CN112348100B - 一种岩石识别方法、装置、设备及存储介质 - Google Patents
一种岩石识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112348100B CN112348100B CN202011270883.XA CN202011270883A CN112348100B CN 112348100 B CN112348100 B CN 112348100B CN 202011270883 A CN202011270883 A CN 202011270883A CN 112348100 B CN112348100 B CN 112348100B
- Authority
- CN
- China
- Prior art keywords
- rock
- preset
- feature vector
- identified
- class
- 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
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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Image Analysis (AREA)
Abstract
本申请提供了一种岩石识别方法、装置、设备及存储介质,涉及岩石识别技术领域。可以利用便捷的网站作为工具对岩石进行识别,排除了个人主观因素的影响,给岩石爱好者在野外对岩石种类进行快速准确的识别提供了一种途径。对待识别岩石的图片进行特征抽取,得到特征向量;利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别。
Description
技术领域
本申请涉及岩石识别技术领域,特别是涉及一种岩石识别方法、装置、设备及存储介质。
背景技术
岩石广泛的存在于大自然之中,具有建筑材料、装饰品、能源材料等用途和价值。普通大众因为对岩石的认知偏少,缺乏岩石识别的知识,不能识别岩石的类别,而鉴定专家可以根据岩石的颜色、矿物组分、结构构造等特征来识别岩石类型,但无法提供随时随地的岩石识别服务。岩石外观可以通过拍摄照片,获取岩石图像等方式呈现,因此需要设计一种岩石识别方法、装置、设备及存储介质来代替鉴定专家进行岩石识别。
发明内容
本申请实施例提供一种岩石识别方法、装置、设备及存储介质,本申请可以利用便捷的网站作为工具对岩石进行识别,排除了个人主观因素的影响,给岩石爱好者普通大众在野外对岩石种类进行快速准确的识别提供了一种途径。
本申请实施例提供一种岩石识别方法,所述方法包括:
对待识别岩石的图片进行特征抽取,得到特征向量;
利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;
根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;
根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别。
可选地,所述方法还包括:
获得已上传网站的所述待识别岩石的图片;
对待识别岩石的图片进行特征抽取,包括:
在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对待识别岩石的图片进行特征抽取。
可选地,根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别,包括:
在任意岩石类别的概率大于第一预设阈值时,输出所述待识别岩石属于该任意岩石类别的概率;
在所有岩石类别的概率都小于第一预设阈值时,获取概率大于第二预设阈值的多个岩石类别;
在所述多个岩石类别属于同一个岩石类别的上位类别时,输出该同一个岩石类别的上位类别。
可选地,利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,包括:
将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;
计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
可选地,所述方法还包括:
对获取的岩石图像标记标准岩石类别,得到岩石图像样本;
对所述岩石图像样本进行特征抽取,得到特征向量样本;
将所述特征向量样本输入预设有多个中心点的高维度空间,得到所述特征向量样本在所述高维度空间中的第二投射点;
计算所述第二投射点与所述高维度空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据所述第二投射点与所述高维度空间中预设的多个中心点的距离,确定与所述特征向量样本距离最近的预测中心点;
在所述预测中心点的岩石类别与所述标准岩石类别不一致时,调整所述高维度空间的参数,将经过多次参数调整的所述高维度空间作为所述预设岩石分类空间。
可选地,调整所述高维度空间的参数,包括:
确定所述标准岩石类别对应的目标中心点;
按照(1)式计算所述第二投射点与所述目标中心点的损失值;
(1)式中,m为所述岩石图像样本的数量;xi为所述第二投射点的位置坐标;cyi为所述目标中心点的位置坐标;
