基于数据增强和集成学习的矿物图像识别

作     者：王琳 季晓慧 杨眉 何明跃 张招崇 曾姗 王玉柱 WANG Lin;JI Xiaohui;YANG Mei;HE Mingyue;ZHANG Zhaochong;ZENG Shan;WANG Yuzhu

作者机构：中国地质大学(北京)信息工程学院北京100083 中国地质大学(北京)国家岩矿化石标本资源库北京100083 中国地质大学(北京)地球科学与资源学院北京100083 

出 版 物：《地学前缘》 (Earth Science Frontiers)

年 卷 期：2024年第31卷第4期

页      面：87-94页

核心收录：

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 0709[理学-地质学] 070901[理学-矿物学、岩石学、矿床学] 07[理学] 08[工学] 081104[工学-模式识别与智能系统] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家科技资源共享服务平台——国家岩矿化石标本资源库子项目(NCSTI-RMF20230107) 

主　　题：矿物识别 深度卷积生成对抗网络 数据增强 集成学习 

摘      要：矿物识别是地质学研究的一个重要部分,对于资源勘探、岩石分类和地质环境监测都有着重要的意义。然而,传统方法通常依赖人的经验进行主观判断,并且效率低下。近年来,已有许多研究将深度学习的图像分类技术应用于矿物识别,以客观快速地识别矿物,这些研究都取得了一定的成果,但可识别矿物种类有限且精度需要进一步提升。为此本文首先解决了矿物数据集图像数据样本分布不平衡问题,对数据集中矿物图像较少的11个矿物类别采用DCGAN生成矿物图像进行数据增强,对比选择效果更好的方案对数据集进行扩充。其次,为了得到更可靠、精确度更高的识别模型,将ImageNet上表现较好的ResNet、RegNet、EfficientNet和Vision Transformer模型迁移到本文使用的矿物数据集上。针对训练好的基模型排列组合得到11个子模型,分别使用平均软投票法和加权软投票法两种方法进行集成,得到22个集成模型并对其训练得到识别结果,对比22个集成模型的结果选择出精度最高的集成模型。实验结果表明:使用DCGAN进行数据增强,在不同的模型上平均提升了3.12%的准确率,充分证明了DCGAN数据增强的有效性;在所有集成模型中,使用加权软投票法的模型表现较好,其中精度最高的是利用4个基分类模型进行加权软投票得到的集成模型,在扩充后的36种常见矿物数据集上达到了87.47%的准确率。