CN110059765B - 一种矿物智能识别分类***与方法 - Google Patents

一种矿物智能识别分类***与方法 Download PDF

Info

Publication number
CN110059765B
CN110059765B CN201910345347.2A CN201910345347A CN110059765B CN 110059765 B CN110059765 B CN 110059765B CN 201910345347 A CN201910345347 A CN 201910345347A CN 110059765 B CN110059765 B CN 110059765B
Authority
CN
China
Prior art keywords
mineral
neural network
module
input
artificial neural
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
Application number
CN201910345347.2A
Other languages
English (en)
Other versions
CN110059765A (zh
Inventor
曾祥
肖炎聪
季晓慧
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.)
China University of Geosciences Beijing
Original Assignee
China University of Geosciences Beijing
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 China University of Geosciences Beijing filed Critical China University of Geosciences Beijing
Priority to CN201910345347.2A priority Critical patent/CN110059765B/zh
Publication of CN110059765A publication Critical patent/CN110059765A/zh
Application granted granted Critical
Publication of CN110059765B publication Critical patent/CN110059765B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明实施例公开了一种矿物智能识别分类***与方法，所述矿物智能识别分类***包括深度学习算法的卷积神经网络模块和全连接网络模块，利用带有类别标签和莫氏硬度标签的矿物图片输入卷积神经网络模块和全连接网络模块进行预先训练，训练完成后将采集的矿物实物图片和莫氏硬度值输入智能识别分类***，智能识别分类***结合输入的图片和莫氏硬度值对矿物所属类别进行比对分析预测，输出矿物所属不同类别的概率大小，取概率最大值所属类别为该矿石的类别，本发明解决了现有仅使用矿物的实物图片进行识别导致的识别准确率低或者使用高光谱图片识别导致效率低的问题。