根据所述损失值,调整所述预设高维度空间的参数。
本申请实施例第二方面提供一种岩石识别装置,所述装置包括:
第一识别模块,用于对待识别岩石的图片进行特征抽取,得到特征向量;
判定模块,用于利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;
计算模块,用于根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;
输出模块,用于根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别。
可选地,所述装置还包括:
获得模块,用于获得已上传网站***的所述待识别岩石的图片;
所述第一识别模块包括:
识别子模块,用于在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对待识别岩石的图片进行特征抽取。
可选地,所述输出模块包括:
第一输出子模块,用于在任意岩石类别的概率大于第一预设阈值时,输出所述待识别岩石属于该任意岩石类别的概率;
获取子模块,用于在所有岩石类别的概率都小于第一预设阈值时,获取概率大于第二预设阈值的多个岩石类别;
第二输出子模块,用于在所述多个岩石类别属于同一个岩石类别的上位类别时,输出该同一个岩石类别的上位类别。
可选地,所述判定模块包括:
映射子模块,用于将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;
计算子模块,用于计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
确定距离子模块,用于根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
判定子模块,用于根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
可选地,所述装置还包括:
标记模块,用于对获取的岩石图像标记标准岩石类别,得到岩石图像样本;
第二识别模块,用于对所述岩石图像样本进行特征抽取,得到特征向量样本;
输入模块,用于将所述特征向量样本输入预设有多个中心点的高维度空间,得到所述特征向量样本在所述高维度空间中的第二投射点;
计算距离模块,用于计算所述第二投射点与所述高维度空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
预测中心点确定模块,用于根据所述第二投射点与所述高维度空间中预设的多个中心点的距离,确定与所述特征向量样本距离最近的预测中心点;
调整模块,用于在所述预测中心点的岩石类别与所述标准岩石类别不一致时,调整所述高维度空间的参数,将经过多次参数调整的所述高维度空间作为所述预设岩石分类空间。
可选地,所述调整模块包括:
目标中心点确定子模块,用于确定所述标准岩石类别对应的目标中心点;
损失值计算子模块,用于按照(1)式计算所述第二投射点与所述目标中心点的损失值;
(1)式中,m为所述岩石图像样本的数量;xi为所述第二透射点的位置坐标;cyi为所述目标中心点的位置坐标;
调整子模块,用于根据所述损失值,调整所述预设高维度空间的参数。
本申请实施例第三方面提供一种可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时,实现如本申请第一方面所述的方法中的步骤。
本申请实施例第四方面提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时,实现本申请第一方面所述的方法的步骤。
本申请实施例利用便捷的网站作为工具对岩石进行识别,将岩石识别模型集成到岩石识别网站***的服务器,通过便携的终端在野外实时采集待识别岩石的图片,并直接通过终端的应用程序接口调用服务器的岩石识别模型,对实时采集的待识别岩石的图片进行识别,快速输出待识别岩石所属的岩石类别,排除了用户主观因素判断岩石类别造成的误差,给岩石爱好者在野外对岩石种类进行快速准确的识别提供了一种途径。
本申请实施例设置了预设岩石分类空间,通过预设岩石分类空间对特征向量的特征进行中心约束,使特征向量中用于表示其所属类别的特征加强,进而保证分类器能够基于加强后的特征进行计算,最终克服岩石细分类差别较小的问题,输出待识别岩石所属小类。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请实施例提出的岩石识别方法的步骤流程图;
图2是本申请实施例提出的预设岩石分类空间的一种示例图;
图3是本申请实施例提出的对特征向量所属的岩石类别进行判定的步骤流程图;
图4是本申请实施例构建岩石识别模型对待识别岩石的图片进行识别的流程图;
图5是本申请实施例提出的岩石识别装置的结构示意图。
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,所描述的实施例是本申请的一部分实施例,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作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。
