CN113128404A - 一种矿物智能识别方法及*** - Google Patents
一种矿物智能识别方法及*** Download PDFInfo
- Publication number
- CN113128404A CN113128404A CN202110423576.9A CN202110423576A CN113128404A CN 113128404 A CN113128404 A CN 113128404A CN 202110423576 A CN202110423576 A CN 202110423576A CN 113128404 A CN113128404 A CN 113128404A
- Authority
- CN
- China
- Prior art keywords
- characteristic
- mineral
- information
- component information
- training
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
- G06V10/464—Salient features, e.g. scale invariant feature transforms [SIFT] using a plurality of salient features, e.g. bag-of-words [BoW] representations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Spectrometry And Color Measurement (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种矿物智能识别方法及***,通过获取待测矿物的主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征,并计算所述主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征各自对应的权重值从而得到特征向量,根据特征向量对矿物识别模型进行训练,将待测矿物输入训练好的矿物识别模型中,从而实现了待测矿物的分类识别。本发明通过多项识别特征对矿物识别模型进行训练,提高了矿物识别的精确程度。
Description
技术领域
本发明涉及矿物智能识别技术领域,特别是涉及一种矿物智能识别方法及***。
背景技术
随着检测技术的发展,矿物学研究越来越多的依靠大型仪器分析测试技术,对于矿物识别和岩石成分的鉴定结果更加准确、可靠。但是对于非分析测试的地质学研究人员而言,拿到检测报告只是各种化学成分,只有通过查阅矿物化学分析的相关书籍,才能最获得研究人员想要的矿物名称。这种从矿物的化学成分转化到矿物名称的过程只靠人工核对,不仅效率极低而且结果不够准确。很多大类相同的矿物或者发生元素类质同象的矿物,单从主量元素成分并不能准确区分,只有结合微量元素、岩石薄片显微镜下光性特征和手标本的鉴别特征(如晶型、颜色、划痕等),才能最终获得准确的矿物名称。
现有技术中通常采用图像识别方法的数字化智能矿物识别分类技术。该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识别的任务,但仅仅通过图像特征进行训练,往往识别结果精度较低,而且矿物实物图片或者高光谱图片不同类别之间没有较为明显的特征区别,换句话说,不同种类的矿物之间的区别并不能仅仅通过图像进行区分,这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
本发明的目的是提供一种矿物智能识别方法及***,通过多项识别特征对矿物识别模型进行训练,并将训练好的矿物识别模型对矿物进行智能识别,从而提高了矿物识别的精确程度。
为实现上述目的,本发明提供了如下方案:
一种矿物智能识别方法,包括:
获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征;
计算所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征各自对应的权重值;
将所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量;
将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度;
根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
优选地,所述矿物类型识别模型的确定方法为:
获取待训练矿物的特征信息数据;
对所述待训练矿物的特征信息数据进行类别标注,得到标注信息;
确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、晶型特征、颜色特征、划痕特征和对应的标注信息;
计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量;
计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、晶型特征的权重值、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、所述微量成分信息、所述晶型特征、所述颜色特征和所述划痕特征与其各自对应的权重值相乘,得到第二特征向量;
构建卷积神经网络模块和全连接网络模块;
将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练;
将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练,并将训练好的卷积神经网络模块和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
优选地,所述将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练,具体包括:
根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数;
以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到训练好的卷积神经网络。
优选地,所述获取待训练矿物的特征信息数据,具体包括:
在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
优选地,所述主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、所述颜色特征和所述划痕特征为文本型数据。
一种矿物智能识别***,包括:
