文献类型：期刊文章

作　　者：徐述腾[1,2,3] 周永章[1,2,3]

XU ShuTeng;ZH(Guangdong Provincial Key Laboratory of Mineral Resources and Geological Processes,Guangzhou 510275,China;Center for Earth Environment ＆ Resources,Sun Yat-sen University,Guangzhou 510275,China;School of Earth Sciences and Engineering,Sun Yat-sen University,Guangzhou 510275,China)

机构地区：[1]广东省地质过程与矿产资源探查重点实验室,广州510275 [2]中山大学地球环境与地球资源研究中心,广州510275 [3]中山大学地球科学与工程学院,广州510275

出　　处：《岩石学报》

基　　金：国家重点研发计划重点专项(2016YFC0600506);国家自然科学基金项目(41273040);中国地质调查局项目(12120113067600);广东省地质过程与矿产资源探查重点实验室基金联合资助

年　　份：2018

卷　　号：34

期　　号：11

起止页码：3244-3252

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、GEOBASE、GEOREFPREVIEWDATABASE、IC、JST、PROQUEST、RCCSE、SCIE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：矿石矿物鉴定的智能化是智能地质学和智能矿床学的基础技术之一。计算机视觉技术和深度学习理论使矿石矿物鉴定的智能化成为可能。本研究基于深度学习系统Tensor Flow,以吉林夹皮沟金矿和河北石湖金矿的黄铁矿、黄铜矿、方铅矿、闪锌矿等硫化物矿物为例,设计有针对性的Unet卷积神经网络模型,有效自动提取矿相显微镜下矿石矿物的深层特征信息,实现镜下矿石矿物智能识别与分类。实验显示,模型在训练过程中,随着训练次数的增加,模型精度在不断增大,损失函数不断减小;经过3000个批处理之后,模型精度和损失函数基本趋于稳定。训练出的模型对测试集中的显微镜镜下矿石矿物照片的识别成功率均高于90%,说明实验所建立的模型,具有很好的图像特征提取能力,能完成镜下矿石矿物智能识别的任务。

关 键 词：卷积神经网络算法  深度学习  矿物自动识别  地质大数据  智能地质学  机器学习  

分 类 号：P575]