基于深度学习的磷灰石裂变径迹人工智能识别方法技术

本发明专利技术涉及图像识别检测技术领域，尤其涉及一种基于深度学习的磷灰石裂变径迹人工智能识别方法，包括S1：获取磷灰石裂变径迹图像；S2：对灰石裂变径迹图像进行截取，获得样本图像；S3：对样本图像中的裂变径迹进行标注生成标签集，标签集和样本图像共同组成数据集，并划分为训练集和测试集；S4：构建RA Faster R‑CNN网络模型，并对权重矩阵参数进行初始化；S5：基于训练集和数据集对RA Faster R‑CNN网络模型进行训练合测试；S6：将待检测的磷灰石裂变径迹图像输入至RA Faster R‑CNN网络模型进行预测。本发明专利技术能够有效提升裂变径迹识别的效率和准确性，并且直接计算出裂变径迹的长度和夹角参数。

【技术实现步骤摘要】

本专利技术涉及图像识别检测，尤其涉及一种基于深度学习的磷灰石裂变径迹人工智能识别方法。

技术介绍

1、裂变径迹是由矿物中所含微量铀的自发裂变的衰变引起晶格损伤所产生的径迹，通过测定矿物的自发裂变径迹和诱发径迹的密度，可以计算矿物的裂变径迹的表观年龄，因此针对裂变径迹的识别和研究对记录岩体的冷却-剥露历史、限制构造活动起始时间、定量化矿床隆升剥蚀量、实现找矿预测等有着重要意义。

2、统计分析裂变径迹的数量以及对其长度、夹角的测量是利用裂变径迹进行测年最基础的一步，传统的裂变径迹数量的统计主要是以显微镜下肉眼观察计数与测量为主，而长度、夹角的测量需要在偏光显微镜下进行观察对比，需要计数人员不断重复机械性的工作，准确的识别出径迹而且还要区分出划痕以及杂质。这个过程受到计数人员主观影响较大，不仅费时费力还容易产生计数误差，导致裂变径迹测年的效率和准确性低下。因此，克服传统裂变径迹识别和计数及参数测量方法的缺点，提高地质科研人员裂变径迹测年效率，提供一种开放高效、准确的径迹识别方法具有重要的科研意义。

技术实现思路...

【技术保护点】

1.一种基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，步骤S3具体包括如下步骤：

3.根据权利要求1所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，步骤S4具体包括如下步骤：

4.根据权利要求3所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，在步骤S42中，通过向所述特征提取网络中每个残差块的3x3卷积添加CBAM注意力模块，实现注意力机制。

5.根据权利要求3或4所述的基于深度学习的磷灰石裂变径迹人...

【技术特征摘要】

1.一种基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，包括如下步骤：

2.根据权利要求1所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，步骤s3具体包括如下步骤：

3.根据权利要求1所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，步骤s4具体包括如下步骤：

4.根据权利要求3所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，在步骤s42中，通过向所述特征提取网络中每个残差块的3x3卷积添加cbam注意力模块，实现注意力机制。

5.根据权利要求3或4所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，步骤s5具体包括如下步骤：

6.根据权利要求5所述的基于深度学习的磷灰石裂变径迹人工智能识别方法，其特征在于，在对所述ra faster r-cnn网络模型进行训练时，使用sgd作为优化器，使用steplr作为学习率调整...

【专利技术属性】
技术研发人员：李世超，何笑琪，王洪涛，任祚霆，
申请(专利权)人：吉林大学，
类型：发明
国别省市：