获取单元,用于获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征;
计算单元,用于计算所述主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征各自对应的权重值;
向量获取单元,用于将所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量;
预测单元,用于将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度;
确定单元,用于根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
优选地,还包括模型确定单元;所述模型确定单元具体包括:
获取模块,用于获取待训练矿物的特征信息数据;
标注模块,用于对所述待训练矿物的特征信息数据进行类别标注,得到标注信息;
训练集确定模块,用于确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、晶型特征、颜色特征、划痕特征和对应的标注信息;
第一向量确定模块,用于计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量;
第二向量确定模块,用于计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、晶型特征的权重值、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、微量成分信息、晶型特征、颜色特征和划痕特征与其各自对应的权重值相乘,得到第二特征向量;
构建模块,用于构建卷积神经网络模块和全连接网络模块;
第一模型确定模块,用于将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练;
第二模型确定模块,用于将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练,并将训练好的卷积神经网络和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
优选地,所述第一模型确定模块具体包括:
损失函数确定子模块,用于根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数;
训练子模块,用于以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到训练好的卷积神经网络。
优选地,所述获取模块包括:
获取子模块,用于在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
优选地,所述主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、所述颜色特征和所述划痕特征为文本型数据。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明提供一种矿物智能识别方法及***,通过获取待测矿物的主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征,并计算所述主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征各自对应的权重值从而得到特征向量,根据特征向量对矿物识别模型进行训练,将待测矿物输入训练好的矿物识别模型中,从而实现了待测矿物的分类识别。本发明通过多项识别特征对矿物识别模型进行训练,提高了矿物识别的精确程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例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发明的一些实施例,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为本发明一种矿物智能识别方法的方法流程图;
图2为本发明提供的实施例中计算特征向量的示意图;
图3为本发明一种矿物智能识别***的模块连接图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
本发明的目的是提供一种通过多项识别特征对矿物识别模型进行训练,并将训练好的矿物识别模型对矿物进行智能识别,从而提高了矿物识别的精确程度。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明一种矿物智能识别方法的方法流程图,如图1所示,本发明一种矿物智能识别方法,包括:
步骤100:获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征。
步骤200:计算所述主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征各自对应的权重值。
步骤300:将所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量。
步骤400:将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度。
可选地,所述矿物智能识别模型包括矿物类型识别模型和置信度预测模型。
步骤500:根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
图2为本发明提供的实施例中计算特征向量的示意图,如图2所示,本发明通过识别特征与各自对应的权值进行相乘,得到所述特征向量。本发明提供的特征向量中主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、颜色特征和所述划痕特征为文本型数据。
可选地,本发明涉及的主要特征主要包含矿物的主量成分主要,微量成分,光性特征和肉眼观察到的晶体晶型、颜色,划痕等文本信息。主量成分和微量成分特征主要是以数值方式组织,光性特征以图片方式呈现,而通过肉眼观察到的信息是以自然语句呈现。对于图片数据,通过CNN等方式提取图像特征,自然文本特征,通过词向量的方式表征提取。
具体的,本发明采用专家矿物数据分析***,对各个特征进行分析,得到各自对应的权值。
可选地,所述特征向量可以包括一个特征向量,也可以包括多个特征向量。
优选地,所述矿物类型识别模型的确定方法为:
获取待训练矿物的特征信息数据。
对所述待训练矿物的特征信息数据进行类别标注,得到标注信息。
确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、晶型特征、颜色特征、划痕特征和对应的标注信息。
计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量。
