耦合颜色和纹理特征的矿物图像数据深度学习模型与智能识别方法

被引：36

作者：

李明超 ^{[1
]}

刘承照 ^{[1
]}

张野 ^{[1
]}

朱月琴 ^{[2
,3
]}

机构：

[1] 天津大学水利工程仿真与安全国家重点实验室

[2] 中国地质调查局发展研究中心

[3] 自然资源部地质信息技术重点实验室

来源：

大地构造与成矿学 | 2020年 / 44卷 / 02期

基金：

国家重点研发计划;

关键词：

矿物识别; 图像分类; 深度学习; 迁移学习; 智能识别;

D O I：

10.16539/j.ddgzyckx.2020.02.004

中图分类号：

P628 [数学勘探];

学科分类号：

071208 [科技遗产与数字人文];

摘要：

在野外地质勘探过程中,矿物识别是一项重要的任务。但是在复杂的地质勘探条件下准确识别矿物是一项极具挑战性的任务。本文首先结合矿物知识,对图像中矿物的颜色和亮度进行判别,从而强化矿物图像的纹理特征,基于强化后的纹理特征,利用深度学习模型和迁移学习方法建立矿物深度学习模型;同时利用K-means算法提取矿物颜色特征,建立颜色特征模型;最终基于矿物识别深度学习模型和颜色特征模型,建立矿物图像的耦合识别模型,提出了一套完整的矿物智能识别分析方法。在深度学习模型建立过程中,共对19类矿物,总计6203张图像进行了训练,同时使用456张图像对耦合模型进行测试,其top-1准确率和top-3准确率分别达到72.2%和91.2%。基于所训练的模型,在Android系统开发了矿物图像智能识别应用系统,主要由矿物识别、矿物知识卡和矿物资料存储三个模块组成,提供矿物实时识别、矿物基础知识及实时储存等功能。作为野外地质勘察的辅助工具,此应用可以减少重复劳动,提升野外地质勘察的数字化和信息化水平。

引用

页码：203 / 211

页数：9

共 16 条

[1]

A computer vision system for identification of granite-forming minerals based on RGB data and artificial neural networks.[J].A. Ramil;A.J. López;J.S. Pozo-Antonio;T. Rivas.Measurement.2018,

[2]

Feature learning and change feature classification based on deep learning for ternary change detection in SAR images.[J].Maoguo Gong;Hailun Yang;Puzhao Zhang.ISPRS Journal of Photogrammetry and Remote Sensing.2017,

[3]

The application of artificial intelligence for the identification of the maceral groups and mineral components of coal.[J].Mariusz Mlynarczuk;Marta Skiba.Computers and Geosciences.2017,

[4]

Robust object proposals re-ranking for object detection in autonomous driving using convolutional neural networks.[J].Cuong Cao Pham;Jae Wook Jeon.Signal Processing: Image Communication.2017,

[5]

基于深度学习的矿岩图像识别技术研究 [J].