基于多分辨率图像的矿物特征自动提取与矿物智能识别模型
TP391%P575; 传统卷积神经网络运用于矿物种属鉴定时,由于其较大的参数量和固定输入图像分辨率的限制,需要充足的计算资源与一定的图像预处理能力,难以在实际勘探中部署.为此,基于深度可分离卷积,结合注意力机制,通过密集连接的方式构建矿物智能识别模型,且该模型可以对多分辨率矿物图像进行训练.实验结果表明,模型内存占用仅为20 M b,验证准确率与测试准确率均高于90%,分类效果优于经典卷积神经网络,表现出优异的正负例样本鉴别能力.以上结果证明,该模型在识别性能与内存占用上达到良好的平衡,适用于便携式设备,且能有效地对不同分辨率矿物图像进行识别,并有良好的泛化性,具有潜在的应用价值....
Saved in:
Published in | 有色金属工程 Vol. 12; no. 5; pp. 84 - 93 |
---|---|
Main Authors | , , , , |
Format | Journal Article |
Language | Chinese |
Published |
昆明理工大学非常规冶金教育部重点实验室,昆明650093%昆明理工大学信息工程与自动化学院,昆明650500
2022
昆明理工大学信息工程与自动化学院,昆明650500 昆明理工大学云南省人工智能重点实验室,昆明650500 |
Subjects | |
Online Access | Get full text |
ISSN | 2095-1744 |
DOI | 10.3969/j.issn.2095-1744.2022.05.011 |
Cover
Summary: | TP391%P575; 传统卷积神经网络运用于矿物种属鉴定时,由于其较大的参数量和固定输入图像分辨率的限制,需要充足的计算资源与一定的图像预处理能力,难以在实际勘探中部署.为此,基于深度可分离卷积,结合注意力机制,通过密集连接的方式构建矿物智能识别模型,且该模型可以对多分辨率矿物图像进行训练.实验结果表明,模型内存占用仅为20 M b,验证准确率与测试准确率均高于90%,分类效果优于经典卷积神经网络,表现出优异的正负例样本鉴别能力.以上结果证明,该模型在识别性能与内存占用上达到良好的平衡,适用于便携式设备,且能有效地对不同分辨率矿物图像进行识别,并有良好的泛化性,具有潜在的应用价值. |
---|---|
ISSN: | 2095-1744 |
DOI: | 10.3969/j.issn.2095-1744.2022.05.011 |