[發(fā)明專利]一種基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202310655461.1
• 申請(qǐng)日: 2023-06-05
• 公開（公告）號(hào): CN116580307A
• 公開（公告）日: 2023-08-11
• 發(fā)明（設(shè)計(jì)）人: 季曉慧;楊陽;楊眉;何明躍;曾姍;王玉柱
• 申請(qǐng)（專利權(quán)）人: 中國(guó)地質(zhì)大學(xué)（北京）
• 主分類號(hào): G06V20/10
• 分類號(hào): G06V20/10;G06V10/764;G06V10/774;G06V10/82;G06N3/0464;G06N3/08
• 代理公司: 北京頭頭知識(shí)產(chǎn)權(quán)代理有限公司 11729
• 代理人: 白芳仿;劉鋒

本發(fā)明公開了一種基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)，所述方法與系統(tǒng)包括卷積神經(jīng)網(wǎng)絡(luò)(CNN)和單類支持向量機(jī)(OCSVM)，首先固定OCSVM的參數(shù)令其輸出判別為已知類，使用帶有類別標(biāo)簽的礦物圖像對(duì)CNN訓(xùn)練得到可以識(shí)別已知類礦物的CNN，然后固定CNN權(quán)重并用已知類礦物圖像在此CNN的第2層特征向量訓(xùn)練OCSVM得到已知類礦物所在的高維空間超平面；2步訓(xùn)練完成后系統(tǒng)在識(shí)別實(shí)際礦物圖像時(shí)將首先判斷其是否在已知類礦物所在的高維空間超平面上，如果不在輸出其為未知類，否則輸出其為各已知類礦物的概率，本發(fā)明解決了現(xiàn)有方法與系統(tǒng)把不屬于訓(xùn)練集類別的礦物識(shí)別為訓(xùn)練集中類別的誤識(shí)別問題。

技術(shù)領(lǐng)域

本發(fā)明涉及礦物識(shí)別領(lǐng)域，特別是指一種基于分布外檢測(cè)的對(duì)學(xué)習(xí)過的礦物類別具有較高識(shí)別率、未學(xué)習(xí)過的礦物類別不會(huì)誤識(shí)別為學(xué)習(xí)過的礦物類別的方法與系統(tǒng)。

背景技術(shù)

礦物識(shí)別是地質(zhì)工作中的重要任務(wù)，快速、準(zhǔn)確地識(shí)別礦物有助于對(duì)區(qū)域礦產(chǎn)資源進(jìn)行確認(rèn)和評(píng)估，具有重大經(jīng)濟(jì)和戰(zhàn)略價(jià)值。目前深度學(xué)習(xí)已被應(yīng)用于礦物識(shí)別，其采用大量已知類別的礦物圖像訓(xùn)練出識(shí)別模型，然后將實(shí)際礦物圖像輸入模型，由模型來判別該圖像對(duì)應(yīng)的礦物類別。該方法已成為當(dāng)前礦物識(shí)別的研究熱點(diǎn)，但其僅能識(shí)別訓(xùn)練過的礦物類別、如果待識(shí)別的礦物不屬于模型訓(xùn)練過的類別也會(huì)被誤識(shí)別為訓(xùn)練過的某種礦物類別。

發(fā)明內(nèi)容

為此，本發(fā)明提供一種基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)，以解決現(xiàn)有識(shí)別方法遇到未學(xué)習(xí)過的礦物類別會(huì)誤識(shí)別為某種已學(xué)習(xí)過的礦物類別問題。

為實(shí)現(xiàn)上述目的，本發(fā)明實(shí)施例提供如下技術(shù)方案：

本發(fā)明提供一種基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)，其特征在于，所述基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)包括卷積神經(jīng)網(wǎng)絡(luò)和單類支持向量機(jī)，所述方法包括2步訓(xùn)練：

訓(xùn)練步驟1：固定單類支持向量機(jī)參數(shù)使其輸出判別為已知類，使用已知類礦物圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，得到能夠識(shí)別已知類礦物的卷積神經(jīng)網(wǎng)絡(luò)；

訓(xùn)練步驟2：固定已訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)權(quán)重，使用同樣的已知類礦物圖像訓(xùn)練單類支持向量機(jī)，具體為將已知類礦物訓(xùn)練圖像輸入訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)并將其第2層的特征向量輸入單類支持向量機(jī)，設(shè)置單類支持向量機(jī)的核函數(shù)進(jìn)行訓(xùn)練得到已知類礦物訓(xùn)練數(shù)據(jù)所在的高維空間超平面；

所述方法2步訓(xùn)練完成后實(shí)際識(shí)別礦物時(shí)，首先輸入待識(shí)別的礦物圖像至卷積神經(jīng)網(wǎng)絡(luò)，獲得卷積神經(jīng)網(wǎng)絡(luò)第2層的礦物圖像特征向量后輸入單類支持向量機(jī)，如果判斷該待識(shí)別礦物不在已知類礦物所在的高維空間超平面上則其為未知類礦物，識(shí)別結(jié)束，輸出待識(shí)別礦物為未知類，如果單類支持向量機(jī)判斷該待識(shí)別礦物在已知類礦物所在的高維空間超平面上則其為已知類礦物，繼續(xù)卷積神經(jīng)網(wǎng)絡(luò)3層及之后的識(shí)別操作，輸出待識(shí)別礦物為各已知類的概率。

本發(fā)明實(shí)施例具有如下優(yōu)點(diǎn)：

本發(fā)明實(shí)施例公開了一種基于分布外檢測(cè)的礦物識(shí)別方法與系統(tǒng)，使用帶有類別標(biāo)簽的礦物圖像對(duì)卷積神經(jīng)網(wǎng)絡(luò)和單類支持向量機(jī)進(jìn)行兩步訓(xùn)練，訓(xùn)練完成后將待識(shí)別的礦物圖像輸入系統(tǒng)，判斷其是否屬于已知類，如果屬于已知類，則輸出此礦物可能為各已知類礦物的概率，否則輸出該礦物為未知類。該方法與系統(tǒng)具有將不屬于模型學(xué)習(xí)過的待識(shí)別礦物判斷為未知類礦物的能力，避免了目前方法與系統(tǒng)將其誤判斷為某種模型學(xué)習(xí)過的礦物問題。

附圖說明

為了更清楚地說明本發(fā)明的實(shí)施方式或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施方式或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹。顯而易見地，下面描述中的附圖僅僅是示例性的，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)提供的附圖引伸獲得其它的實(shí)施附圖。