[发明专利]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

说明书

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方法与系统，所述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，将带有多个类别标签的矿物实物图片输入系统进行训练，训练完成后将采集的伴生或共生矿物实物图片输入系统，系统结合已学习到的多个标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出图片中采集的伴生或共生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采集的伴生或共生矿石中所包含矿物的所有类别，本发明解决了现有矿物识别系统仅能识别单个矿物导致的无法识别生长情况复杂的伴生或共生矿物的问题。

技术领域

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

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。

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。

发明内容

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。

为了实现上述目的，本发明实施例提供如下技术方案：

根据本发明实施例，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，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，训练时将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，得到一维特征值向量；将从卷积神经网络得到的一维特征值向量输入到长短期记忆网络，得到未归一化的一维概率值向量；将从卷积神经网络得到的一维特征值向量输入到全连接网络，得到另一个未归一化的一维概率值向量；将从长短期记忆网络输出的未归一化的一维概率值向量和全连接网络输出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。训练完成后将采集的矿物实物图片输入系统，系统结合已学习到的标签之间的依赖关系和输入的采集的伴生或共生矿物图片特征对矿物所属类别进行分析预测，输出采集的伴生或共生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采集的伴生或共生矿石所包含的所有类别。

本发明实施例具有如下优点：

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

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。