基于改进ConvNeXt网络的矿物图像智能识别

作     者：李雷 卢才武 江松 景文刚 王洛锋 LI Lei;LU Caiwu;JIANG Song;JING Wengang;WANG Luofeng

作者机构：西安建筑科技大学资源工程学院陕西西安710055 西安市智慧工业感知、计算与决策重点实验室陕西西安710055 洛阳栾川钼业集团股份有限公司河南洛阳471500 

出 版 物：《地质通报》 (Geological Bulletin of China)

年 卷 期：2024年第43卷第7期

页      面：1266-1275页

核心收录：

学科分类：081801[工学-矿产普查与勘探] 0709[理学-地质学] 070901[理学-矿物学、岩石学、矿床学] 07[理学] 08[工学] 0818[工学-地质资源与地质工程] 

基　　金：国家自然科学基金面上项目《地下金属矿山岩体破坏多源异质流数据智能融合与态势评估研究》(批准号:51974223) 国家自然科学基金青年项目《基于数据-知识混合驱动的露天矿复杂边坡灾害识别与预警》(批准号:52104146) 

主　　题：矿物图像 ConvNeXt 迁移学习 注意力机制 矿物识别 

摘      要：矿物识别是地质研究的重要工作,但是如何准确识别矿物仍然是一项重要的挑战。针对矿物形态特征,提出了一种利用迁移学习策略并引入通道注意力的改进ConvNeXt网络矿物图像智能识别模型。首先,利用ImageNet数据集上已预训练的ConvNeXt网络模型,运用迁移学习的方式,加载到矿物识别模型中;其次,在ConvNeXt网络的基础上,以ConvNeXt块之后与注意力机制相结合的方式,进一步提升其特征融合能力;最后,以26类矿物的矿石图像为研究对象,总计34576张图像,以6∶2∶2比例划分训练集、验证集与测试集,模型在实验训练过程中与VGG19、GoogLeNet、ResNet50、ResNeXt50和ConvNeXt网络相比,收敛速度明显加快。实验结果表明,矿物智能识别模型在准确率、精确率和召回率上分别达到98.58%、98.62%和98.73%,而消融实验证明本文提出的优化方法有助于提升模型性能,同时,通过对不同模型矿物图像特征图的可视化对比分析,验证了本文提出的矿物识别模型对于矿物特征的准确提取,进一步证明了模型的有效性,提高了矿物识别的准确率。