CN109284780A - 矿石矿物图像自动识别与分类方法 - Google Patents
矿石矿物图像自动识别与分类方法 Download PDFInfo
- Publication number
- CN109284780A CN109284780A CN201811048650.8A CN201811048650A CN109284780A CN 109284780 A CN109284780 A CN 109284780A CN 201811048650 A CN201811048650 A CN 201811048650A CN 109284780 A CN109284780 A CN 109284780A
- Authority
- CN
- China
- Prior art keywords
- image
- sizes
- mineral
- characteristic
- characteristic 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
- 229910052500 inorganic mineral Inorganic materials 0.000 title claims abstract description 65
- 239000011707 mineral Substances 0.000 title claims abstract description 65
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000004913 activation Effects 0.000 claims description 27
- 239000011435 rock Substances 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 26
- 238000006243 chemical reaction Methods 0.000 claims description 20
- WGPCGCOKHWGKJJ-UHFFFAOYSA-N sulfanylidenezinc Chemical compound [Zn]=S WGPCGCOKHWGKJJ-UHFFFAOYSA-N 0.000 claims description 10
- 229910052984 zinc sulfide Inorganic materials 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 9
- 229910052683 pyrite Inorganic materials 0.000 claims description 9
- NIFIFKQPDTWWGU-UHFFFAOYSA-N pyrite Chemical compound [Fe+2].[S-][S-] NIFIFKQPDTWWGU-UHFFFAOYSA-N 0.000 claims description 9
- 239000011028 pyrite Substances 0.000 claims description 9
- 229910052949 galena Inorganic materials 0.000 claims description 6
- XCAUINMIESBTBL-UHFFFAOYSA-N lead(ii) sulfide Chemical compound [Pb]=S XCAUINMIESBTBL-UHFFFAOYSA-N 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 5
- 238000007619 statistical method Methods 0.000 claims description 4
- 241001269238 Data Species 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 3
- 230000003362 replicative effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 239000004575 stone Substances 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 2
- 239000003086 colorant Substances 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims description 2
- 230000008707 rearrangement Effects 0.000 claims description 2
- 238000013519 translation Methods 0.000 claims description 2
- -1 Huang Copper mine Substances 0.000 claims 1
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 abstract description 6