Description

一种矿物智能识别分类***与方法
技术领域
本发明实施例涉及矿物智能识别技术领域，具体涉及一种矿物智能识别分类***与方法。
背景技术
在矿产研究、矿物开采以及矿产科研方面，需要对矿产进行识别，传统识别方法需要结合现有记载的矿物图片和测量的矿物硬度值进行比对，进行识别，通常存在着效率低，误差大的问题。
随着科技进步，逐渐出现矿物智能识别技术，矿物智能识别技术，是一种通常采用图像识别方法的数字化智能识别分类矿物的技术。多使用深度学习算法对矿物的高光谱图片或实物图片进行识别分类。通常先采集大量矿物的高光谱图片或实物图片用于深度学习算法中卷积神经网络的训练，训练好后即可用于完成矿物的识别任务。但由于矿物的高光谱图片不易直接获取，还需要借助一些仪器，过程麻烦耗时。而矿物的实物图片不同类别之间没有较为明显的特征区别，导致直接使用矿物的实物图片进行深度学习算法的训练得到的准确率较低。
发明内容
为此，本发明实施例提供一种矿物智能识别分类***与方法，以解决现有仅使用矿物的实物图片进行识别导致的识别准确率低或者使用高光谱图片识别导致效率低的问题。
为了实现上述目的，本发明实施例提供如下技术方案：
根据本发明实施例的第一方面，公开了一种矿物智能识别分类***，所述矿物智能识别分类***包括深度学习算法的卷积神经网络模块和全连接网络模块，利用带有类别标签和莫氏硬度标签的矿物图片输入卷积神经网络模块和全连接网络模块进行预先训练，训练完成后将采集的矿物实物图片和莫氏硬度值输入智能识别分类***，智能识别分类***结合输入的图片和莫氏硬度值对矿物所属类别进行比对分析预测，输出矿物所属不同类别的概率大小，取概率最大值所属类别为该矿石的类别。
进一步地，所述卷积神经网络模块包括分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断单元包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始矿物图像。
进一步地，所述人工神经网络推理预测模块以实际现场采集的原始矿物图像为输入，通过内置的图像预处理器过滤后，输送给人工神经网络训练模块输出的人工神经网络分类器，人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测。
进一步地，所述卷积神经网络模块训练完成后，输入采集的矿物图片，得到一维特征值向量或未归一化的一维概率值向量。
进一步地，所述全连接网络模块设置有多层，将矿物的莫氏硬度值输入两层或两层以上的全连接网络，输出未归一化的一维概率值向量。
根据本发明实施例的第二方面，公开了一种矿物智能识别分类方法，所述矿物智能识别分类方法为：将采集的矿物图片输入至卷积神经网络，得到一维特征值向量或未归一化的一维概率值向量；
将矿物对应的莫氏硬度值输入到两层或两层以上的全连接网络，得到未归一化的一维概率值向量；
将从卷积神经网络得到的一维特征值向量或未归一化的一维概率值向量和从全连接网络得到的未归一化的一维概率值向量拼接成一个新的一维向量；
将新的一维向量输入一层及一层以上的全连接网络，输出待识别矿物所属不同类别的概率大小。
进一步地，所述采集的矿物图片和矿物莫氏硬度值同时输入矿物智能识别分类***。
进一步地，所述输出待识别矿物所属不同类别的概率中，取概率最大值为该矿物所属类别。
本发明实施例具有如下优点：
本发明实施例公开了一种矿物智能识别分类***及方法，将带有类别标签和莫氏硬度标签的矿物图片输入卷积神经网络模块和全连接网络模块进行预先训练，训练完成后采集矿物的实物图片和莫氏硬度值，输入矿物智能识别分类***，输出矿物所属不同类别的概率大小，取概率最大值所属类别为该矿石的类别，提升识别效率，降低识别误差，更加准确的识别矿物类型。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案，下面将对实施方式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示例性的，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，还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明实施例提供的一种矿物智能识别分类***连接示意图；
图2为本发明实施例提供的一种矿物智能识别分类方法工作示意图；
图3为本发明另一实施例提供的一种矿物智能识别分类方法工作示意图；
图中：1-待识别矿物图片、2-矿物莫氏硬度值、3-卷积神经网络模型、4-第一全连接网络、5-第二全连接网络、6-第一向量、7-第二向量、8-第三向量、9-第四向量、10-第五向量、11-第六向量。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。
实施例1
本实施例公开了一种矿物智能识别分类***，所述矿物智能识别分类***包括深度学习算法的卷积神经网络模块和全连接网络模块，利用带有类别标签和莫氏硬度标签的矿物图片输入卷积神经网络模块和全连接网络模块进行预先训练，训练完成后将采集的矿物实物图片和莫氏硬度值输入智能识别分类***，智能识别分类***结合输入的图片和莫氏硬度值对矿物所属类别进行比对分析预测，输出矿物所属不同类别的概率大小，取概率最大值所属类别为该矿石的类别。
所述卷积神经网络模块包括分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断单元包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始矿物图像。所述人工神经网络推理预测模块以实际现场采集的原始矿物图像为输入，通过内置的图像预处理器过滤后，输送给人工神经网络训练模块输出的人工神经网络分类器，人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测。
所述卷积神经网络模块训练完成后，输入采集的矿物图片，得到一维特征值向量或未归一化的一维概率值向量，全连接网络模块设置有多层，将矿物的莫氏硬度值输入两层或两层以上的全连接网络，输出未归一化的一维概率值向量，然后将从卷积神经网络得到的一维特征值向量或未归一化的一维概率值向量和从全连接网络得到的未归一化的一维概率值向量拼接成一个新的一维向量，将新的一维向量输入一层及一层以上的全连接网络，输出最后的结果，即所属不同类别的概率大小。
实施例2
参考图1，本实施例公开了一种矿物智能识别分类方法，获取大量带有类别标签和莫氏硬度标签的矿物实物图片用于识别***的训练，训练好后，输入待识别矿物的一张实物图片和该矿物的莫氏硬度值，***即可输出判断结果。
参考图2，将待识别矿物图片1输入Inception v3卷积神经网络模型3得到一个由概率值组成的第一向量6，将矿物莫氏硬度值2输入第一全连接网络4得到另一个由概率值组成的向第二向量7，将第二向量7乘以超参数a后，与第一向量6拼接成第三向量8，第三向量8的长度是第一向量6和第二向量7长度的两倍，再将第三向量8输入第二全连接网络5并输出最终预测结果，取预测结果中概率最大值所述类别为该矿物的类别。
实施例3
本实施例公开了一种矿物智能识别分类方法，获取大量带有类别标签和莫氏硬度标签的矿物实物图片用于识别***的训练，训练好后，输入待识别矿物的一张实物图片和该矿物的莫氏硬度值，***即可输出判断结果。
参考图3，首先建立由深度学习算法中的卷积神经网络和全连接网络组成的矿物智能识别分类***，将待识别矿物图片1输入舍弃了最大池化层之后的其他层的Inceptionv3卷积神经网络模型3，得到一个长度为2048的第四向量9，将矿物莫氏硬度值2输入第一全连接网络4得到另一个长度为1024的第五向量10，然后将第四向量9和第五向量10拼接成第六向量11，第六向量11的长度是3072，再将第六向量11与输出层组成第二全连接网络5，并输出最终预测结果，取预测结果中概率最大值所述类别为该矿物的类别。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (8)

