 江苏三深光谱感知技术研究院有限公司 一种基于深度学习的矿物光谱数据快速检索方法及***
CN112597826A (zh) * 2020-12-08 2021-04-02 核工业北京地质研究院 一种对高光谱sasi数据进行岩性分类的方法
CN113125374A (zh) * 2021-04-16 2021-07-16 自然资源实物地质资料中心 检测碳酸岩型稀土矿床样品中ree含量的方法、装置和设备
ES2872550A1 (es) * 2020-12-17 2021-11-02 Univ Madrid Politecnica Metodo y sistema para reconocimiento automatico de minerales en perforaciones basado en imagenes hiperespectrales
CN113779341A (zh) * 2021-06-11 2021-12-10 中国石油化工股份有限公司 基于数据库的矿物种类确定方法、装置、终端及介质
WO2022147602A1 (pt) * 2021-01-11 2022-07-14 Llk Engenharia Indústria E Comércio Ltda Epp Método, sistema e programa de computador para identificação do teor de umidade online presente em minério de ferro passante sobre uma correia transportadora
WO2022166232A1 (zh) * 2021-02-08 2022-08-11 中国石油化工股份有限公司 岩石鉴定方法、***、装置、终端及可读存储介质
CN114965315A (zh) * 2022-05-18 2022-08-30 重庆大学 一种基于高光谱成像的岩体损伤劣化快速评估方法
CN115541557A (zh) * 2022-10-28 2022-12-30 中国水利水电科学研究院 一种塑料表面生物膜中藻类和矿物的检测方法
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984940A (zh) * 2014-06-03 2014-08-13 核工业北京地质研究院 一种基于高光谱数据识别赤铁矿化的方法
CN106570912A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种成像高光谱钻孔岩心数据蚀变提取的方法
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN108152216A (zh) * 2016-12-06 2018-06-12 核工业北京地质研究院 一种基于岩芯高光谱扫描图像的钻孔三维矿物填图方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103984940A (zh) * 2014-06-03 2014-08-13 核工业北京地质研究院 一种基于高光谱数据识别赤铁矿化的方法
CN106570912A (zh) * 2016-10-28 2017-04-19 核工业北京地质研究院 一种成像高光谱钻孔岩心数据蚀变提取的方法
CN108152216A (zh) * 2016-12-06 2018-06-12 核工业北京地质研究院 一种基于岩芯高光谱扫描图像的钻孔三维矿物填图方法
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘汉湖 等: "高光谱遥感岩矿识别方法对比研究", 《地质与勘探》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110059765A (zh) * 2019-04-26 2019-07-26 中国地质大学（北京） 一种矿物智能识别分类***与方法
CN110031414A (zh) * 2019-04-29 2019-07-19 北京航空航天大学 一种基于光谱吸收指数的多层感知机高光谱矿物分类方法
CN110261330A (zh) * 2019-05-20 2019-09-20 桂林理工大学 一种利用光谱特征进行岩石分类的方法
CN110188716A (zh) * 2019-06-04 2019-08-30 中国煤炭地质总局勘查研究总院 一种矿化信息提取方法及***
CN110427818A (zh) * 2019-06-17 2019-11-08 青岛星科瑞升信息科技有限公司 高光谱数据支持的深度学习卫星数据云检测方法
CN110427818B (zh) * 2019-06-17 2022-06-28 青岛星科瑞升信息科技有限公司 高光谱数据支持的深度学习卫星数据云检测方法
CN110702618A (zh) * 2019-10-12 2020-01-17 东华理工大学 一种金属硫化物矿物显微高光谱图像的自动识别方法
CN110672531A (zh) * 2019-10-12 2020-01-10 东华理工大学 一种利用显微高光谱图像鉴别重砂矿物的方法
CN110672606A (zh) * 2019-10-12 2020-01-10 东华理工大学 均质矿物显微透射高光谱图像的自动识别方法
CN110672532A (zh) * 2019-10-12 2020-01-10 东华理工大学 一种利用显微高光谱图像识别岩浆矿物的方法
CN111292325A (zh) * 2020-03-31 2020-06-16 中国地质调查局西安地质调查中心(西北地质科技创新中心) 一种基于遥感技术的萤石矿识别方法及***
CN111831712A (zh) * 2020-07-14 2020-10-27 江苏三深光谱感知技术研究院有限公司 一种基于深度学习的矿物光谱数据快速检索方法及***
CN111831712B (zh) * 2020-07-14 2024-02-20 江苏三深光谱感知技术研究院有限公司 一种基于深度学习的矿物光谱数据快速检索方法及***
CN112597826A (zh) * 2020-12-08 2021-04-02 核工业北京地质研究院 一种对高光谱sasi数据进行岩性分类的方法
ES2872550A1 (es) * 2020-12-17 2021-11-02 Univ Madrid Politecnica Metodo y sistema para reconocimiento automatico de minerales en perforaciones basado en imagenes hiperespectrales
WO2022129670A1 (es) * 2020-12-17 2022-06-23 Universidad Politécnica de Madrid Método y sistema para reconocimiento automático de minerales en perforaciones basado en imágenes hiperespectrales
WO2022147602A1 (pt) * 2021-01-11 2022-07-14 Llk Engenharia Indústria E Comércio Ltda Epp Método, sistema e programa de computador para identificação do teor de umidade online presente em minério de ferro passante sobre uma correia transportadora
WO2022166232A1 (zh) * 2021-02-08 2022-08-11 中国石油化工股份有限公司 岩石鉴定方法、***、装置、终端及可读存储介质
CN113125374A (zh) * 2021-04-16 2021-07-16 自然资源实物地质资料中心 检测碳酸岩型稀土矿床样品中ree含量的方法、装置和设备
CN113779341A (zh) * 2021-06-11 2021-12-10 中国石油化工股份有限公司 基于数据库的矿物种类确定方法、装置、终端及介质
CN114965315A (zh) * 2022-05-18 2022-08-30 重庆大学 一种基于高光谱成像的岩体损伤劣化快速评估方法
CN115541557A (zh) * 2022-10-28 2022-12-30 中国水利水电科学研究院 一种塑料表面生物膜中藻类和矿物的检测方法
CN117690029A (zh) * 2024-02-02 2024-03-12 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质
CN117690029B (zh) * 2024-02-02 2024-05-10 云南大学 一种基于自动生成样本的岩性识别方法、平台及介质

