文献类型：期刊文章

作　　者：彭伟航[1,2] 白林[2,3,4] 商世为[5] 唐小洁[5] 张哲远[5]

PENG Weihang;BAI Lin;SHANG Shiwei;TANG Xiaojie;ZHANG Zheyuan(College of Network Security,Chengdu University of Technology,Chengdu 610059,Sichuan,China;Key Laboratory of Geological Information Technology,Ministry of Natural Resources,Beijing 100037,China;Geomathematics Key Laboratory of Sichuan Province,Chengdu University of Technology,Chengdu 610059,Sichuan,China;College of Management Science,,Chengdu 610059,Sichuan,China;College of Earth Sciences,Chengdu University of Technology,Chengdu 610059,Sichuan,China)

机构地区：[1]成都理工大学网络安全学院,四川成都610059 [2]自然资源部地质信息技术重点实验室,北京100037 [3]成都理工大学数学地质四川省重点实验室,四川成都610059 [4]成都理工大学管理科学学院,四川成都610059 [5]成都理工大学地球科学学院,四川成都610059

出　　处：《地质通报》

基　　金：国家重点研发计划《基于地质云的地质灾害基础信息提取与大数据分析挖掘》(编号：2018YFC1505501);成都理工大学国家级大学生创新创业训练计划项目《基于人工智能方法的岩石识别技术研究》(编号：201810616003)

年　　份：2019

卷　　号：38

期　　号：12

起止页码：2059-2066

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAS、CSA-PROQEUST、CSCD、CSCD2019_2020、GEOBASE、GEOREFPREVIEWDATABASE、IC、JST、PROQUEST、RCCSE、SCOPUS、WOS、ZGKJHX、ZR、核心刊

摘　　要：以常见的16类矿物作为研究对象,收集每一类矿物约1000张图像,按比例划分为训练集、验证集和测试集,通过图像随机选取增加数据的多样性,建立矿物识别InceptionV3模型,训练7万次在测试集上获得81%的识别正确率。通过对损失函数的改进,引入Center Loss损失函数,训练40万次识别准确率提高到86%。对分类的混淆矩阵分析发现,孔雀石等外观特征明显的矿物识别正确率很高,而闪锌矿等与其他矿物容易混淆导致正确率较低。从特征图分析看出,模型很好地提取了孔雀石的放射状特征,矿物图像特征向量聚集程度很高,也说明了模型的可靠性。

关 键 词：矿物图像  矿物识别 人工智能 深度学习  

分 类 号：P585] P628[地质学类;地质类]