1.一种矿物智能识别分类***，其特征在于，所述矿物智能识别分类***包括深度学习算法的卷积神经网络模块和全连接网络模块，利用带有类别标签和莫氏硬度标签的矿物图片输入卷积神经网络模块和全连接网络模块进行预先训练，训练完成后将采集的矿物实物图片和莫氏硬度值输入智能识别分类***，将采集的矿物图片输入至卷积神经网络，将矿物对应的莫氏硬度值输入到两层或两层以上的全连接网络，智能识别分类***结合输入的图片和莫氏硬度值对矿物所属类别进行比对分析预测，输出矿物所属不同类别的概率大小，取概率最大值所属类别为此矿石的类别。
2.如权利要求1所述的一种矿物智能识别分类***，其特征在于，所述卷积神经网络模块包括分类器预训练单元和分析判断单元，分类器预训练阶段包括人工神经网络训练用数据集生成模块和人工神经网络训练模块，分析判断单元包括人工神经网络推理预测模块和人机交互模块，所述人工神经网络训练用数据集生成模块对用于训练人工神经网络的示例图像数据进行预处理和图像数据集的创建，所述人工神经网络训练模块以人工神经网络训练用数据集生成模块输出的图像数据集为输入，进行神经网络计算，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的原始数据图像为输入，人工神经网络分类器对每张图所代表的类别进行批量自动的推理预测，输出每一张图像对应的类别标识，所述人机交互模块实现操作人员输入待分析的原始矿物图像。
3.如权利要求2所述的一种矿物智能识别分类***，其特征在于，所述人工神经网络推理预测模块以实际现场采集的原始矿物图像为输入，通过内置的图像预处理器过滤后，输送给人工神经网络训练模块输出的人工神经网络分类器，人工神经网络分类器对每一张图所代表的类别进行批量自动的推理预测。
4.如权利要求1所述的一种矿物智能识别分类***，其特征在于，所述卷积神经网络模块训练完成后，输入采集的矿物图片，得到一维特征值向量或未归一化的一维概率值向量。
5.如权利要求1所述的一种矿物智能识别分类***，其特征在于，所述全连接网络模块设置有多层，将矿物的莫氏硬度值输入两层或两层以上的全连接网络，输出未归一化的一维概率值向量。
6.一种矿物智能识别分类方法，其特征在于，所述矿物智能识别分类方法为：将采集的矿物图片输入至卷积神经网络，得到一维特征值向量或未归一化的一维概率值向量；
将矿物对应的莫氏硬度值输入到两层或两层以上的全连接网络，得到未归一化的一维概率值向量；
将从卷积神经网络得到的一维特征值向量或未归一化的一维概率值向量和从全连接网络得到的未归一化的一维概率值向量拼接成一个新的一维向量；
将新的一维向量输入一层及一层以上的全连接网络，输出待识别矿物所属不同类别的概率大小。
7.如权利要求6所述的一种矿物智能识别分类方法，其特征在于，所述采集的矿物图片和矿物莫氏硬度值同时输入矿物智能识别分类***。
8.如权利要求6所述的一种矿物智能识别分类方法，其特征在于，所述输出待识别矿物所属不同类别的概率中，取概率最大值为该矿物所属类别。
CN201910345347.2A 2019-04-26 2019-04-26 一种矿物智能识别分类***与方法 Active CN110059765B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910345347.2A CN110059765B (zh) 2019-04-26 2019-04-26 一种矿物智能识别分类***与方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910345347.2A CN110059765B (zh) 2019-04-26 2019-04-26 一种矿物智能识别分类***与方法