- 229910052742 iron Inorganic materials 0.000 abstract description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 abstract 1
- 239000010931 gold Substances 0.000 abstract 1
- 229910052737 gold Inorganic materials 0.000 abstract 1
- 210000005036 nerve Anatomy 0.000 abstract 1
- 229910052951 chalcopyrite Inorganic materials 0.000 description 10
- DVRDHUBQLOKMHZ-UHFFFAOYSA-N chalcopyrite Chemical compound [S-2].[S-2].[Fe+2].[Cu+2] DVRDHUBQLOKMHZ-UHFFFAOYSA-N 0.000 description 10
- 238000012360 testing method Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 239000000047 product Substances 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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
- G06V10/267—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 by performing operations on regions, e.g. growing, shrinking or watersheds
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种矿石矿物图像自动识别与分类方法，本发明运用计算机视觉技术和深度卷积神经网络理论，利用大数据平台Tensorflow框架，建立卷积人工神经网络模型，并针对来自吉林夹皮沟金矿等不同地区黄铁矿石镜下照片进行图像数据输入模型训练学习，从而实现镜下黄铁矿石图片中不同矿石矿物的自动识别与分类。本发明可以辅助地质工作者来对矿石矿物的镜下照片进行识别与分类，提高地质工作者的工作效率。
Description
技术领域
本发明具体涉及一种基于深度学习的镜下矿石矿物图像自动识别与分类方法。
背景技术
岩石矿物的镜下识别与分类是地质工作中不可缺少的环节，也对整个地质工作起着基础性和指导性的作用。现有的岩石矿物的镜下识别与分类方法都是通过人工手段从某个薄片中局限的几个视野对岩石的矿物的结构、含量等岩相特征进行片面的判断。然而在地质工作中，大数据与人工智能研究仍处于起步阶段，总体应用还较少。如何立足当前大数据与人工智能时代的理念和技术进步，构建镜下岩石矿物自动识别与分类***，仍然是尚未很好解决的科学技术问题。
发明内容
针对现有问题，本发明旨在提供一种矿石矿物图像自动识别与分类方法。
为此，本发明采用以下技术方案：矿石矿物图像自动识别与分类方法，其特征是包括以下步骤：
步骤一：收集涵盖多种类型的岩石矿物镜下照片，并对图像参数统一调节及图像分割标注；
步骤二：将输入照片的像素位置发生变化，得到更多的输入图像数据，实现图像数据增加处理；
步骤三：根据岩石矿物的图像特征，运用Unet分割网络模型将镜下全岩照片按照矿物种类经过机器模型的有监督训练学习，该模型的岩石矿物自动识别与鉴定框架的构建与训练所对应的框架层次的具体解释如下：
Step1:在输入层中直接将原始岩石矿物图像数据输入网络进行训练，并将原始岩石矿物镜下照片转换为572*572大小的特征图像；
Step2：输入层在接收到原始的572*572岩石数据图像之后传播至第一个卷积层，然后经过两层的3*3卷积操作(乘以一个权重w再加上一个偏置b)和欧拉激活函数转换之后变成64幅568*568大小的特征图像，在进入step3的同时，部分特征图像被截取为64个392*392大小的特征图像至step1；
Step3:将上一步中64副568*568大小的特征图像进行2*2的最大池化操作得到64个248*248大小的特征图像。然后再经过两层的3*3卷积操作和欧拉激活函数转换之后变成128副280*280大小的特征图像。再进入step4的同时，部分特征图像被截取为step9中的256个200*200大小的特征图像；
Step4:将经过上一层操作处理的特征图像进行2*2的最大池化操作得到128个140*140大小的特征图像，然后再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，然后部分特征图像被截取为1024个56*56大小的特征图像至step8；
Step5：将上层中处理过的特征图像进行2*2的最大池化操作得到256个68*68大小的特征图像，再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，部分特征图像被截取为1024个56*56的图像数据至step7；
Step6:将上一步操作中512个64*64大小的特征图像经过一次2*2的最大池化操作之后得到512个32*32大小的图像数据。然后再经过两层的3*3卷积操作和欧拉激活函数转换之后得到1024个8*8大小的特征图像；
