一种基于深度学习下对显微镜下金属矿物的识别方法技术

本发明专利技术公开了一种基于深度学习下对显微镜下金属矿物的识别方法，通过获取待识别的显微镜下未知金属矿物图像，将所述显微镜下未知金属矿物图像进行预处理，得到第一目标图像，将所述第一目标图像输入到预先训练好的神经网络模型中，得到所述未知金属矿物的种类。本发明专利技术利用图像识别的技术，对大量镜下图像进行金属矿物的识别，从而得到关于岩相特征更为全面的判断，成本低，同时该判断过程也排除了人为估计的主观性和环境因素的干扰，提高识别准确率，且扩大了使用范围，较传统图像识别方法更加注重数据驱动进行特征提取，鲁棒性、泛化能力强。能力强。能力强。

【技术实现步骤摘要】
一种基于深度学习下对显微镜下金属矿物的识别方法


[0001]本申请涉及金属矿物的识别
，特别是涉及一种基于深度学习下对显微镜下金属矿物的识别方法、系统、计算机设备和存储介质。

技术介绍

[0002]随社会对金属的需求量在不断加大，对金属矿石的开采和鉴定也提出了更高的要求。电子探针分析技术和反射偏光显微技术是常见的金属矿石鉴定方法。电子探针分析技术存在缺点：仪器昂贵，需要后期的维护和保养，不适合在平常学习和工作中的使用；仪器笨重不利于携带，限制使用范围；人群受众有限，需要有一定经验的人进行操作。反射偏光显微镜技术鉴定金属矿物，主要是利用金属矿物的光学性质、物理性质来识别金属矿物；反射率相近的矿物，难以用简易比较法测定反射率的级别，反射色相近的矿物，难以用精确的语言描述；由于人的个体差异，对显微镜下矿物颜色的观察更是困难，误差大。
[0003]近年来智能学习在图像智能分类和识别方面取得突破性进展；地质工作中，大数据与人工智能研究仍处于起步阶段，总体应用较少。如何立足当前大数据与人工智能时代，构建镜下金属矿物自动识别与分类方法，仍然是尚未很好解决的科学技术问题。传统方法图像识别中特征提取主要依赖人工设计的提取器，需要有专业知识及复杂的调参过程，同时每个方法都是针对具体应用，泛化能力及鲁棒性较差。