Publications (2)

Publication Number Publication Date
CN110059765A CN110059765A (zh) 2019-07-26
CN110059765B true CN110059765B (zh) 2021-02-02

Family

ID=67321153

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910345347.2A Active CN110059765B (zh) 2019-04-26 2019-04-26 一种矿物智能识别分类***与方法

Country Status (1)

Country Link
CN (1) CN110059765B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112529112B (zh) * 2020-12-29 2021-10-08 中国地质科学院地质力学研究所 一种矿物识别的方法和装置
CN113128404A (zh) * 2021-04-20 2021-07-16 中国地质科学院 一种矿物智能识别方法及***
CN113537339B (zh) * 2021-07-14 2023-06-02 中国地质大学（北京） 一种基于多标签图像分类的识别共生或伴生矿物的方法与***
CN113960152B (zh) * 2021-10-18 2023-06-06 北方工业大学 一种基于离子迁移谱的痕量***物识别方法及***

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009705A (zh) * 2017-11-07 2018-05-08 中国石油大学(华东) 一种基于支持向量机技术的页岩储层可压性评价方法
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、***及设备

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109284780A (zh) * 2018-09-10 2019-01-29 中山大学 矿石矿物图像自动识别与分类方法
CN109283148A (zh) * 2018-09-30 2019-01-29 核工业北京地质研究院 一种基于光谱信息自动识别岩石矿物的方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108009705A (zh) * 2017-11-07 2018-05-08 中国石油大学(华东) 一种基于支持向量机技术的页岩储层可压性评价方法
CN108362702A (zh) * 2017-12-14 2018-08-03 北京木业邦科技有限公司 一种基于人工智能的单板缺陷检测方法、***及设备

Also Published As

Publication number Publication date
CN110059765A (zh) 2019-07-26

Similar Documents

Publication Publication Date Title
CN110059765B (zh) 一种矿物智能识别分类***与方法
CN111126386B (zh) 场景文本识别中基于对抗学习的序列领域适应方法
CN108090472B (zh) 基于多通道一致性特征的行人重识别方法及其***
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110598692B (zh) 一种基于深度学习的椭圆识别方法
CN110175615B (zh) 模型训练方法、域自适应的视觉位置识别方法及装置
CN112926641A (zh) 基于多模态数据的三阶段特征融合旋转机械故障诊断方法
CN111126481A (zh) 一种神经网络模型的训练方法及装置
CN110287798B (zh) 基于特征模块化和上下文融合的矢量网络行人检测方法
CN112785441B (zh) 数据处理方法、装置、终端设备及存储介质
CN109871892A (zh) 一种基于小样本度量学习的机器人视觉认知***
CN110490915B (zh) 一种基于卷积受限玻尔兹曼机的点云配准方法
CN114299324B (zh) 一种基于多尺度域对抗网络的病理图像分类方法及***
CN104751186A (zh) 一种基于bp网络和小波变换的虹膜图像质量分类方法
CN115439458A (zh) 基于深度图注意力的工业图像缺陷目标检测算法
CN113158869A (zh) 图像识别方法、装置、终端设备及计算机可读存储介质
CN110414317B (zh) 基于胶囊网络的全自动白细胞分类计数方法
CN114548268A (zh) 基于原型网络的小样本垃圾图像分类方法
CN114399763A (zh) 一种单样本与小样本微体古生物化石图像识别方法及***
CN115100509B (zh) 基于多分支块级注意力增强网络的图像识别方法及***
CN114372181B (zh) 一种基于多模态数据的设备生产智能规划方法
CN114220012B (zh) 一种基于深度自注意力网络的纺织品棉麻鉴别方法
CN113537339A (zh) 一种基于多标签图像分类的识别共生或伴生矿物的方法与***
CN105404892B (zh) 基于有序模糊c均值聚类的青霉素发酵过程阶段划分方法
CN111382761B (zh) 一种基于cnn的检测器、图像检测方法及终端

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