自然界存在三种岩石大类分类:岩浆岩、沉积岩和变质岩岩石爱好者。但每一种大类岩石还可以细分类,得到小类分类。常见岩浆岩包括:花岗岩、凝灰岩、安山岩、橄榄岩、正长岩、流纹岩、正长斑岩、玄武岩、粗面岩、花岗斑岩、花岗闪长岩、花岗闪长斑岩、英安岩、辉石岩、闪长岩、闪长玢岩、似斑状花岗岩等小类。常见沉积岩包括泥岩、灰岩、煤、白云岩、砂岩、粉砂岩、砾岩、硅质岩、角砾岩、页岩等小类。常见变质岩包括云英岩、千枚岩、大理岩、板岩、片岩、片麻岩、石英岩、矽卡岩、碎裂岩、糜棱岩、蛇纹岩、角岩、青磐岩等小类。
各种岩石小类的颜色、矿物组分、结构构造各不相同,野外时间紧迫、岩石特征暴露较少的情况下,人工主观很难对岩石小类进行准确判断,只能粗略地判断岩石大类,对野外岩石识别带来困难。
示例地,岩石爱好者岩石爱好者发现位于峭壁的岩石A,通过人工识别其部分外观、颜色,主观判断岩石A可能是岩浆岩中的花岗岩,由于岩石爱好者岩石爱好者对岩石的认知局限,可能出现主观判断错误的情况。
通过本申请实施例提出的岩石识别方法,可以通过终端采集岩石A的图片,上传至岩石识别网站***,通过岩石识别模型直接识别出岩石A的岩石类别是花岗闪长岩,排出了人工识别主观因素带来的误差。
鉴于上述问题,本申请实施例提出一种岩石识别方法,应用于岩石识别***,能够快速地识别出岩石小类。图1是本申请实施例提出的岩石识别方法的步骤流程图,参考图1:
岩石识别网站***包括客户端和服务器,服务器保存有本申请实施例提出的岩石识别模型,服务器集成有本申请实施例提出的岩石识别***中的各个模块,客户端是终端的应用程序,接收到相应的指令时,应用程序(客户端)通过应用程序接口(API,Application Programming Interface)连接服务器,通过相应的模块(服务器中集成的岩石识别***的各个模块)运行岩石识别模型,执行本申请实施例提出的岩石识别方法中的下述步骤。
终端可以是电脑、手机或平板电脑等。用户可以通过终端的网站界面上传待识别岩石的图片,发起岩石识别业务的触发操作。
步骤S11:对待识别岩石的图片进行特征抽取,得到特征向量;
在深度神经网络中,可以对图像进行卷积操作,提取出图像的特征向量(featurevector),作为图像的图像特征。
待识别岩石的图像可以指岩石爱好者在野外实时拍摄的岩石图片。
在对岩石图片进行特征抽取之前,本申请实施例可以通过终端获得待识别岩石的图片。获得已上传网站***的所述待识别岩石的图片;
具体地,用户在野外观察到难以识别的岩石时,直接使用终端采集该岩石的图片,通过应用程序选择采集的图片上传至岩石识别网站***的服务器,并通过应用程序的显示界面显示上传的图片。
对上传岩石识别网站***的图片进行特征抽取可以在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对上传***的待识别岩石的图片进行特征抽取。
网站***可以指岩石识别网站***。
岩石识别业务可以通过应用程序触发,例如,在应用程序显示待识别岩石的图片的界面,按下“识别”按钮,以使应用程序通过API将用户上传的待识别岩石的图片转换成base64编码格式,再将base64编码格式的图片输入岩石识别模型,利用岩石识别模型对待识别岩石的图片进行特征抽取。
岩石爱好者在野外环境下,可以通过便携的终端实时地采集岩石图片,通过网络链接岩石识别网站***的服务器,直接对岩石图片进行特征提取,基于实时采集的岩石图片预测岩石的细分类。解决了岩石爱好者在野外工作遇到难以识别的岩石时,无法及时识别岩石分类的问题。
步骤S12:利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;
预设岩石分类空间用于对特征向量进行中心点约束,约束特征向量的特征,通过岩石分类空间判断岩石所属小类,使特征向量表现出的特征更接近待识别岩石所属小类的特征。
本申请另一种实施例提出了对特征向量所属的岩石类别进行判定的方法。图2是本申请实施例提出的预设岩石分类空间的一种示例图,图3是本申请实施例提出的对特征向量所属的岩石类别进行判定的步骤流程图,参考图2和图3。
步骤S12-1:将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;第一投射点是指应用岩石识别模型对岩石图片进行识别时,特征向量在预设岩石分类空间的透射点。第一透射点的位置由预设岩石分类空间根据特征向量的特征,计算得到的。
步骤S12-2:计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据岩石小类的数量,在预设岩石分类空间中预先设置了N个中心点。假设共有40种岩石小类(细分类),可以在预设岩石分类空间中预先设置40个中心点,分别是花岗岩中心点、凝灰岩中心点、安山岩中心点、橄榄岩中心点、正长岩中心点、流纹岩中心点、正长斑岩中心点、玄武岩中心点、粗面岩中心点、花岗斑岩中心点、花岗闪长岩中心点、花岗闪长斑岩中心点、英安岩中心点、辉石岩中心点、闪长岩中心点、闪长玢岩中心点、似斑状花岗岩中心点、泥岩中心点、灰岩中心点、煤中心点、白云岩中心点、砂岩中心点、粉砂岩中心点、砾岩中心点、硅质岩中心点、角砾岩中心点、页岩中心点、云英岩中心点、千枚岩中心点、大理岩中心点、板岩中心点、片岩中心点、片麻岩中心点、石英岩中心点、矽卡岩中心点、碎裂岩中心点、糜棱岩中心点、蛇纹岩中心点、角岩中心点、青磐岩中心点。
