基于深度学习的岩石矿物检测与识别研究

作     者：马亦骥 

作者单位：昆明理工大学 

学位级别：硕士

导师姓名：杨彪

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 0709[理学-地质学] 070901[理学-矿物学、岩石学、矿床学] 07[理学] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：矿物检测与识别 多尺度密集连接 SRGAN 注意力机制 级联网络 PyQt5 

摘      要：岩石矿物作为构成地球系统的基本要素,其在地质科学、矿产资源勘探等方面扮演着重要角色。随着深度学习算法在矿物领域的运用,使得基于卷积神经网络的图像检测和识别方法得到广泛应用,并逐步成为现代矿产资源勘探和矿物鉴定的首选方法。然而在实际使用过程中,特征信息与样本的关联度和网络模型的大小是影响模型精度和部署应用的重要因素。因此为实现准确高效的矿物智能鉴定,本文对前人的研究进行了拓展,在此基础上提出了新的研究问题和解决方法。主要研究成果如下:(1)针对在终端设备部署网络模型用于矿物种属鉴定时,存在的因网络模型计算复杂度高、参数大导致部署困难的问题,本文提出了一种基于多尺度密集连接网络的矿物智能鉴定方法。首先,以多尺度卷积对经典密集连接网络结构进行改进使其能够获取到多尺度特征信息;然后,以分组卷积策略对网络结构进行优化降低计算成本;最后,以跨层叠加的方式融合深层网络层和浅层网络层的特征信息减少传播过程中信息量的损耗。在自建矿物图像数据集上的实验结果表明,本文方法在保证较低参数量的条件下,对组成成分较为单一矿物的准确识别率超过了88%优于基于经典模型的矿物识别方法,证明了本文方法的高效性。(2)针对使用卷积神经网络进行自然环境下的多矿物鉴定时,由于非关联信息干扰引起的模型误识别问题,本文提出了一种基于级联网络的多矿物图像检测与识别方法。首先,以SRGAN网络对原图像进行超分辨率解析提升样本的表征能力增强矿物类间特征差异度,并以内容损失函数和对抗损失函数对网络进行寻优计算解决其难以训练问题;然后,以融合注意力机制的YOLOv5s对表征后的样本进行定位检测抑制非关联信息对识别过程的干扰。在自建多矿物图像数据集上的实验结果表明,本文方法的m AP超过了85%优于检测领域内的典型工程模型,证明了本文方法的准确性。(3)针对岩石矿物图像数据采集和矿物智能模型的实际使用的问题,本文以中国地质调查局开发的地质云系统为母版,在Windows操作系统中基于Py Qt5框架开发出岩石矿物图像智能检测与识别应用系统。通过将多尺度密集连接模型和级联网络模型部署到应用系统内,构建了适用于不同任务场景以及矿物图像数据统一管理平台。为实际工作中的岩石矿物的鉴定提供更加高效、智能化的工作方案,解决深度学习技术在跨领域过程中,存在的使用不便的问题。