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....

Full description

Saved in:
Bibliographic Details
Published in有色金属工程 Vol. 12; no. 5; pp. 84 - 93
Main Authors 杨彪, 倪瑞璞, 高皓, 马亦骥, 曾德明
Format Journal Article
LanguageChinese
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 AccessGet full text
ISSN2095-1744
DOI10.3969/j.issn.2095-1744.2022.05.011

Cover

More Information
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