[发明专利]一种基于分布外检测的矿物识别方法与系统

说明书

本发明公开了一种基于分布外检测的矿物识别方法与系统，所述方法与系统包括卷积神经网络(CNN)和单类支持向量机(OCSVM)，首先固定OCSVM的参数令其输出判别为已知类，使用带有类别标签的矿物图像对CNN训练得到可以识别已知类矿物的CNN，然后固定CNN权重并用已知类矿物图像在此CNN的第2层特征向量训练OCSVM得到已知类矿物所在的高维空间超平面；2步训练完成后系统在识别实际矿物图像时将首先判断其是否在已知类矿物所在的高维空间超平面上，如果不在输出其为未知类，否则输出其为各已知类矿物的概率，本发明解决了现有方法与系统把不属于训练集类别的矿物识别为训练集中类别的误识别问题。

技术领域

本发明涉及矿物识别领域，特别是指一种基于分布外检测的对学习过的矿物类别具有较高识别率、未学习过的矿物类别不会误识别为学习过的矿物类别的方法与系统。

背景技术

矿物识别是地质工作中的重要任务，快速、准确地识别矿物有助于对区域矿产资源进行确认和评估，具有重大经济和战略价值。目前深度学习已被应用于矿物识别，其采用大量已知类别的矿物图像训练出识别模型，然后将实际矿物图像输入模型，由模型来判别该图像对应的矿物类别。该方法已成为当前矿物识别的研究热点，但其仅能识别训练过的矿物类别、如果待识别的矿物不属于模型训练过的类别也会被误识别为训练过的某种矿物类别。

发明内容

为此，本发明提供一种基于分布外检测的矿物识别方法与系统，以解决现有识别方法遇到未学习过的矿物类别会误识别为某种已学习过的矿物类别问题。

为实现上述目的，本发明实施例提供如下技术方案：

本发明提供一种基于分布外检测的矿物识别方法与系统，其特征在于，所述基于分布外检测的矿物识别方法与系统包括卷积神经网络和单类支持向量机，所述方法包括2步训练：

训练步骤1：固定单类支持向量机参数使其输出判别为已知类，使用已知类矿物图像训练卷积神经网络，得到能够识别已知类矿物的卷积神经网络；

训练步骤2：固定已训练好的卷积神经网络权重，使用同样的已知类矿物图像训练单类支持向量机，具体为将已知类矿物训练图像输入训练好的卷积神经网络并将其第2层的特征向量输入单类支持向量机，设置单类支持向量机的核函数进行训练得到已知类矿物训练数据所在的高维空间超平面；

所述方法2步训练完成后实际识别矿物时，首先输入待识别的矿物图像至卷积神经网络，获得卷积神经网络第2层的矿物图像特征向量后输入单类支持向量机，如果判断该待识别矿物不在已知类矿物所在的高维空间超平面上则其为未知类矿物，识别结束，输出待识别矿物为未知类，如果单类支持向量机判断该待识别矿物在已知类矿物所在的高维空间超平面上则其为已知类矿物，继续卷积神经网络3层及之后的识别操作，输出待识别矿物为各已知类的概率。

本发明实施例具有如下优点：

本发明实施例公开了一种基于分布外检测的矿物识别方法与系统，使用带有类别标签的矿物图像对卷积神经网络和单类支持向量机进行两步训练，训练完成后将待识别的矿物图像输入系统，判断其是否属于已知类，如果属于已知类，则输出此矿物可能为各已知类矿物的概率，否则输出该矿物为未知类。该方法与系统具有将不属于模型学习过的待识别矿物判断为未知类矿物的能力，避免了目前方法与系统将其误判断为某种模型学习过的矿物问题。

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。