步骤S12-3:根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
与特征向量距离最近的目标中心点,即与第一投射点最近的目标中心点的特征与特征向量的特征最为接近。
步骤S12-4:根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
中间分类特征向量是对特征向量中表示岩石类别的特征进行加强后的特征向量。
示例地,对岩石图片A进行特征抽取,得到特征向量A,将特征向量A映射到所述预设岩石分类空间中,得到第一投射点A,通过计算得到第一投射点A与闪长玢岩中心点的距离最近,那么特征向量A与闪长玢岩中心点,即与闪长玢岩的特征最为接近,用闪长玢岩的特征对特征向量A进行判定,使特征向量A的特征经过闪长玢岩特征的强化。
岩石的每一大类都有很多细分类,细分类之间的差异不突出,例如同是岩浆岩大类(粗分类)下的花岗斑岩和花岗岩差别较小,为使分类器能够更加准确地对岩石进行细分类,本申请实施例设置了预设岩石分类空间,通过预设岩石分类空间对特征向量的特征进行中心约束,使特征向量中用于表示相同特征的向量更加聚集,进而保证分类器能够基于加强后的突出特征计算,最终输出待识别岩石的细分类。
步骤S13:根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量。
可以使用分类器计算待识别岩石属于不同岩石类别的概率。例如深度卷积神经网络(VGGNet),深度残差网络(ResNet),或基于Inception架构建立的卷积涉及网络。
概率分布向量可以是多维的归一化向量。
以Inception V3算法架构为例,在通过预设岩石分类空间对特征向量进行中心约束后,预测待识别岩石属于各个小类的概率。继续以前述示例进行说明,共有40种岩石小类(细分类),那么输出40维的归一化向量,每个维度的值代表待识别岩石属于某一种岩石类别的概率。
步骤S14:根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别。
具体地,在任意岩石类别的概率大于第一预设阈值时,输出所述待识别岩石属于该任意岩石类别的概率;在所有岩石类别的概率都小于第一预设阈值时,获取概率大于第二预设阈值的多个岩石类别;在所述多个岩石类别属于同一个岩石类别的上位类别时,输出该同一个岩石类别的上位类别。
第一预设阈值和第二预设阈值可以根据岩石分类任务的经验值进行设定。
假设输出的概率分布向量是13维的归一化向量:[云英岩-2%、千枚岩-3%、大理岩-5%、板岩-3%、片岩-4%、片麻岩-65%、石英岩-10%、矽卡岩-1.5%、碎裂岩-1.5%、糜棱-1%岩、蛇纹岩-1%、角岩-2%、青磐岩-1%],第一预设阈值是50%,那么片麻岩的概率65%大于第一预设阈值,***输出片麻岩的概率65%,实现对岩石的细分类任务。在大于第一预设阈值的细分类有多个时,***可以输出多个岩石类别“小类”,在应用程序的显示界面显示多个岩石类别,以及每个岩石类别对应的概率。
在岩石识别模型无法判断出待识别岩石的细分类时,根据不同岩石概率的分布,判断待识别岩石所属大类,即待识别岩石所属的岩石类别的上位类别。例如岩浆岩为花岗岩和凝灰岩的上位类别。
假设输出的概率分布向量是23维的归一化向量:[云英岩-2%、千枚岩-13%、大理岩-10%、板岩-13.5%、片岩-10%、片麻岩-10%、石英岩-10%、矽卡岩-10%、碎裂岩-1.5%、糜棱-1%岩、蛇纹岩-1%、角岩-2%、青磐岩-1%、泥岩-1.5%、灰岩-1.5%、煤-1.5%、白云岩-1.5%、砂岩-1.5%、粉砂岩-1.5%、砾岩-1.5%、硅质岩-1.5%、角砾岩-1.5%、页岩-1.5%],第一预设阈值是50%,第二预设阈值是8%,那么没有岩石类别是待识别岩石所属,进一步确定大于第二预设阈值的7个岩石类别,上述7个岩石类别的上位类别是沉积岩,则输出沉积岩。
本申请实施例通过设置第一预设阈值和第二预设阈值,对岩石识别模型的计算结果进行划分,在能够判断出岩石的细分类时,输出细分类以及细分类对应概率,以供用户参考,在无法判断出细分类时,能够基于细分类的判断结果,输出待分类岩石准确所属的大类。
本申请实施例利用便捷的网站作为工具对岩石进行识别,将岩石识别模型集成到岩石识别网站的服务器,在终端在野外实时采集到待识别岩石的图片时,直接用过终端的应用程序接口调用服务器的岩石识别模型,对实时采集的待识别岩石的图片进行识别,快速输出待识别岩石所属的岩石类别,排除了用户主观判断岩石类别造成的误差,给岩石爱好者在野外对岩石种类进行快速准确的识别提供了一种途径。
为了能更智能地实施申请人提出的上述方法,使得该方法的应用范围更广,申请人首先构建了待训练的神经网络模型,以训练样本训练神经网络模型,得到岩石识别模型。
首先从野外拍摄或者网上下载不同种类的岩石图像数据,并由专业人士标注出每个图片对应的岩石类别(细分类)。
其次携带标注的岩石图像数据进行数据增强,以增强模型训练数据的多样性。例如对岩石图像数据进行色彩空间上的数据增强,得到匹配不同色彩空间的多个岩石图像数据;其中,单个色彩空间匹配至少一个岩石图像数据,以得到不同光线条件下的岩石图像数据。或者对岩石图像数据进行随机裁剪和翻转处理。
