【技术实现步骤摘要】
基于多尺度深度卷积神经网络的锆石分类方法
[0001]本专利技术涉及地质学领域,特别涉及一种基于多尺度深度卷积神经网络的锆石分类方法
。
技术介绍
[0002]锆石是一个很好的地质年代计,因为它在结晶过程中可以纳入铀而排除铅,并且对化学和物理风化具有很高的耐久性,以保持这些同位素比率的稳定性
。
因此,锆石在确定地质年代
、
火成岩和变质岩的生成以及确定沉积岩的源区和最大沉积年龄方面具有重要意义
。
[0003]火成岩
、
变质岩和热液锆石是常见的锆石类型,对这些类型进行分类是进一步进行地质年代学和地球化学分析的前提步骤
。
因为从火成岩和变质岩锆石颗粒获得的年龄分别反映了岩浆结晶和变质的时间
。
为了获得特定地质活动的准确年龄,需要对锆石类型进行准确划分
。
此外,将热液锆石颗粒从火成岩和变质岩锆石颗粒中区分出来也很重要
。
首先,热液锆石的相对丰度反映了已报道的与不同类型经济矿床有关的热液事件的活动
。
其次,去除热液锆石有时对许多研究很重要,因为热液锆石颗粒可能含有非辐射性
Pb
,并经历了
Pb
流失,这两种情况都会降低这些锆石颗粒的有用性
。
[0004]目前的锆石分类方法有:
1、
在显微镜下分选锆石,并根据
Th/U
比值对锆石类型进行分类,但是在手工挑选过程中,锆石地质年代 ...
【技术保护点】
【技术特征摘要】
1.
基于多尺度深度卷积神经网络的锆石分类方法,其特征在于,包括以下步骤:
(1)
对已知的锆石
CL
图像进行预处理和数据增强;
(2)
利用迁移学习获取锆石
CL
图像的分类特征参数,获得神经网络的预训练权重;
(3)
构建双模态神经网络,该双模态神经网络包括双特征提取模块
、
通道注意力模块
、
融合信息模块和输出判断模块,其中,双特征提取模块由两个并行的卷积神经网络组成,每个卷积神经网络都有两个残差卷积块和一个全局池化层;通道注意力模块包括压缩块和激励块;输出判断模块由全局池化
、
全连接和
softmax
层组成;所述双特征提取模块用于接收原始锆石
CL
图像和原始锆石图像内显著结构特征的裁剪图像,并将其作为输入;所述通道注意力模块中的压缩块用于将输入的
N
×
N
×
C
矩阵转换为1×1×
C
矩阵,并输出包含输入特征图信息的向量至通道注意力模块中的激励块,
N、C
均为不为0的自然数;所述激励块用于将压缩块的输出作为输入,然后为每个特征产生一组通道权重,然后输出具有加权特征重要性的输入特征图的信息;所述融合信息模块根据激励块的输出,执行哈达玛积,使神经网络包含来自输入锆石
CL
图像的全局和局部信息,然后输出至输出判断模块;所述输出判断模块用于计算每个类别的预测概率,并输出概率最高的类别作为最终预测;
(4)
识别输入的锆石
CL
图像,并将预训练权重赋值到双模态神经网络中,作为双模态神经网络的权重,然后对输入的锆石
CL
图像进行特征提取,最后根据锆石
CL
图像具体的特征反向传播,得到最合适的权重,并以此作为分类的依据;
(5)
循环执行步骤
(4)
,完成对双模态神经网络的训练;
(6)
利用训练的双模态神经网络对锆石的
【专利技术属性】
技术研发人员:吴思萱,郑栋宇,侯明才,陈安清,董凯,杨柳鑫,向坤,石炜,滕润林,
申请(专利权)人:成都理工大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。