Similar Documents

Publication Publication Date Title
CN109283148A (zh) 一种基于光谱信息自动识别岩石矿物的方法
Ismail et al. Discriminating the early stages of Sirex noctilio infestation using classification tree ensembles and shortwave infrared bands
CN109858477A (zh) 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法
CN109975273A (zh) 一种基于激光诱导击穿光谱的岩石分类方法
CN107121407B (zh) 基于pso-ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法
CN103472031A (zh) 一种基于高光谱成像技术的脐橙糖度检测方法
CN107895136B (zh) 一种煤矿区域识别方法及***
Prilianti et al. Performance comparison of the convolutional neural network optimizer for photosynthetic pigments prediction on plant digital image
CN111199192A (zh) 一种采用平行线取样的田间红提葡萄整体成熟度检测方法
CN108801971A (zh) 基于高光谱成像技术的霉菌侵染板栗的检测方法
CN103278467A (zh) 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法
CN115115955B (zh) 基于无人机高光谱遥感的松材线虫病树监测方法与装置
CN110348538A (zh) 一种多光谱光谱信息和1d-cnn的煤矸识别方法
CN105334186A (zh) 一种近红外光谱分析方法
Scalisi et al. Maturity prediction in yellow peach (Prunus persica L.) cultivars using a fluorescence spectrometer
Gong et al. Conifer species recognition: effects of data transformation
CN115294404A (zh) 一种基于随机森林算法的底栖动物高光谱数据分类方法
Gurubasava et al. Analysis of agricultural soil pH using digital image processing
Chatelain et al. A bayesian marked point process for object detection. application to muse hyperspectral data
CN109447009B (zh) 基于子空间核范数正则化回归模型的高光谱图像分类方法
CN112069911A (zh) 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法
CN111222576A (zh) 一种高分辨率遥感图像分类方法
Chen et al. Tea disease spot recognition based on image feature points extraction and matching
CN115078327A (zh) 一种基于神经网络架构搜索的危险化学品快速检测方法
CN113033674A (zh) 一种贝叶斯优化随机森林算法的苹果多光谱图像无损检测方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190129

RJ01 Rejection of invention patent application after publication