[發(fā)明專利]一種礦物識(shí)別的方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 202011596584.5
• 申請(qǐng)日: 2020-12-29
• 公開(kāi)（公告）號(hào): CN112529112B
• 公開(kāi)（公告）日: 2021-10-08
• 發(fā)明（設(shè)計(jì)）人: 王文磊;趙潔;冀全偉;韓鳳彬
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地質(zhì)科學(xué)院地質(zhì)力學(xué)研究所
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06F16/22;G06F16/23
• 代理公司: 北京超凡宏宇專利代理事務(wù)所(特殊普通合伙) 11463
• 代理人: 余菲

1.一種礦物樣本數(shù)據(jù)庫(kù)擴(kuò)充的方法，其特征在于，所述方法包括：

獲取目標(biāo)采樣區(qū)域的礦物樣本數(shù)據(jù)，其中，所述礦物樣本數(shù)據(jù)是礦物的元素組成；

將所述礦物樣本數(shù)據(jù)輸入分類模型進(jìn)行計(jì)算，獲得屬于各類礦物的概率值；

在確定所述概率值均小于相應(yīng)的判決閾值的情況下，將所述礦物樣本數(shù)據(jù)存儲(chǔ)至所述分類模型對(duì)應(yīng)的數(shù)據(jù)庫(kù)中；

其中，所述目標(biāo)采樣區(qū)域是通過(guò)如下方式獲得的：所述目標(biāo)采樣區(qū)域的選取以元素含量數(shù)據(jù)信息熵作為評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算原始采樣區(qū)域的信息熵，選取小于或等于信息熵閾值的原始采樣區(qū)域作為所述目標(biāo)采樣區(qū)域；

其中，所述礦物樣本數(shù)據(jù)是通過(guò)如下方式獲得的：根據(jù)所述目標(biāo)采樣區(qū)域的信息，獲得原始礦物樣本數(shù)據(jù)；將所述原始礦物樣本數(shù)據(jù)的空值補(bǔ)充默認(rèn)值，獲得補(bǔ)充后的所述原始礦物樣本數(shù)據(jù)；將所述補(bǔ)充后的所述原始礦物樣本數(shù)據(jù)進(jìn)行特征重要性排序，篩選出所述礦物樣本數(shù)據(jù)；

其中，所述將所述礦物樣本數(shù)據(jù)輸入分類模型進(jìn)行計(jì)算，獲得屬于各類礦物的概率值，包括：根據(jù)所述分類模型獲得的屬于各類礦物的概率值集合組，獲得目標(biāo)分類結(jié)果，其中，所述分類模型包括決策樹(shù)；

其中，所述分類模型包括一種所述決策樹(shù)；所述根據(jù)所述分類模型獲得的屬于各類礦物的概率值集合組，獲得目標(biāo)分類結(jié)果，包括：通過(guò)所述決策樹(shù)獲得所述礦物樣本屬于各類礦物的概率值，得到概率值集合組；從所述概率值集合組中選擇最大概率值對(duì)應(yīng)的礦物所屬的類別作為所述目標(biāo)分類結(jié)果；

其中，所述分類模型包括多種所述決策樹(shù)；根據(jù)所述分類模型獲得的屬于各類礦物的概率值集合組，獲得目標(biāo)分類結(jié)果，包括：通過(guò)所述多種所述決策樹(shù)中的各決策樹(shù)獲得所述礦物樣本屬于所述各類礦物的概率值，得到與所述各決策樹(shù)分別對(duì)應(yīng)的多個(gè)概率值集合；分別依據(jù)所述多個(gè)概率值集合中的各概率值集合獲取初步分類結(jié)果，其中，所述初步分類結(jié)果是從所述概率值集合組中選擇最大概率值對(duì)應(yīng)的礦物所屬的類別確定的；根據(jù)多個(gè)所述初步分類結(jié)果的占比確定所述目標(biāo)分類結(jié)果。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，

