一种基于多标签图像分类的识别共生或伴生矿物的方法与系统与流程

1.本发明实施例涉及矿物识别技术领域，具体涉及一种基于多标签图像分类的识别共生或伴生矿物的方法与系统。


背景技术：

2.在地质研究、矿物开采以及矿产科研等方面，需要对矿产进行识别，传统识别方法需要结合现有记载的矿物图片和测量的矿物物理及化学性质进行比对，通常存在着效率低，误差大的问题。随着科技进步，深度学习技术的不断发展，逐渐出现矿物智能识别技术，矿物智能识别技术，是一种采用图像识别方法的数字化识别分类矿物的技术。多使用深度学习算法对矿物实物图片进行识别分类。通常先采集大量矿物实物图片用于深度学习算法的卷积神经网络训练，训练好后即可用于完成矿物的识别任务。
3.然而多数深度学习矿物识别研究采用大量较有区分度的数据集进行卷积神经网络的训练，来识别图片中仅包含一种矿物的情况。但由于现实生活中的矿物的生长环境较为复杂，多是伴生或共生的矿物，导致深度学习模型不能准确识别出矿物中所包含的所有矿物类别。


技术实现要素：

4.为此，本发明实施例提供一种基于多标签图像分类的识别共生或伴生矿物的方法与系统，以解决现有识别方法仅能对单一矿物进行识别导致的无法识别出共生或伴生矿物中所有矿物的问题。
5.为了实现上述目的，本发明实施例提供如下技术方案：
6.根据本发明实施例的第一方面，公开了一种基于多标签图像分类的识别共生或伴生矿物的系统，所述基于多标签图像分类的识别共生或伴生矿物系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块，利用带有多类别标签的矿物图片以及矿物的多个标签输入卷积神经网络模块和长短期记忆网络模块进行预先训练，训练完成后将采集的矿物实物图片输入系统，系统结合标签之间的依赖关系和输入的图片对矿物所属类别进行比对分析预测，输出矿物所属不同类别的概率大小，取概率值大于零的类别为该矿石所包含的所有类别。
7.进一步地，所述卷积神经网络模块和长短期记忆网络模块包括分类器预训练单元和分析预测单元，分类器预训练阶段包括数据集生成模块和用人工神经网络对数据的训练模块，分析预测单元包括神经网络推理预测模块和人机交互模块，所述数据集生成模块对用于训练人工神经网络的图像数据集进行创建并进行预处理，所述人工神经网络训练模块以数据集生成模块得到的图像数据集为输入，设置不同的参数进行人工神经网络训练，输出人工神经网络分类器，所述人工神经网络推理预测模块以实际现场采集的数据图像为输入，人工神经网络分类器对每张图中矿物所代表的类别进行自动推理预测，输出每一张图
像的各个类别标识，所述人机交互模块实现操作人员输入待预测的原始矿物图像。
8.进一步地，所述人工神经网络推理预测模块以实际现场采集的矿物图像为输入，通过设定的图像预处理器处理后，输送给人工神经网络分类器，人工神经网络分类器对图片中矿物所代表的类别进行自动推理预测。
9.进一步地，所述卷积神经网络模块训练完成后，输入采集的矿物图片，得到一维特征值向量。
10.进一步地，所述长短期记忆网络以从卷积神经网络得到的一维特征值向量为输入，得到未归一化的一维概率值向量。
11.进一步地，所述全连接网络以卷积神经网络得到的一维特征值向量为输入，得到另一个未归一化的一维概率值向量。
12.根据本发明实施例的第二方面，公开了一种基于多标签图像分类的识别共生或伴生矿物的方法，所述基于多标签图像分类的识别共生或伴生矿物的方法为：将采集的矿物图片输入至卷积神经网络，得到一维特征值向量；
13.将从卷积神经网络得到的一维特征值向量输入长短期记忆网络，得到未归一化的一维概率值向量；
14.将从卷积神经网络得到的一维特征值向量输入全连接网络得到未归一化的一维概率值向量；
15.将从长短期记忆网络和全连接网络得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量；
16.将新的未归一化的一维概率值向量进行归一化处理，输出待识别矿物所属不同类别的概率大小。
17.进一步地，所述采集的矿物实物图片输入基于多标签图像分类的识别共生或伴生矿物的系统。
18.进一步地，所述输出待识别矿物所属不同类别的概率中，取概率大于零的类别为该矿物所属的所有类别。
19.本发明实施例具有如下优点：
