一种基于深度学习的铀矿物扫描电镜图像分类方法技术

本发明专利技术属于地质学与深度学习技术交叉领域，具体涉及一种基于深度学习的铀矿物扫描电镜图像分类方法，包括如下步骤：步骤S1：采集和建立扫描电镜下铀矿物图像样本数据集；步骤S2：扩大铀矿物扫描电镜样本数据集数量，得到增强后的铀矿物扫描电镜图像样本数据集UraniumDataset；步骤S3：将步骤S2中UraniumDataset按照比例划分训练数据集、测试数据集和验证数据集；步骤S4：构建轻量级卷积神经网络MobileNet模型；步骤S5：将训练数据集输入到改进的L

【技术实现步骤摘要】
一种基于深度学习的铀矿物扫描电镜图像分类方法


[0001]本专利技术属于地质学与深度学习技术交叉领域，具体涉及一种基于深度学习的铀矿物扫描电镜图像分类方法。

技术介绍

[0002]铀矿物的鉴定是研究铀矿床富集机理、深化矿床成因认识的基础，是铀矿勘查工作中不可缺少的环节，对铀矿地质分析极为重要。传统鉴定手段存在周期长、耗费高等问题，实现铀矿物的快速识别与分类对研究工作者提出了新的挑战。在地质工作中，大数据与人工智能研究仍处于起步阶段，总体应用还较少，因此采用深度学习的方法建立识别模型并进行铀矿物自动分类开辟了铀矿物鉴定的新途径，应用深度学习算法智能化识别铀矿物可大幅减少研究工作者的劳动强度，增加结果的即时性和客观性，提高铀矿物的分类准确度。将计算机视觉技术和深度学习理论使铀矿物鉴定的智能化成为可能，
[0003]现有技术中借助深度学习理论和技术构建扫描电镜下铀矿物自动识别与分类系统还存在着一些例如需能谱和电子探针测试，铀矿物分类的效率和准确度较低的技术问题，因此亟需设计一种基于深度学习的铀矿物扫描电镜图像分类方法以解决上述技术问题。