再将岩石图像数据划分为训练集和验证集。
利用训练集训练构建的神经网络模型,例如采用Inception V3算法构建的神经网络模。采用Adam梯度下降算法对神经网络模型的参数进行更新,直到神经网络模型的识别准确率达到预设准确率,得到最终的岩石识别模型。
进一步地使用Django作为网站后端框架,开发一个能够上传岩石图片的网站***(服务器)。
在使用岩石识别模型时,将训练好的神经网络参数转换为二进制文件,保存到岩石识别服务器,使用tensorflow servicing技术,对外提供岩石识别API服务。
为了使岩石识别模型具有加强待识别岩石特征的功能,本申请实施例在神经网络模型中设置的高维度空间,采用中心约束损失函数对高维度空间进行训练,使高维度空间能够准确地将特征向量在高维空间中的投射点映射到待识别岩石所属类别的中心点的附近,从而实现以待识别岩石所属类别对特征向量进行中心约束的目的。
训练得到预设岩石分类空间的方法如下:
首先对获取的岩石图像标记标准岩石类别,得到岩石图像样本;以及对所述岩石图像样本进行特征抽取,得到特征向量样本;并将所述特征向量样本输入预设有多个中心点的高维度空间,得到所述特征向量样本在所述高维度空间中的第二投射点;
岩石图像是指预先采集的岩石图片,图片上显示只有一个岩石。
第二投射点是训练高维度空间时,特征向量在高维度空间中的投射点。
可以根据岩石识别模型的应用范围,设置高维度空间的维度。以本申请实施例需要分析待识别岩石是否属于40种岩石类别的概率,输出40维的归一化向量为例,则设置高维度空间的维度为40。
在每个维度空间设置一个中心点,特征向量映射到该高维度空间后,投射点所在范围的中心点对应的类别特征,与特征向量对应的岩石类别相同,即高维度空间对对应相同类别岩石的特征向量进行聚类。
在训练初期,高维度空间映射特征向量对对应相同类别岩石的特征向量进行聚类的准确率不高,本申请设置了中心约束损失函数,调整高维度空间参数,以使高维度空间准确对特征向量进行聚类。
在训练中,计算所述第二投射点与所述高维度空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;根据所述第二投射点与所述高维度空间中预设的多个中心点的距离,确定与所述特征向量样本距离最近的预测中心点;在所述预测中心点的岩石类别与所述标准岩石类别不一致时,调整所述高维度空间的参数,将经过多次参数调整的所述高维度空间作为所述预设岩石分类空间。
在预测中心点的岩石类别与标准岩石类别不一致时,确定标准岩石类别对应的目标中心点在高纬度空间中的位置,根据目标中心点在高纬度空间中的位置计算梯度,调整高纬度空间的参数,以及高纬度空间中预设的中心点的位置,使高纬度空间针对相同类的待识别岩石的图像时,能将相同类的待识别岩石的图像的特征向量映射到目标中心点的范围内,在多次训练后能准确地根据特征向量确定特征向量表达的岩石细分类,从而以岩石细分类对特征向量的在高维空间更加聚集,凸显岩石细分类的特征。
具体地,确定所述标准岩石类别对应的目标中心点;按照(1)式计算所述第二投射点与所述目标中心点的损失值;
Center Loss指中心约束损失函数。
(1)式中,m为所述岩石图像样本的数量;xi为所述第二投射点的位置坐标;cyi为所述目标中心点的位置坐标;i为当前处理的岩石图像样本,因此i的取值范围是(1,m),y为目标中心点对应的中心点的标号。假设高纬度空间预先设置了4个中心点,分别是1#-泥岩中心点、2#-灰岩中心点、3#-煤中心点、4#-白云岩中心点,那么在岩石图像样本中标记的标准岩石类别是灰岩时,目标中心点为灰岩中心点,y=2#。
第二投射点的位置坐标和目标中心点的位置坐标都是以基于高纬度空间建立的坐标系得到的。
根据所述损失值,调整所述预设高维度空间的参数。
图4是本申请实施例构建岩石识别模型对待识别岩石的图片进行识别的流程图。
1、收集岩石数据,建立训练的数据集。
2、搭建神经网络模型。
3、利用数据集对神经网络模型进行训练,得到岩石识别模型。
4、将岩石识别模型的参数二进制化保存,并上传服务器提供接口服务。。
5、采用Django作为网站后端框架。
6、建立岩石识别网站的服务器。
7、用户上传采集的待识别岩石的图片至岩石识别网站***的服务器。
8、远程调用岩石识别模型识别待识别岩石的图片,得到识别出的岩石细分类结果。
基于同一发明构思,本申请实施例提供一种岩石识别装置。参考图5,图5是本申请实施例提出的岩石识别装置的结构示意图。该装置包括:
第一识别模块51,用于对待识别岩石的图片进行特征抽取,得到特征向量;
判定模块52,用于利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;
计算模块53,用于根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;
输出模块54,用于根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别。
可选地,所述装置还包括:
获得模块,用于获得已上传网站***的所述待识别岩石的图片;
所述第一识别模块包括:
识别子模块,用于在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对待识别岩石的图片进行特征抽取。