Step7:经过上一层操作处理的图像数据经过2*2的上卷积处理之后与经过step5中图像复制与截取处理得到的1024个56*56的图像数据共同得到1024个56*56大小的图像数据，并在此基础上再经过两层3*3卷积操作和欧拉激活函数转换之后得到512副52*52大小的特征图像；
Step8:512副52*52大小的特征图像经过2*2的向上卷积处理之后结合step4中图像复制与截取处理得到的结果共同组成512个104*104大小的特征图像。再经过两层3*3卷积操作和欧拉激活函数转换之后得到256个100*100大小的特征图像；
Step9:先经过向上卷积处理和step3中图像复制与截取处理后得到256个200*200大小的特征图像，然后经过两层3*3卷积操作和欧拉激活函数转换之后得到128个196*196大小的特征图像；
Step10:先经过向上卷积处理和step2中图像复制与截取处理后得到128个392*392大小的特征图像。然后再经过两层的3*3卷积操作和欧拉激活函数转换后得到64个388*388大小的特征图像。最后再将64*388*388个神经元节点分别与五层572*572个神经元节点进行全连接，最终输出为五层572*572大小的输出层，分别标记为0-4，即分别代表其他矿物、黄铜矿、黄铁矿、方铅矿及闪锌矿，并分别得出了各矿物的准确识别率，再结合统计学的方法可得出每种矿物所占比例；
作为对上述技术方案的补充和完善，本发明还包括以下技术特征。
步骤一中对图像参数统一调节及图像分割标注的具体操作通过photoshop图片编辑软件来对镜下岩石照片中不同的矿物进行标注，且用不同颜色对不同矿石的种类进行标注。
步骤二所述的图像数据增加处理的具体步骤通过对图像进行旋转、图像的随机裁剪、局部放缩和平移变换实现。
步骤三中模型的参数具体设计为：采用DCNN模型使用的小批量的随机向量下降法，动量为0.9，权值衰减系数为5×10-4；每次输入的小批量的ROI个数为128个；学习率初始化为10-3，每10000次迭代下降20％；小批量的迭代次数为270,000次，且每训练完一遍训练集(约7300次迭代)，就对训练集进行一次随机重排。
本发明可以达到以下有益效果：1、本发明利用图像识别的技术，对大量通过自动拍摄的薄片照片进行识别，从而得到关于岩相特征更为全面的判断，同时该判断过程也排除了人为估计的主观性。2、本发明采用DCNN模型用于矿石矿物镜下照片的自动识别与鉴定，DCNN的卷积层可以自动学***均识别率达到92％以上。
具体实施方式
本发明识别与分类方法包括以下步骤：
步骤一：收集涵盖多种类型的岩石矿物镜下照片，并对图像参数统一调节及图像分割标注；
步骤二：将输入照片的像素位置发生变化，得到更多的输入图像数据，实现图像数据增加处理；
步骤三：根据岩石矿物的图像特征，运用Unet分割网络模型将镜下全岩照片按照矿物种类经过机器模型的有监督训练学习，该模型的岩石矿物自动识别与鉴定框架的构建与训练所对应的框架层次的具体解释如下：
Step1:在输入层中直接将原始岩石矿物图像数据输入网络进行训练，并将原始岩石矿物镜下照片转换为572*572大小的特征图像；
Step2：输入层在接收到原始的572*572岩石数据图像之后传播至第一个卷积层，然后经过两层的3*3卷积操作和欧拉激活函数转换之后变成64幅568*568大小的特征图像，在进入step3的同时，部分特征图像被截取为64个392*392大小的特征图像至step1；
Step3:将上一步中64副568*568大小的特征图像进行2*2的最大池化操作得到64个248*248大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后变成128副280*280大小的特征图像；再进入step4的同时，部分特征图像被截取为step9中的256个200*200大小的特征图像；
Step4:将经过上一层操作处理的特征图像进行2*2的最大池化操作得到128个140*140大小的特征图像，然后再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，然后部分特征图像被截取为1024个56*56大小的特征图像至step8；
Step5：将上层中处理过的特征图像进行2*2的最大池化操作得到256个68*68大小的特征图像，再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，部分特征图像被截取为1024个56*56的图像数据至step7；
Step6:将上一步操作中512个64*64大小的特征图像经过一次2*2的最大池化操作之后得到512个32*32大小的图像数据；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后得到1024个8*8大小的特征图像；
Step7:经过上一层操作处理的图像数据经过2*2的上卷积处理之后与经过step5中图像复制与截取处理得到的1024个56*56的图像数据共同得到1024个56*56大小的图像数据，并在此基础上再经过两层3*3卷积操作和欧拉激活函数转换之后得到512副52*52大小的特征图像；
Step8:512副52*52大小的特征图像经过2*2的向上卷积处理之后结合step4中图像复制与截取处理得到的结果共同组成512个104*104大小的特征图像；再经过两层3*3卷积操作和欧拉激活函数转换之后得到256个100*100大小的特征图像；