技术实现思路

[0004]本专利技术提出一种基于深度学习的铀矿物扫描电镜图像分类方法，用于解决现有技术中需能谱和电子探针测试，铀矿物分类效率和准确度较低的技术问题。
[0005]本专利技术的技术方案：
[0006]一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，包括如下步骤：
[0007]步骤S1：采集和建立扫描电镜下铀矿物图像的样本数据集；
[0008]步骤S2：利用数据增强技术扩大步骤S1中铀矿物扫描电镜样本数据集的数量，得到增强后的铀矿物扫描电镜图像样本数据集UraniumDataset；
[0009]步骤S3：将步骤S2增强后的铀矿物扫描电镜图像样本数据集UraniumDataset按照比例划分为训练数据集、测试数据集和验证数据集；
[0010]步骤S4：构建轻量级卷积神经网络MobileNet模型，并对所述轻量级卷积神经网络MobileNet模型的参数进行修改，得到改进的L
‑
MobileNet模型；
[0011]步骤S5：将训练数据集输入到改进的L
‑
MobileNet模型中进行训练，并利用测试数据集进行测试，直至满足测试精度，最终利用验证数据集进行验证，得到训练好并经过验证的铀矿物扫描电镜图像分类模型L
‑
MobileNet；
[0012]步骤S6：利用所述铀矿物扫描电镜图像分类模型对铀矿物扫描电镜图像进行识别分类，得到铀矿物类型的名称。
[0013]所述步骤S1中样本数据集包括250张铀石扫描电镜图像和540张沥青铀矿扫描电镜图像。
[0014]所述步骤S2中，数据增强技术包括：图像水平镜像；图像垂直镜像；图像逆时针旋转30，45，60，90，120，135，150，180，210，225，240，270，300，315和330度；图像增加噪声干扰；图像增亮以及图像变暗。
[0015]所述步骤S4，具体为：构建轻量级卷积神经网络MobileNet模型，并对所述轻量级卷积神经网络MobileNet模型的参数进行修改，得到改进的L
‑
MobileNet模型。
[0016]所述步骤S5具体为：将步骤S3中所述训练集和测试集输入到改进的L
‑
MobileNet模型中进行训练测试，将训练集和测试集的分类精准度与损失率跟利用测试数据集得到的测试精准度相比较，然后通过深度迁移学习算法调整深度学习训练参数直到符合精度要求，最后利用验证数据集进行验证，得到性能优化、准确高效的铀矿物扫描电镜图像分类模型L
‑
MobileNet。
[0017]所述步骤S5中，在将所述训练数据集输入到改进的MobileNet模型中之前还需要对所述训练数据集进行图像预处理，即进行归一化处理，将每个通道平均减去训练集的通道平均值，经过残差块的连续卷积运算后，图像像素矩阵的通道数量越来越深，然后通过AveragePool层将图像像素矩阵的大小更改为指定大小数据；最后，将图像像素矩阵大小输入到所述改进的L
‑
MobileNet模型全连接层Softmax中。
[0018]所述步骤S5中深度学习训练参数，包括：训练方法、初始化学习率、最小批大小、最大训练批次和L
‑
MobileNet模型参数；
[0019]所述步骤S5中，计算所述训练集和测试集的分类精准度与损失率的表达式为：
[0020]准确度：Accuracy＝(TP+TN)/(TP+TN+FP+FN)
[0021]式中，TP为正确预测的正样本，TN为正确预测的负样本，FP为错误预测的正样本，FN为错误预测的负样本；
[0022]交叉熵损失函数：
[0023]C＝
‑
∑
i
y
i
lna
i
[0024]上式中yi表示的是真实的分类结果。
[0025]所述步骤S6具体为：利用铀矿物扫描电镜图像分类模型MobileNet对铀矿物扫描电镜图像进行识别分类，确定铀矿物的具体类别名称。
[0026]本专利技术的有益效果：
[0027]本专利技术设计的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，无需进行能谱和电子探针测试，大大提高了铀矿物分类的效率和准确度，铀矿物分类准确度达99％以上，避免了测试的繁琐性以及人为错误，促进了铀矿物分类的智能化和自动化，更好地服务于地质教学、科研和生产工作。
附图说明
[0028]图1为本专利技术设计的基于铀矿物扫描电镜图像深度学习的铀矿物分类方法流程框图；
[0029]图2为本专利技术所述的L
‑
MobileNet结构图；
[0030]图3为本专利技术所述的铀矿物扫描电镜图像测试验证结果示例图。
具体实施方式
[0031]下面结合附图和实施例对本专利技术的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法进行详细说明。
[0032]参照图1所示，本专利技术提出一种基于深度学习的铀矿物扫描电镜图像分类方法，具体包括以下步骤：
[0033]步骤S1、采集和建立扫描电镜下铀矿物图像的样本数据集；
[0034]实施例中根据《微米级长度的扫描电镜测量方法通则》规范系统采集和建立扫描电镜下铀矿物图像的样本数据集，包括250张铀石扫描电镜图像和540张沥青铀矿扫描电镜图像。然后将采集的数据集进行整理并根据命名建立2种分类标签。
[0035]步骤S2、利用数据增强技术扩大所述扫描电镜下铀矿物图像的样本数据集的数量，得到增强后的铀矿物扫描电镜图像样本数据集UraniumDataset；
[0036]利用数据增强技术扩大样本数据集图像的数量，建立增强的铀矿物扫描电镜图像样本数据集UraniumDataset，以增加深度本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，其特征在于包括如下步骤：步骤S1：采集和建立扫描电镜下铀矿物图像的样本数据集；步骤S2：利用数据增强技术扩大步骤S1中铀矿物扫描电镜样本数据集的数量，得到增强后的铀矿物扫描电镜图像样本数据集UraniumDataset；步骤S3：将步骤S2增强后的铀矿物扫描电镜图像样本数据集UraniumDataset按照比例划分为训练数据集、测试数据集和验证数据集；步骤S4：构建轻量级卷积神经网络MobileNet模型，并对所述轻量级卷积神经网络MobileNet模型的参数进行修改，得到改进的L
‑
MobileNet模型；步骤S5：将训练数据集输入到改进的L
‑
MobileNet模型中进行训练，并利用测试数据集进行测试，直至满足测试精度，最终利用验证数据集进行验证，得到训练好并经过验证的铀矿物扫描电镜图像分类模型L
‑
MobileNet；步骤S6：利用所述铀矿物扫描电镜图像分类模型对铀矿物扫描电镜图像进行识别分类，得到铀矿物类型的名称。2.根据权利要求1所述的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，其特征在于：所述步骤S1中样本数据集包括250张铀石扫描电镜图像和540张沥青铀矿扫描电镜图像。3.根据权利要求2所述的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，其特征在于：所述步骤S2中，数据增强技术包括：图像水平镜像；图像垂直镜像；图像逆时针旋转30，45，60，90，120，135，150，180，210，225，240，270，300，315和330度；图像增加噪声干扰；图像增亮以及图像变暗。4.根据权利要求3所述的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，其特征在于：所述步骤S4，具体为：构建轻量级卷积神经网络MobileNet模型，并对所述轻量级卷积神经网络MobileNet模型的参数进行修改，得到改进的L
‑
MobileNet模型。5.根据权利要求4所述的一种基于铀矿物扫描电镜图像深度学习的铀矿物分类方法，其...

【专利技术属性】
技术研发人员：骆效能，李子颖，蔡煜琦，张艳，张字龙，贺锋，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：