可选地,所述输出模块包括:
第一输出子模块,用于在任意岩石类别的概率大于第一预设阈值时,输出所述待识别岩石属于该任意岩石类别的概率;
获取子模块,用于在所有岩石类别的概率都小于第一预设阈值时,获取概率大于第二预设阈值的多个岩石类别;
第二输出子模块,用于在所述多个岩石类别属于同一个岩石类别的上位类别时,输出该同一个岩石类别的上位类别。
可选地,所述判定模块包括:
映射子模块,用于将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;
计算子模块,用于计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
确定距离子模块,用于根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
判定子模块,用于根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
可选地,所述装置还包括:
标记模块,用于对获取的岩石图像标记标准岩石类别,得到岩石图像样本;
第二识别模块,用于对所述岩石图像样本进行特征抽取,得到特征向量样本;
输入模块,用于将所述特征向量样本输入预设有多个中心点的高维度空间,得到所述特征向量样本在所述高维度空间中的第二投射点;
计算距离模块,用于计算所述第二投射点与所述高维度空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
预测中心点确定模块,用于根据所述第二投射点与所述高维度空间中预设的多个中心点的距离,确定与所述特征向量样本距离最近的预测中心点;
调整模块,用于在所述预测中心点的岩石类别与所述标准岩石类别不一致时,调整所述高维度空间的参数,将经过多次参数调整的所述高维度空间作为所述预设岩石分类空间。
可选地,所述调整模块包括:
目标中心点确定子模块,用于确定所述标准岩石类别对应的目标中心点;
损失值计算子模块,用于按照(1)式计算所述第二投射点与所述目标中心点的损失值;
(1)式中,m为所述岩石图像样本的数量;xi为所述第二透射点的位置坐标;cyi为所述目标中心点的位置坐标;
调整子模块,用于根据所述损失值,调整所述预设高维度空间的参数。
基于同一发明构思,本申请另一实施例提供一种可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本申请上述任一实施例所述的岩石识别方法中的步骤。
基于同一发明构思,本申请另一实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行时实现本申请上述任一实施例所述的岩石识别方法中的步骤。
对于装置实施例而言,由于其与方法实施例基本相似,所以描述的比较简单,相关之处参见方法实施例的部分说明即可。
本说明书中的各个实施例均采用递进或说明的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似的部分互相参见即可。
本领域内的技术人员应明白,本申请实施例的实施例可提供为方法、装置、或计算机程序产品。因此,本申请实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请实施例是参照根据本申请实施例的方法、装置、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的***。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令***的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上,使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请实施例的优选实施例,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实施例范围的所有变更和修改。
最后,还需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。
以上对本申请所提供的一种岩石识别方法、装置、设备及存储介质,进行了详细介绍,以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
Claims (9)
1.一种岩石识别方法,其特征在于,所述方法包括:
对待识别岩石的图片进行特征抽取,得到特征向量;
利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;所述预设岩石分类空间用于对所述特征向量进行中心点约束;其中,不同中心点对应岩石的不同细分类;
根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;
根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别;
其中:
利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,包括:
将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;