计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、晶型特征、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、微量成分信息、晶型特征、颜色特征和划痕特征与其各自对应的权重值相乘,得到第二特征向量。
构建卷积神经网络模块和全连接网络模块。
将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练。
具体的,训练好的卷积神经网络模块确定为所述矿物类型识别模型。
将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练。
作为一种可选的实施方式,训练好的全连接网络模块确定为所述置信度预测模型。
将训练好的卷积神经网络和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
作为一种可选的实施方式,所述卷积神经网络模块之前分类器预训练单元分类器预训练单元包括神经网络训练用数据集生成模块,所述神经网络训练用数据集生成模块对用于训练神经网络的待训练矿物的特征信息数据中的光性特征进行预处理和第一训练集的创建,所述卷积神经网络训练模块以神经网络训练用数据集生成模块输出的第一训练集和标注信息为输入,进行神经网络的计算。
可选地,所述卷积神经网络模块和全连接网络模块训练完成后,向卷积神经网络模块输入待测矿物的图片,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,将第二特征向量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和矿物名称。
优选地,所述将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练,具体包括:
根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数。
以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到所述矿物类型识别模型。
优选地,所述获取待训练矿物的特征信息数据,具体包括:
在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
图3为本发明一种矿物智能识别***的模块连接图,如图3所示,本发明一种矿物智能识别***,包括:
获取单元,用于获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征。
计算单元,用于计算所述主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征各自对应的权重值。
向量获取单元,用于将所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量。
预测单元,用于将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度。
确定单元,用于根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
优选地,还包括模型确定单元;所述模型确定单元具体包括:
获取模块,用于获取待训练矿物的特征信息数据。
标注模块,用于对所述待训练矿物的特征信息数据进行类别标注,得到标注信息。
训练集确定模块,用于确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、晶型特征、颜色特征、划痕特征和对应的标注信息。
第一向量确定模块,用于计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量。
第二向量确定模块,用于计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、晶型特征、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、微量成分信息、颜色特征和划痕特征与其各自对应的权重值相乘,得到第二特征向量。
构建模块,用于构建卷积神经网络模块和全连接网络模块。
第一模型确定模块,用于将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练。
第二模型确定模块,用于将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练,并将训练好的卷积神经网络模块和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
优选地,所述第一模型确定模块具体包括:
损失函数确定子模块,用于根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数。
训练子模块,用于以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到训练好的卷积神经网络模块。
优选地,所述获取模块包括:
获取子模块,用于在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
优选地,所述主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、所述颜色特征和所述划痕特征为文本型数据。
本发明的有益效果如下:
(1)本发明通过多项识别特征对矿物识别模型进行训练,并将训练好的矿物识别模型对矿物进行智能识别,从而提高了矿物识别的精确程度。
(2)本发明通过利用申请者积累多年的矿物数据特征库(矿物化学组成、晶体生长特点、光性特征和手标本肉眼鉴别特征),利用机器大数据学习的方法对未知矿物进行智能识别,实现了自动检测和识别矿物名称的目的,提高了识别过程的自动化程度。
本说明书中各个实施例采用递进的方式描述,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部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,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发明的限制。
Claims (10)
1.一种矿物智能识别方法,其特征在于,包括:
获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征;
计算所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征各自对应的权重值;
将所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量;