20.本发明实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的系统及方法，将带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预训练，训练完成后将采集到的矿物实物图片，输入系统，输出矿物所属不同类别的概率大小，取概率大于零的所属类别为该矿石中包含的所有类别，该方法能更加准确地识别伴生或共生矿物的类型。
附图说明
21.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。
22.本说明书所绘示的结构、比例、大小等，均仅用以配合说明书所揭示的内容，以供熟悉此技术的人士了解与阅读，并非用以限定本发明可实施的限定条件，故不具技术上的
实质意义，任何结构的修饰、比例关系的改变或大小的调整，在不影响本发明所能产生的功效及所能达成的目的下，均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
23.图1为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的系统连接示意图；
24.图2为本发明实施例提供的一种基于多标签图像分类的识别共生或伴生矿物的方法工作示意图；
25.图中：1
‑
待识别矿物图片、2
‑
卷积神经网络模型、3
‑
长短期记忆网络、4
‑
全连接网络、5
‑
第一向量、6
‑
第二向量、7
‑
第三向量、8
‑
第四向量、9
‑
第五向量。
具体实施方式
26.以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
27.实施例1
28.本实施例公开了一种基于多标签图像分类的识别共生或伴生矿物的系统，所述基于多标签图像分类的识别共生或伴生矿物的系统包括深度学习算法的卷积神经网络模块和长短期记忆网络模块，利用带有多个类别标签的矿物图片输入卷积神经网络模块和长短期记忆网络模块进行预先训练，训练完成后将采集的矿物实物图片输入系统，系统结合标签之间的依赖关系和输入的矿物图片对矿物所属类别进行分析预测，输出矿物所属不同类别的概率大小，取概率大于零的值所属类别为该矿石所包含的所有类别。
29.所述卷积神经网络模块和长短期记忆网络模块包括分类器预训练单元和分析预测单元，分类器预训练单元包括数据集生成模块和用人工神经网络对数据的训练模块，分析预测单元包括神经网络推理预测模块和人机交互模块，所述数据集生成模块对用于训练人工神经网络的图像数据集通过爬取矿产资源数据库平台(mindat.org)的图像数据进行创建并进行预处理，所述人工神经网络训练模块以数据集生成模块得到的图像数据集为输入，设置max_epoch为50、batch_size为64、learning_rate为0.001、优化器为adam进行人工神经网络训练，输出人工神经网络分类器。所述人工神经网络推理预测模块以实际现场采集的矿物图像为输入，通过设定的图像预处理器处理后，输送给人工神经网络分类器，人工神经网络分类器对图片中矿物所代表的类别进行自动推理预测，输出矿物图像的各个类别标识，所述人机交互模块实现操作人员输入待预测的原始矿物图像。
30.所述卷积神经网络模块采用的为nfnet，nfnet是一种不需要batch normalization的基于resnet的网络结构，训练完成后，输入采集的矿物实物图片，得到一维特征值向量，全连接网络和长短期记忆网络以从卷积神经网络得到的一维特征值向量作为输入，输出两个未归一化的一维概率值向量，然后将从全连接网络得到的未归一化的一维概率值向量和从长短期记忆网络得到的未归一化的一维概率值向量相加得到一个新的未归一化的一维概率值向量，将新的一维向量进行归一化处理，输出待识别矿物所属不同类别的概率大小。
31.实施例2
32.参考图1，本实施例公开了一种共生或伴生矿物识别分类方法，获取大量带有多个类别标签的矿物实物图片用于识别系统的训练，训练好后，输入待识别矿物的一张实物图片，系统即可输出判断结果。
33.参考图2，将待识别矿物图片1输入nfnet卷积神经网络模型2得到一个由特征值组成的第一向量5，将第一向量5分别输入lstm长短期记忆网络3和全连接网络4得到两个由概率值组成的第二向量6和第三向量7，将第二向量6与第三向量7相加得到第四向量8，第四向量8的长度与第二向量6和第三向量7长度相同，再将第三向量8进行归一化处理输出得到最终预测结果第四向量9，取预测结果中概率大于零的种类为所述类别矿物中包含的所有矿物类别。
34.虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。