技术实现思路

[0004]基于此，针对上述技术问题，提供一种基于深度学习下对显微镜下金属矿物的识别方法、系统、计算机设备和存储介质。
[0005]第一方面，一种基于深度学习下对显微镜下金属矿物的识别方法，所述方法包括：
[0006]获取待识别的显微镜下未知金属矿物图像；
[0007]将所述显微镜下未知金属矿物图像进行预处理，得到第一目标图像；
[0008]将所述第一目标图像输入到预先训练好的神经网络模型中，得到所述未知金属矿物的种类，其中，所述预先训练好的神经网络模型输入为所述显微镜下未知金属矿物图像进行预处理后的第一目标图像，所述预先训练好的神经网络模型输出为金属矿物种类；
[0009]所述预先训练好的神经网络模型的训练过程具体为：
[0010]获取黄铜矿、黄铁矿、自然金、毒砂、辉锑矿、方铅矿和闪锌矿7种不同的类型金属矿物显微镜下图片，并将其进行分类，将其相同类型的金属矿物显微镜下图片放入一个文件内，得到对应7份文件；
[0011]将所述7份文件内图像化为统一格式，并进行图像数据的审核与筛选，最后为每一份文件贴上标签，将其作为神经网络输入；
[0012]采用在线预处理方式，将图像进行归一化处理，训练阶段对图像进行随机水平翻转，随机垂直翻转，随机旋转，计算随机选取的500张样本图像像素的均值和方差，将计算出来的均值和方法进行归一化处理，以此来平衡图像亮度和RGB分布，其中，测试阶段不采用
数据扩增，仅对图像进行归一化处理；
[0013]采用vgg16作为主干网，利用Imagenet预训练权重进行微调，采用在线数据扩增的方式进行数据增广，训练100轮次，SGD优化算法，采用crossentropy作为损失函数，初始学习率0.1，每20轮学习率下降为原始的0.1倍；
[0014]得到训练好的神经网络模型。
[0015]上述方案中，可选地，所述待识别的显微镜下未知金属矿物种类包括：黄铜矿、黄铁矿、自然金、毒砂、辉锑矿、方铅矿和闪锌矿。
[0016]上述方案中，进一步可选地，所述将所述显微镜下未知金属矿物图像进行预处理具体为：使用OpenCV的活动窗口对所述显微镜下未知金属矿物图像进行图像截取，得到只包括一种显微镜下未知金属矿物的图像作为目标图像。
[0017]上述方案中，进一步可选地，所述采用vgg16作为主干网，利用Imagenet预训练权重进行微调，采用在线数据扩增的方式进行数据增广，训练100轮次，SGD优化算法，采用crossentropy作为损失函数，初始学习率0.1，每20轮学习率下降为原始的0.1倍，具体步骤为：
[0018]采用Keras框架搭建VGG16网络，输入单通道灰度图像，加快模型的训练，Conv2D卷积层的padding为same，给图像矩阵四周都加上0，卷积核使用he_uniform，大小为3x3，卷积核个数为64，一个卷积核扫完图像矩阵数据后，生成一个新的矩阵，64个卷积核生成64个新的矩阵；
[0019]使用BN层，加快模型训练，卷积后使用relu激活函数，使用最大池化，通过池化层减小数据空间大小，控制过拟合，池化的小矩阵是2x2，默认步长2x2，经过池化后，矩阵长宽降低一半，做13层卷积和相应池化操作后，使用Flatten()，将数据拉平，变为一维向量，最后做7个全连接层识别7类图像；
[0020]反向传播，输入图片和标签，使得loss最小化，定义损失函数crossentropy，然后通过计算网络真实输出和真实标签之间的误差，得到网络的损失值loss；最后通过loss.backward完成误差的反向传播，初始学习率0.1，每20轮学习率下降为原始的0.1倍。
[0021]上述方案中，进一步可选地，将所述7份文件内图片化为统一格式之前还包括：将所述7份文件内图片进行预处理，对所述7份文件内图片进行截取，得到只包括一种金属矿物的图像。
[0022]上述方案中，进一步可选地，所述7份文件内图片数量的80％存储为训练集文件，20％存储为测试集文件。
[0023]上述方案中，进一步可选地，所述得到训练好的神经网络模型之后还包括测试集验证，具体为：将测试集文件输入所述神经网络模型，进行softmax分布，求得最大概率所属类别，将概率最大值位置作为类别输出。
[0024]第二方面，一种基于深度学习下对显微镜下金属矿物的识别系统，所述系统包括：
[0025]获取模块：用于获取待识别的显微镜下未知金属矿物图像；
[0026]处理模块：用于将所述显微镜下未知金属矿物图像进行预处理，得到第一目标图像；
[0027]识别模块：用于将所述第一目标图像输入到预先训练好的神经网络模型中，得到所述未知金属矿物的种类，其中，所述预先训练好的神经网络模型输入为所述显微镜下未
知金属矿物图像进行预处理后的第一目标图像，所述预先训练好的神经网络模型输出为金属矿物种类；
[0028]训练模块：用于获取黄铜矿、黄铁矿、自然金、毒砂、辉锑矿、方铅矿和闪锌矿7种不同的类型金属矿物显微镜下图片，并将其进行分类，将其相同类型的金属矿物显微镜下图片放入一个文件内，得到对应7份文件；
[0029]将所述7份文件内图像化为统一格式，并进行图像数据的审核与筛选，最后为每一份文件贴上标签，将其作为神经网络输入；
[0030]采用在线预处理方式，将图像进行归一化处理，训练阶段对图像进行随机水平翻转，随机垂直翻转，随机旋转，计算随机选取的500张样本图像像素的均值和方差，将计算出来的均值和方法进行归一化处理，以此来平衡图像亮度和RGB分布，其中，测试本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习下对显微镜下金属矿物的识别方法，其特征在于，所述方法包括：获取待识别的显微镜下未知金属矿物图像；将所述显微镜下未知金属矿物图像进行预处理，得到第一目标图像；将所述第一目标图像输入到预先训练好的神经网络模型中，得到所述未知金属矿物的种类，其中，所述预先训练好的神经网络模型输入为所述显微镜下未知金属矿物图像进行预处理后的第一目标图像，所述预先训练好的神经网络模型输出为金属矿物种类；所述预先训练好的神经网络模型的训练过程具体为：获取黄铜矿、黄铁矿、自然金、毒砂、辉锑矿、方铅矿和闪锌矿7种不同的类型金属矿物显微镜下图片，并将其进行分类，将其相同类型的金属矿物显微镜下图片放入一个文件内，得到对应7份文件；将所述7份文件内图像化为统一格式，并进行图像数据的审核与筛选，最后为每一份文件贴上标签，将其作为神经网络输入；采用在线预处理方式，将图像进行归一化处理，训练阶段对图像进行随机水平翻转，随机垂直翻转，随机旋转，计算随机选取的500张样本图像像素的均值和方差，将计算出来的均值和方差进行归一化处理，以此来平衡图像亮度和RGB分布，其中，测试阶段不采用数据扩增，仅对图像进行归一化处理；采用vgg16作为主干网，利用Imagenet预训练权重进行微调，采用在线数据扩增的方式进行数据增广，训练100轮次，SGD优化算法，采用crossentropy作为损失函数，初始学习率0.1，每20轮学习率下降为原始的0.1倍；得到训练好的神经网络模型。2.根据权利要求1所述的方法，其特征在于，所述待识别的显微镜下未知金属矿物种类包括：黄铜矿、黄铁矿、自然金、毒砂、辉锑矿、方铅矿和闪锌矿。3.根据权利要求1所述的方法，其特征在于，所述将所述显微镜下未知金属矿物图像进行预处理具体为：使用OpenCV的滑动窗口对所述显微镜下未知金属矿物图像进行图像截取，得到只包括一种显微镜下未知金属矿物的图像作为目标图像。4.根据权利要求1所述的方法，其特征在于，所述采用vgg16作为主干网，利用Imagenet预训练权重进行微调，采用在线数据扩增的方式进行数据增广，训练100轮次，SGD优化算法，采用crossentropy作为损失函数，初始学习率0.1，每20轮学习率下降为原始的0.1倍，具体步骤为：采用Keras框架搭建VGG16网络，输入单通道灰度图像，加快模型的训练，Conv2D卷积层的padding为same，给图像矩阵四周都加上0，卷积核使用he_uniform，大小为3x3，卷积核个数为64，一个卷积核扫完图像矩阵数据后，生成一个新的矩阵，64个卷积核生成64个新的矩阵；使用BN层，加快模型训练，卷积后使用relu激活函数，使用最大池化，通过池化层减小数据空间大小，控制过拟合，池化的小矩阵是2x2，默认步长2x2，经过池化后，矩阵长宽降低一半，做13层卷积和相应池化操作后，使用Flatten...

【专利技术属性】
技术研发人员：邱昆峰，邓军，才艺伟，周统，于皓丞，
申请(专利权)人：中国地质大学北京，
类型：发明
国别省市：