Step9:先经过向上卷积处理和step3中图像复制与截取处理后得到256个200*200大小的特征图像，然后经过两层3*3卷积操作和欧拉激活函数转换之后得到128个196*196大小的特征图像；
Step10:先经过向上卷积处理和step2中图像复制与截取处理后得到128个392*392大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换后得到64个388*388大小的特征图像；最后再将64*388*388个神经元节点分别与五层572*572个神经元节点进行全连接，最终输出为五层572*572大小的输出层，分别标记为0-4，即分别代表其他矿物、黄铜矿、黄铁矿、方铅矿及闪锌矿，并分别得出了各矿物的准确识别率，再结合统计学的方法可得出每种矿物所占比例。
结果分析：
将得到测试集照片中各像素点的分类识别概率，按照统计学方法将各部分矿物的识别概率取平均值后得到上表中所示的识别概率。如表1所示，岩石矿物的镜下照片中各矿物的识别成功率均高于百分之九十，其中方铅矿的识别成功率达到了百分之九十三以上，说明建立的模型已经可以实现对不同矿物镜下特征的有效提取，并可以根据所提取特征对训练集中镜下岩石矿物图片进行一个较准确的划分。
表1训练集图像中各矿物识别准确率
其中黄铁矿的识别正确率为92.846％，高于所有矿物识别的平均正确率，推测其原因为训练集照片中黄铁矿成分最多且所占比重最大，较其他矿物得到了较充足的样本数据用来训练，所以提高了识别准确率。但因为黄铁矿与黄铜矿颜色相近且在黄铁矿局部放大或较大倍数的镜下照片中，其表面的麻点较少而易于表面光滑的黄铜矿混淆而导致将黄铁矿误识别为黄铜矿的概率较其他矿物高，为4.815％。
其中黄铜矿的识别正确率为91.626％，低于所有矿物识别的平均正确率，推测其原因为训练集中黄铜矿样本数据数量较少，所以训练数据缺乏而导致识别正确率略低。同上原理会与黄铁矿较难区分，所以导致误将黄铜矿识别为黄铁矿的概率为5.516&％。
其中方铅矿的识别正确率为94.032％，为几种矿物中识别正确率最高的矿物，推测其原因为在岩石矿物镜下照片中方铅矿与其他矿物颜色差别较大且表面光滑具有黑三角等与其他矿物不同的较特别的特征，便于模型的特征提取，所以会得到较高的识别正确率。
其中闪锌矿的矿物识别正确率为90.024％，低于所有其他矿物的识别正确率，推测其识别正确率较低的原因是镜下的闪锌矿颜色较深容易与标记为“其他暗色矿物”的部分混淆，且因为在人工标记时将闪锌矿标记为白色与图像中白色比例尺为同一色彩，所以会导致模型在进行特征提取时将标签对应部分作为闪锌矿，这也会对闪锌矿的正确识别造成影响，另外在闪锌矿中有部分小小的熔融状的黄铜矿，所以可能导致了将部分闪锌矿的像素点误认为黄铜矿。
将50张测试集照片输入卷积神经网络模型进行自动识别与分类，得到各矿物的识别结果如表2所示，总体识别率稳定在91.38左右，总体略低于训练集中的识别结果，推测为测试集中的照片均是未参与模型建立是的训练过程，所以会略低于训练集中的识别结果，但总体来说高于百分之九十，已经说明了模型具有很好的特征提取能力，并能较好的完成镜下矿物识别任务。
表2测试集图像中各矿物识别准确率
此外，在边长分别为41个像素点(3.28cm)、61个像素点(4.88cm)和81个像素点(6.48cm)的情况下，在10折交叉检测的检验集上面的平均AUC值分别为:0.906±0.006、0.981±0.003和0.630±0.084。于是最终选取每个ROI的边长为61个像素点，并且同样的ROI大小应用于基于特征学习的模型里面。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (4)
1.矿石矿物图像自动识别与分类方法，其特征是包括以下步骤：
步骤一：收集涵盖多种类型的岩石矿物镜下照片，并对图像参数统一调节及图像分割标注；
步骤二：将输入照片的像素位置发生变化，得到更多的输入图像数据，实现图像数据增加处理；
步骤三：根据岩石矿物的图像特征，运用Unet分割网络模型将镜下全岩照片按照矿物种类经过机器模型的有监督训练学习，该模型的岩石矿物自动识别与鉴定框架的构建与训练所对应的框架层次的具体解释如下：
Step1:在输入层中直接将原始岩石矿物图像数据输入网络进行训练，并将原始岩石矿物镜下照片转换为572*572大小的特征图像；
Step2：输入层在接收到原始的572*572岩石数据图像之后传播至第一个卷积层，然后经过两层的3*3卷积操作和欧拉激活函数转换之后变成64幅568*568大小的特征图像，在进入step3的同时，部分特征图像被截取为64个392*392大小的特征图像至step1；
Step3:将上一步中64副568*568大小的特征图像进行2*2的最大池化操作得到64个248*248大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后变成128副280*280大小的特征图像；再进入step4的同时，部分特征图像被截取为step9中的256个200*200大小的特征图像；
Step4:将经过上一层操作处理的特征图像进行2*2的最大池化操作得到128个140*140大小的特征图像，然后再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，然后部分特征图像被截取为1024个56*56大小的特征图像至step8；
Step5：将上层中处理过的特征图像进行2*2的最大池化操作得到256个68*68大小的特征图像，再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，部分特征图像被截取为1024个56*56的图像数据至step7；