计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
获得已上传网站***的所述待识别岩石的图片;
对待识别岩石的图片进行特征抽取,包括:
在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对待识别岩石的图片进行特征抽取。
3.根据权利要求1所述的方法,其特征在于,根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别,包括:
在任意岩石类别的概率大于第一预设阈值时,输出所述待识别岩石属于该任意岩石类别的概率;
在所有岩石类别的概率都小于第一预设阈值时,获取概率大于第二预设阈值的多个岩石类别;
在所述多个岩石类别属于同一个岩石类别的上位类别时,输出该同一个岩石类别的上位类别。
4.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对获取的岩石图像标记标准岩石类别,得到岩石图像样本;
对所述岩石图像样本进行特征抽取,得到特征向量样本;
将所述特征向量样本输入预设有多个中心点的高维度空间,得到所述特征向量样本在所述高维度空间中的第二投射点;
计算所述第二投射点与所述高维度空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据所述第二投射点与所述高维度空间中预设的多个中心点的距离,确定与所述特征向量样本距离最近的预测中心点;
在所述预测中心点的岩石类别与所述标准岩石类别不一致时,调整所述高维度空间的参数,将经过多次参数调整的所述高维度空间作为所述预设岩石分类空间。
6.一种岩石识别装置,其特征在于,所述装置包括:
第一识别模块,用于对待识别岩石的图片进行特征抽取,得到特征向量;
判定模块,用于利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,得到中间分类特征向量;所述预设岩石分类空间用于对特征向量进行中心点约束,不同中心点对应岩石的不同细分类;
计算模块,用于根据所述中间分类特征向量,计算所述待识别岩石属于不同岩石类别的概率,得到概率分布向量;
输出模块,用于根据所述概率分布向量,至少输出所述待识别岩石属于一类岩石类别的概率或所述待识别岩石所属的岩石类别的上位类别;
利用预设岩石分类空间对所述特征向量所属的岩石类别进行判定,包括:
将所述特征向量映射到所述预设岩石分类空间中,得到所述特征向量在所述预设岩石分类空间中的第一投射点;
计算所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离;其中,每个中心点与一类岩石类别对应;
根据所述第一投射点与所述预设岩石分类空间中预设的多个中心点的距离,确定与所述特征向量距离最近的目标中心点;
根据所述目标中心点的岩石类别,对所述特征向量所属的岩石类别进行判定。
7.根据权利要求6所述的装置,其特征在于,所述装置还包括:
获得模块,用于获得已上传网站***的所述待识别岩石的图片;
所述第一识别模块包括:
识别子模块,用于在所述网站***的岩石识别界面中,在接收到岩石识别业务的触发操作时,对待识别岩石的图片进行特征抽取。
8.一种可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-5任一所述的方法中的步骤。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行时实现如权利要求1-5任一所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270883.XA CN112348100B (zh) | 2020-11-13 | 2020-11-13 | 一种岩石识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011270883.XA CN112348100B (zh) | 2020-11-13 | 2020-11-13 | 一种岩石识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112348100A CN112348100A (zh) | 2021-02-09 |
CN112348100B true CN112348100B (zh) | 2021-12-17 |
Family
ID=74363685
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011270883.XA Active CN112348100B (zh) | 2020-11-13 | 2020-11-13 | 一种岩石识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112348100B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112801205B (zh) * | 2021-02-20 | 2022-04-15 | 中国科学院地质与地球物理研究所 | 岩石纹层结构的获取方法及装置 |
