[发明专利]矿石矿物图像自动识别与分类方法

摘要

本发明公开了一种矿石矿物图像自动识别与分类方法，本发明运用计算机视觉技术和深度卷积神经网络理论，利用大数据平台Tensorflow框架，建立卷积人工神经网络模型，并针对来自吉林夹皮沟金矿等不同地区黄铁矿石镜下照片进行图像数据输入模型训练学习，从而实现镜下黄铁矿石图片中不同矿石矿物的自动识别与分类。本发明可以辅助地质工作者来对矿石矿物的镜下照片进行识别与分类，提高地质工作者的工作效率。

主权项

1.矿石矿物图像自动识别与分类方法，其特征是包括以下步骤：步骤一：收集涵盖多种类型的岩石矿物镜下照片，并对图像参数统一调节及图像分割标注；步骤二：将输入照片的像素位置发生变化，得到更多的输入图像数据，实现图像数据增加处理；步骤三：根据岩石矿物的图像特征，运用Unet分割网络模型将镜下全岩照片按照矿物种类经过机器模型的有监督训练学习，该模型的岩石矿物自动识别与鉴定框架的构建与训练所对应的框架层次的具体解释如下：Step1:在输入层中直接将原始岩石矿物图像数据输入网络进行训练，并将原始岩石矿物镜下照片转换为572*572大小的特征图像；Step2：输入层在接收到原始的572*572岩石数据图像之后传播至第一个卷积层，然后经过两层的3*3卷积操作和欧拉激活函数转换之后变成64幅568*568大小的特征图像，在进入step3的同时，部分特征图像被截取为64个392*392大小的特征图像至step1；Step3:将上一步中64副568*568大小的特征图像进行2*2的最大池化操作得到64个248*248大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后变成128副280*280大小的特征图像；再进入step4的同时，部分特征图像被截取为step9中的256个200*200大小的特征图像；Step4:将经过上一层操作处理的特征图像进行2*2的最大池化操作得到128个140*140大小的特征图像，然后再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，然后部分特征图像被截取为1024个56*56大小的特征图像至step8；Step5：将上层中处理过的特征图像进行2*2的最大池化操作得到256个68*68大小的特征图像，再将图像数据进行两层的3*3卷积操作和欧拉激活函数转换之后变成512个64*64大小的特征图像，部分特征图像被截取为1024个56*56的图像数据至step7；Step6:将上一步操作中512个64*64大小的特征图像经过一次2*2的最大池化操作之后得到512个32*32大小的图像数据；然后再经过两层的3*3卷积操作和欧拉激活函数转换之后得到1024个8*8大小的特征图像；Step7:经过上一层操作处理的图像数据经过2*2的上卷积处理之后与经过step5中图像复制与截取处理得到的1024个56*56的图像数据共同得到1024个56*56大小的图像数据，并在此基础上再经过两层3*3卷积操作和欧拉激活函数转换之后得到512副52*52大小的特征图像；Step8:512副52*52大小的特征图像经过2*2的向上卷积处理之后结合step4中图像复制与截取处理得到的结果共同组成512个104*104大小的特征图像；再经过两层3*3卷积操作和欧拉激活函数转换之后得到256个100*100大小的特征图像；Step9:先经过向上卷积处理和step3中图像复制与截取处理后得到256个200*200大小的特征图像，然后经过两层3*3卷积操作和欧拉激活函数转换之后得到128个196*196大小的特征图像；Step10:先经过向上卷积处理和step2中图像复制与截取处理后得到128个392*392大小的特征图像；然后再经过两层的3*3卷积操作和欧拉激活函数转换后得到64个388*388大小的特征图像；最后再将64*388*388个神经元节点分别与五层572*572个神经元节点进行全连接，最终输出为五层572*572大小的输出层，分别标记为0‑4，即分别代表其他矿物、黄铜矿、黄铁矿、方铅矿及闪锌矿，并分别得出了各矿物的准确识别率，再结合统计学的方法可得出每种矿物所占比例。