将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度;
根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
2.根据权利要求1所述的矿物智能识别方法,其特征在于,所述矿物类型识别模型的确定方法为:
获取待训练矿物的特征信息数据;
对所述待训练矿物的特征信息数据进行类别标注,得到标注信息;
确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、颜色特征、划痕特征和对应的标注信息;
计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量;
计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、晶型特征的权重值、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、所述微量成分信息、所述晶型特征、所述颜色特征和所述划痕特征与其各自对应的权重值相乘,得到第二特征向量;
构建卷积神经网络模块和全连接网络模块;
将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练;
将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练,并将训练好的卷积神经网络模块和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
3.根据权利要求1所述的矿物智能识别方法,其特征在于,所述将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练,具体包括:
根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数;
以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到训练好的卷积神经网络。
4.根据权利要求2所述的矿物智能识别方法,其特征在于,所述获取待训练矿物的特征信息数据,具体包括:
在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
5.根据权利要求1所述的矿物智能识别方法,其特征在于,所述主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、所述颜色特征和所述划痕特征为文本型数据。
6.一种矿物智能识别***,其特征在于,包括:
获取单元,用于获取待测矿物的特征信息数据;所述特征信息数据包括主量成分信息、微量成分信息、光性特征、晶型特征、颜色特征和划痕特征;
计算单元,用于计算所述主量成分信息、所述微量成分信息、所述光性特征、所述晶型特征、所述颜色特征和所述划痕特征各自对应的权重值;
向量获取单元,用于将所述主量成分信息、所述微量成分信息、所述光性特征、所述颜色特征和所述划痕特征与各自对应的权重值相乘,得到特征向量;
预测单元,用于将所述特征向量输入矿物智能识别模型中,得到预测矿物名称和预测置信度;
确定单元,用于根据所述预测矿物名称和所述预测置信度确定所述待测矿物的分类结果。
7.根据权利要求6所述的矿物智能识别***,其特征在于,还包括模型确定单元;所述模型确定单元具体包括:
获取模块,用于获取待训练矿物的特征信息数据;
标注模块,用于对所述待训练矿物的特征信息数据进行类别标注,得到标注信息;
训练集确定模块,用于确定第一训练集和第二训练集;所述第一训练集包括所述待训练矿物的特征信息数据中的光性特征和对应的标注信息;所述第二训练集包括所述待训练矿物的特征信息数据中的主量成分信息、微量成分信息、晶型特征、颜色特征、划痕特征和对应的标注信息;
第一向量确定模块,用于计算所述第一训练集中光性特征的权重值,并将所述第一训练集中光性特征与所述光性特征的权重值相乘,得到第一特征向量;
第二向量确定模块,用于计算所述第二训练集中主量成分信息的权重值、微量成分信息的权重值、颜色特征的权重值和划痕特征的权重值,并将所述主量成分信息、所述微量成分信息、所述晶型特征、所述颜色特征和所述划痕特征与其各自对应的权重值相乘,得到第二特征向量;
构建模块,用于构建卷积神经网络模块和全连接网络模块;
第一模型确定模块,用于将所述第一特征向量和所述第一训练集中的标注信息输入所述卷积神经网络模块进行训练;
第二模型确定模块,用于将所述第二特征向量和所述第二训练集中的标注信息输入所述全连接网络模块进行训练,并将训练好的卷积神经网络模块和全连接网络模块进行合并输入到一个全连接神经网络,所述全连接神经网络的输出作为预测结果的输出。
8.根据权利要求6所述的矿物智能识别***,其特征在于,所述第一模型确定模块具体包括:
损失函数确定子模块,用于根据所述第一特征向量和所述第一训练集中的标注信息确定损失函数;
训练子模块,用于以所述损失函数最小为目标,采用梯度下降优化算法对所述卷积神经网络模块进行训练,得到训练好的卷积神经网络模块。
9.根据权利要求6所述的矿物智能识别***,其特征在于,所述获取模块包括:
获取子模块,用于在矿物数据特征库中抽取特征信息数据作为待训练矿物的特征信息数据。
10.根据权利要求6所述的矿物智能识别***,其特征在于,所述主量成分信息和所述微量成分信息为数值型数据;所述光性特征为图片型数据;所述晶型特征、所述颜色特征和所述划痕特征为文本型数据。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110423576.9A CN113128404A (zh) | 2021-04-20 | 2021-04-20 | 一种矿物智能识别方法及*** |
AU2021102380A AU2021102380A4 (en) | 2021-04-20 | 2021-05-06 | Intelligent Mineral Identification Method and System |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110423576.9A CN113128404A (zh) | 2021-04-20 | 2021-04-20 | 一种矿物智能识别方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113128404A true CN113128404A (zh) | 2021-07-16 |
Family
ID=76442118