Step6:将上一步操作中512个64*64大小的特征图像经过一次2*2的最大池化操作之后得到512个32*32大小的图像数据；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后得到1024个8*8大小的特征图像；
Step7:经过上一层操作处理的图像数据经过2*2的上卷积处理之后与经过step5中图像复制与截取处理得到的1024个56*56的图像数据共同得到1024个56*56大小的图像数据，并在此基础上再经过两层3*3卷积操作和欧拉激活函数转换之后得到512副52*52大小的特征图像；
Step8:512副52*52大小的特征图像经过2*2的向上卷积处理之后结合step4中图像复制与截取处理得到的结果共同组成512个104*104大小的特征图像；再经过两层3*3卷积操作和欧拉激活函数转换之后得到256个100*100大小的特征图像；
Step9:先经过向上卷积处理和step3中图像复制与截取处理后得到256个200*200大小的特征图像，然后经过两层3*3卷积操作和欧拉激活函数转换之后得到128个196*196大小的特征图像；
Step10:先经过向上卷积处理和step2中图像复制与截取处理后得到128个392*392大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换后得到64个388*388大小的特征图像；最后再将64*388*388个神经元节点分别与五层572*572个神经元节点进行全连接，最终输出为五层572*572大小的输出层，分别标记为0-4，即分别代表其他矿物、黄铜矿、黄铁矿、方铅矿及闪锌矿，并分别得出了各矿物的准确识别率，再结合统计学的方法可得出每种矿物所占比例。
2.根据权利要求1所述的矿石矿物图像自动识别与分类方法，其特征是：步骤一中对图像参数统一调节及图像分割标注的具体操作通过photoshop图片编辑软件来对镜下岩石照片中不同的矿物进行标注，且用不同颜色对不同矿石的种类进行标注。
3.根据权利要求2所述的矿石矿物图像自动识别与分类方法，其特征是：步骤二所述的图像数据增加处理的具体步骤通过对图像进行旋转、图像的随机裁剪、局部放缩和平移变换实现。
4.根据权利要求3所述的矿石矿物图像自动识别与分类方法，其特征是：步骤三中模型的参数具体设计为：采用DCNN模型使用的小批量的随机向量下降法，动量为0.9，权值衰减系数为5×10-4；每次输入的小批量的ROI个数为128个；学习率初始化为10-3，每10000次迭代下降20％；小批量的迭代次数为270,000次，且每训练完一遍训练集，就对训练集进行一次随机重排。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811048650.8A CN109284780A (zh) | 2018-09-10 | 2018-09-10 | 矿石矿物图像自动识别与分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811048650.8A CN109284780A (zh) | 2018-09-10 | 2018-09-10 | 矿石矿物图像自动识别与分类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109284780A true CN109284780A (zh) | 2019-01-29 |
Family
ID=65184371
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811048650.8A Pending CN109284780A (zh) | 2018-09-10 | 2018-09-10 | 矿石矿物图像自动识别与分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109284780A (zh) |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840528A (zh) * | 2019-01-31 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
| 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 |
| CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| CN111240234A (zh) * | 2019-04-13 | 2020-06-05 | 泰州三凯工程技术有限公司 | 基于数据检测的动作执行方法 |
| CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其*** |
| CN111582017A (zh) * | 2020-03-24 | 2020-08-25 | 成都信息工程大学 | 面向视频监控端到端地质灾害自动识别方法、***及应用 |
| CN112070164A (zh) * | 2020-09-09 | 2020-12-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 干湿污泥分类方法和装置 |
| CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
| CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
| WO2021120372A1 (zh) * | 2019-12-17 | 2021-06-24 | 山东大学 | 偏光显微镜下岩石图像智能识别***及方法 |
| CN113158829A (zh) * | 2021-03-31 | 2021-07-23 | 安徽大学 | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警*** |
| CN114663414A (zh) * | 2022-03-31 | 2022-06-24 | 成都理工大学 | 一种基于unet卷积神经网络的岩矿识别提取***及方法 |
| CN115375680A (zh) * | 2022-10-24 | 2022-11-22 | 中国煤炭地质总局勘查研究总院 | 矿物智能识别方法、装置及存储介质 |
| CN115471713A (zh) * | 2022-10-27 | 2022-12-13 | 成都理工大学 | 基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101131365A (zh) * | 2006-08-23 | 2008-02-27 | 宝山钢铁股份有限公司 | 烧结矿主要矿物相自动识别方法 |
| CN101710424A (zh) * | 2009-12-22 | 2010-05-19 | 中国矿业大学(北京) | 矿石图像分割方法 |
| CN105354600A (zh) * | 2015-09-28 | 2016-02-24 | 南京大学 | 一种砂岩显微薄片的自动分类方法 |
| CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
-
2018
- 2018-09-10 CN CN201811048650.8A patent/CN109284780A/zh active Pending
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101131365A (zh) * | 2006-08-23 | 2008-02-27 | 宝山钢铁股份有限公司 | 烧结矿主要矿物相自动识别方法 |
| CN101710424A (zh) * | 2009-12-22 | 2010-05-19 | 中国矿业大学(北京) | 矿石图像分割方法 |
| CN105354600A (zh) * | 2015-09-28 | 2016-02-24 | 南京大学 | 一种砂岩显微薄片的自动分类方法 |
| CN108090434A (zh) * | 2017-12-13 | 2018-05-29 | 赣州好朋友科技有限公司 | 一种矿石快速识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| OLAF RONNEBERGER ET AL: "U-Net: Convolutional Networks for Biomedical", 《MICCAI 2015》 * |
Cited By (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109840528A (zh) * | 2019-01-31 | 2019-06-04 | 北京字节跳动网络技术有限公司 | 提取图像的特征图的方法和装置 |
| CN111240234A (zh) * | 2019-04-13 | 2020-06-05 | 泰州三凯工程技术有限公司 | 基于数据检测的动作执行方法 |
| CN111240234B (zh) * | 2019-04-13 | 2020-11-17 | 万金芬 | 基于数据检测的动作执行方法 |
| 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 |
| CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
| CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
| CN110619264A (zh) * | 2019-07-30 | 2019-12-27 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| CN110619264B (zh) * | 2019-07-30 | 2023-06-16 | 长江大学 | 基于UNet++的微地震有效信号识别方法及装置 |
| WO2021120372A1 (zh) * | 2019-12-17 | 2021-06-24 | 山东大学 | 偏光显微镜下岩石图像智能识别***及方法 |
| CN111414954B (zh) * | 2020-03-17 | 2022-09-09 | 重庆邮电大学 | 一种岩石图像检索方法及其*** |
| CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其*** |