所述各類礦物的所述礦物樣本數(shù)據(jù)，存在于所述分類模型的數(shù)據(jù)庫(kù)中。

3.一種分類模型訓(xùn)練的方法，其特征在于，所述方法包括：

獲取目標(biāo)采樣區(qū)域的礦物訓(xùn)練樣本數(shù)據(jù)；

隨機(jī)刪除預(yù)定數(shù)量不滿足理論范圍的所述礦物訓(xùn)練樣本數(shù)據(jù)，獲得第一樣本數(shù)據(jù)；

根據(jù)如權(quán)利要求1至2所述的方法，將所述第一樣本數(shù)據(jù)輸入訓(xùn)練模型進(jìn)行訓(xùn)練，獲得分類模型。

4.一種礦物識(shí)別的方法，其特征在于，所述方法包括：

通過(guò)如權(quán)利要求1至2所述的礦物樣本數(shù)據(jù)庫(kù)擴(kuò)充的方法，獲得擴(kuò)充分類模型；

根據(jù)所述擴(kuò)充分類模型識(shí)別礦物，獲得所述礦物的類型。

5.一種礦物識(shí)別的裝置，其特征在于，所述裝置包括：

獲取模塊，被配置為獲取目標(biāo)采樣區(qū)域的礦物樣本數(shù)據(jù)，其中，所述礦物樣本數(shù)據(jù)是礦物的元素組成；

計(jì)算模塊，被配置為將所述礦物樣本數(shù)據(jù)輸入分類模型進(jìn)行計(jì)算，獲得屬于各類礦物的概率值；

擴(kuò)充模塊，被配置為在確定所述概率值均小于相應(yīng)的判決閾值的情況下，將所述礦物樣本數(shù)據(jù)存儲(chǔ)至所述分類模型對(duì)應(yīng)的數(shù)據(jù)庫(kù)中，獲得擴(kuò)充分類模型；

識(shí)別模塊，被配置為根據(jù)所述擴(kuò)充分類模型識(shí)別礦物，獲得所述礦物的類型；

其中，所述目標(biāo)采樣區(qū)域是通過(guò)如下方式獲得的：

所述目標(biāo)采樣區(qū)域的選取以元素含量數(shù)據(jù)信息熵作為評(píng)價(jià)標(biāo)準(zhǔn)，計(jì)算原始采樣區(qū)域的信息熵，選取小于或等于信息熵閾值的原始采樣區(qū)域作為所述目標(biāo)采樣區(qū)域；

其中，所述礦物樣本數(shù)據(jù)是通過(guò)如下方式獲得的：根據(jù)所述目標(biāo)采樣區(qū)域的信息，獲得原始礦物樣本數(shù)據(jù)；將所述原始礦物樣本數(shù)據(jù)的空值補(bǔ)充默認(rèn)值，獲得補(bǔ)充后的所述原始礦物樣本數(shù)據(jù)；將所述補(bǔ)充后的所述原始礦物樣本數(shù)據(jù)進(jìn)行特征重要性排序，篩選出所述礦物樣本數(shù)據(jù)；

其中，所述計(jì)算模塊被配置為：根據(jù)所述分類模型獲得的屬于各類礦物的概率值集合組，獲得目標(biāo)分類結(jié)果，其中，所述分類模型包括決策樹(shù)；

其中，所述分類模型包括一種所述決策樹(shù)；所述計(jì)算模塊被配置為：通過(guò)所述決策樹(shù)獲得所述礦物樣本屬于各類礦物的概率值，得到概率值集合組；從所述概率值集合組中選擇最大概率值對(duì)應(yīng)的礦物所屬的類別作為所述目標(biāo)分類結(jié)果；

其中，所述分類模型包括多種所述決策樹(shù)；所述計(jì)算模塊被配置為：通過(guò)所述多種所述決策樹(shù)中的各決策樹(shù)獲得所述礦物樣本屬于所述各類礦物的概率值，得到與所述各決策樹(shù)分別對(duì)應(yīng)的多個(gè)概率值集合；分別依據(jù)所述多個(gè)概率值集合中的各概率值集合獲取初步分類結(jié)果，其中，所述初步分類結(jié)果是從所述概率值集合組中選擇最大概率值對(duì)應(yīng)的礦物所屬的類別確定的；根據(jù)多個(gè)所述初步分類結(jié)果的占比確定所述目標(biāo)分類結(jié)果。