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110423576.9A Pending CN113128404A (zh) | 2021-04-20 | 2021-04-20 | 一种矿物智能识别方法及*** |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113128404A (zh) |
AU (1) | AU2021102380A4 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053268A (zh) * | 2010-11-18 | 2011-05-11 | 中国石油天然气股份有限公司 | 一种蚀变火山岩岩性识别方法及装置 |
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 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
CN111784642A (zh) * | 2020-06-10 | 2020-10-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
AU2020103251A4 (en) * | 2020-03-15 | 2021-01-14 | Jilin University | Method and system for identifying metallic minerals under microscope based on bp nueral network |
-
2021
- 2021-04-20 CN CN202110423576.9A patent/CN113128404A/zh active Pending
- 2021-05-06 AU AU2021102380A patent/AU2021102380A4/en not_active Ceased
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102053268A (zh) * | 2010-11-18 | 2011-05-11 | 中国石油天然气股份有限公司 | 一种蚀变火山岩岩性识别方法及装置 |
CN110119753A (zh) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | 一种重构纹理识别岩性的方法 |
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 |
AU2020103251A4 (en) * | 2020-03-15 | 2021-01-14 | Jilin University | Method and system for identifying metallic minerals under microscope based on bp nueral network |
CN111784642A (zh) * | 2020-06-10 | 2020-10-16 | 中铁四局集团有限公司 | 一种图像处理方法、目标识别模型训练方法和目标识别方法 |
Non-Patent Citations (2)
Title |
---|
许志华,吴立新: "《地灾与建筑损毁的无人机与地面LiDAR协同观测及评估》", 31 March 2019 * |
陈希廉等: "《地质学 修订版》", 31 July 1979 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115656053A (zh) * | 2022-10-19 | 2023-01-31 | 山东大学 | 岩石矿物含量测试方法及*** |
CN115656053B (zh) * | 2022-10-19 | 2024-05-31 | 山东大学 | 岩石矿物含量测试方法及*** |
Also Published As
Publication number | Publication date |
---|---|
AU2021102380A4 (en) | 2021-06-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135459B (zh) | 一种基于双三元组深度度量学习网络的零样本分类方法 | |
CN110287334A (zh) | 一种基于实体识别和属性抽取模型的学校领域知识图谱构建方法 | |
CN109241383B (zh) | 一种基于深度学习的网页类型智能识别方法及*** | |
CN114168906B (zh) | 一种基于云计算的测绘地理信息数据采集*** | |
CN109766277A (zh) | 一种基于迁移学习与dnn的软件故障诊断方法 | |
CN112597038B (zh) | 软件缺陷预测方法及*** | |
CN109978872B (zh) | 基于白质纤维束的白质微结构特征筛选***及方法 | |
CN110161480B (zh) | 基于半监督深度概率模型的雷达目标识别方法 | |
CN109460471B (zh) | 一种基于自学习的方式建立纤维种类图谱库的方法 | |
CN112836067B (zh) | 基于知识图谱的智能搜索方法 | |
CN106934055B (zh) | 一种基于不充分模态信息的半监督网页自动分类方法 | |
CN113779260B (zh) | 一种基于预训练模型的领域图谱实体和关系联合抽取方法及*** | |
CN109255289A (zh) | 一种基于统一式生成模型的跨衰老人脸识别方法 | |
CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
CN108959474A (zh) | 实体关系提取方法 | |
CN111400478A (zh) | 一种基于词嵌入匹配技术的知识图谱问答方法及装置 | |
CN110377802B (zh) | 一种新增试题的知识点标注方法及*** | |
CN115312183A (zh) | 医学检验报告智能解读方法及*** | |
CN113065356A (zh) | 一种基于语义分析算法的it设备运维故障建议处理方法 | |
CN109753649A (zh) | 基于细粒度匹配信号的文本相关性度量方法和*** | |
CN117252842A (zh) | 一种飞机蒙皮缺陷检测及网络模型训练方法 | |
CN114722204A (zh) | 多标签文本分类方法及装置 | |
CN113128404A (zh) | 一种矿物智能识别方法及*** | |
CN117217807B (zh) | 一种基于多模态高维特征的不良资产估值方法 | |
CN116312484B (zh) | 跨语言域不变声学特征提取方法和*** |
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 |