| CN111582017A (zh) * | 2020-03-24 | 2020-08-25 | 成都信息工程大学 | 面向视频监控端到端地质灾害自动识别方法、***及应用 |
| CN112070164A (zh) * | 2020-09-09 | 2020-12-11 | 深兰人工智能芯片研究院（江苏）有限公司 | 干湿污泥分类方法和装置 |
| CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
| CN112686259B (zh) * | 2020-12-16 | 2023-09-26 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
| CN112990320A (zh) * | 2021-03-19 | 2021-06-18 | 中国矿业大学(北京) | 一种岩性的分类方法、装置、电子设备及存储介质 |
| CN113158829A (zh) * | 2021-03-31 | 2021-07-23 | 安徽大学 | 一种基于EfficientDet网络的深度学习矿石大小测量方法及预警*** |
| CN114663414A (zh) * | 2022-03-31 | 2022-06-24 | 成都理工大学 | 一种基于unet卷积神经网络的岩矿识别提取***及方法 |
| CN114663414B (zh) * | 2022-03-31 | 2023-04-07 | 成都理工大学 | 一种基于unet卷积神经网络的岩矿识别提取***及方法 |
| CN115375680A (zh) * | 2022-10-24 | 2022-11-22 | 中国煤炭地质总局勘查研究总院 | 矿物智能识别方法、装置及存储介质 |
| CN115471713A (zh) * | 2022-10-27 | 2022-12-13 | 成都理工大学 | 基于卷积神经网络的页岩草莓状黄铁矿粒径测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109284780A (zh) | 矿石矿物图像自动识别与分类方法 | |
| Yang et al. | Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit | |
| Ku et al. | Deep learning of grasping detection for a robot used in sorting construction and demolition waste | |
| CN106238342B (zh) | 全景视觉马铃薯分选和缺陷检测装置及其分选检测方法 | |
| CN206139527U (zh) | 全景视觉马铃薯分选和缺陷检测装置 | |
| CN111709935B (zh) | 一种用于地面运动皮带上实时煤矸石定位识别方法 | |
| CN103049763B (zh) | 一种基于上下文约束的目标识别方法 | |
| CN108520516A (zh) | 一种基于语义分割的桥梁路面裂缝检测和分割方法 | |
| Ahranjany et al. | A very high accuracy handwritten character recognition system for Farsi/Arabic digits using convolutional neural networks | |
| CN109711262B (zh) | 一种基于深度卷积神经网络的智能挖掘机行人检测方法 | |
| CN107463892A (zh) | 一种结合上下文信息和多级特征的图像中行人检测方法 | |
| CN108647655A (zh) | 基于轻型卷积神经网络的低空航拍影像电力线异物检测方法 | |
| CN107694962A (zh) | 一种基于机器视觉与bp神经网络的水果自动分拣方法 | |
| CN102147867B (zh) | 一种基于主体的国画图像和书法图像的识别方法 | |
| CN110689085B (zh) | 基于深度跨连接网络及损失函数设计的垃圾分类方法 | |
| CN105044122A (zh) | 一种基于半监督学习模型的铜件表面缺陷视觉检测***及检测方法 | |
| CN110633738B (zh) | 一种用于工业零件图像的快速分类方法 | |
| CN108108679A (zh) | 一种全自动钨矿选矿机 | |
| CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
| CN110276402A (zh) | 一种基于深度学习语义边界增强的盐体识别方法 | |
| CN104463199A (zh) | 基于多特征及分割再校正的矿岩块度分类方法 | |
| CN114354637A (zh) | 基于机器视觉和x射线的水果品质综合分级方法和装置 | |
| CN107016371A (zh) | 基于改进的深度置信网络的无人机着陆地貌分类方法 | |
| CN115862073A (zh) | 一种基于机器视觉的变电站危害鸟种目标检测和识别方法 | |
| CN114529802A (zh) | 一种基于机器视觉的鹅种蛋识别定位方法及*** |
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 |