CN113159112B (zh) * | 2021-03-09 | 2023-04-07 | 西南石油大学 | 一种古生物化石图像自动标注方法 |
CN113537380A (zh) * | 2021-07-29 | 2021-10-22 | 北京数美时代科技有限公司 | 一种色情图像识别方法、***、存储介质和电子设备 |
CN113670859B (zh) * | 2021-09-24 | 2023-11-17 | 湖北省地震局(中国地震局地震研究所) | 一种野外快速识别岩石成像对比识别***及方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2010017300A1 (en) * | 2008-08-06 | 2010-02-11 | Halliburton Energy Services, Inc. | Systems and methods employing cooperative optimization-based dimensionality reduction |
CN103699889A (zh) * | 2014-01-06 | 2014-04-02 | 成都理工大学 | 一种基于高光谱遥感技术的尾矿识别方法及*** |
CN109388816A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 一种复杂岩性的分级识别方法 |
CN108197630A (zh) * | 2018-03-19 | 2018-06-22 | 中国矿业大学(北京) | 一种基于自学习的煤岩识别方法 |
CN108596163A (zh) * | 2018-07-10 | 2018-09-28 | 中国矿业大学(北京) | 一种基于cnn和vlad的煤岩识别方法 |
CN110232419A (zh) * | 2019-06-20 | 2019-09-13 | 东北大学 | 一种边坡岩石类别自动识别的方法 |
CN110610165A (zh) * | 2019-09-18 | 2019-12-24 | 上海海事大学 | 一种基于yolo模型的船舶行为分析方法 |
-
2020
- 2020-11-13 CN CN202011270883.XA patent/CN112348100B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112348100A (zh) | 2021-02-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112348100B (zh) | 一种岩石识别方法、装置、设备及存储介质 | |
CN105426857B (zh) | 人脸识别模型训练方法和装置 | |
CN108121984B (zh) | 一种字符识别方法及装置 | |
CN105283902B (zh) | 图像处理装置、图像处理方法、以及图像处理程序的存储介质 | |
CN109902833B (zh) | 机器学习模型解释方法以及装置 | |
CN109815976A (zh) | 一种证件信息识别方法、装置及设备 | |
CN107977390B (zh) | 绘本识别方法、装置、***及电子设备 | |
CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
CN110399763B (zh) | 人脸识别方法与*** | |
CN109977765A (zh) | 人脸图像识别方法、装置及计算机设备 | |
CN103474065A (zh) | 基于自动分类技术的语音意图判定识别方法 | |
CN109040605A (zh) | 拍摄引导方法、装置及移动终端和存储介质 | |
CN107038462B (zh) | 设备控制操作方法及*** | |
CN107766868A (zh) | 一种分类器训练方法及装置 | |
CN111861488A (zh) | 机器学习模型对比方法及装置 | |
CN111414951B (zh) | 用于图像的细分类方法及装置 | |
CN110969240B (zh) | 一种深度卷积神经网络的剪枝方法、装置、设备及介质 | |
CN111814538A (zh) | 目标对象的类别识别方法、装置、电子设备及存储介质 | |
CN114065340B (zh) | 基于机器学习的施工场地安全监测方法及***、存储介质 | |
CN112417918B (zh) | 二维码识别方法、装置、存储介质及电子设备 | |
CN110427998A (zh) | 模型训练、目标检测方法及装置、电子设备、存储介质 | |
CN111582354B (zh) | 图片识别方法、装置、设备及存储介质 | |
CN111144902A (zh) | 问卷数据的处理方法和装置、存储介质和电子设备 | |
CN105959911A (zh) | 识别用户的方法及装置 | |
CN116010572A (zh) | 人机对话的处理方法、装置、存储介质及电子设备 |
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 |