矿物伴生体识别方法与系统、存储介质和设备

本发明涉及矿物镜下图像数据识别，尤其涉及一种矿物伴生体识别方法与系统、存储介质和设备。

背景技术：

1、矿物识别技术是指使用矿物学的基本原理和方法，依据不同矿物的不同物理化学特征对矿物进行识别和区分。该技术可以为资源勘探提供依据，进而服务于矿产勘探。故如何更快速高效的辨别矿物是当今地质学研究的热点之一。

2、目前，矿物识别技术主要依赖于人工在显微镜下通过观察矿物的形状，颜色，突起等特征对矿物进行区分。人工方法所需时间长，且受限于矿物的大小和部分矿物在显微镜下的物理特征表现不明显等原因，易造成误判和漏判。而人工智能技术具有效率高，受人为干扰小等优势，可以更有效的避免人工识别时产生的误判和漏判。因此，人工智能技术在岩石和矿物的识别中具有巨大的应用前景。而在人工智能图像识别技术中，目标检测技术是人工智能的重要的方法之一。

3、 随着目标检测算法的发展，其所产生的衍生方法众多，识别效果和速度也越来越好。目前的目标检测算法分为两大类，一类为“two stage”类算法，如：r-cnn、faster r-cnn等方法，另一类为“one stage”类算法，如you only look once (yolo)和single shotmultibox detector (ssd)等算法。得益于目标检测算法的不断精进，其在检测速度和对小目标的识别方面具有优秀的识别效果。因此，目标检测方法已经广泛应用于遥感图像识别、自动驾驶、人脸识别等方面。但只使用单一的目标检测方法无法直接对伴生体中的矿物进行分离。

技术实现思路

1、要解决的技术问题

2、鉴于现有技术的上述缺点、不足，本发明提供一种矿物伴生体识别方法与系统、存储介质和设备，其解决了只使用单一的目标检测方法无法直接对伴生体中的矿物进行分离的技术问题。

3、技术方案

4、为了达到上述目的，本发明采用的主要技术方案包括：第一方面，本发明提供一种矿物伴生体识别方法，包括：对多张标记有矿物种类和位置的矿物光片图像进行数据增强得到多个训练数据；对多个训练数据进行划分得到训练集和测试集；基于训练集和测试集对目标检测算法进行训练和测试，得到识别模型；采用识别模型对待识别矿物光片图像中的矿物伴生体区域进行标注；根据标注区域各像素点的灰度值对不同种类矿物进行图像分割，以区分矿物伴生体中的不同矿物。

5、本发明技术方案提出一种矿物伴生体识别方法，通过目标检测结合图像分割的方法对矿石在显微镜下的光片图像进行识别，在实现了对矿物伴生体中的矿物进行区分、分离的同时，提高了矿物伴生体的识别效率。更加精准的对矿物进行识别，减少人为因素干扰。

6、可选地，所述基于训练集和测试集对目标检测算法进行训练和测试，得到识别模型，包括：采用训练集对目标检测算法训练预设时长得到初始模型；采用测试集对初始模型进行测试；在初始模型的精度满足预设条件的情况下，输出为识别模型；在初始模型的精度不满足预设条件的情况下，调整参数后重新对初始模型进行训练；其中，所述参数包括学习率和训练集输入网格的批大小。

7、目标检测算法以ssd目标检测算法为例，使用训练集和测试集对目标检测算法进行训练与测试，为了保证训练效果，训练的预设时长应不低于100h。在保证充足训练时间的基础上使用精度（precession）作为评价指标。

8、可选地，所述预设条件为初始模型的精度大于90%。

9、为了保证后续的分割和矿物含量计算准确就要保证目标检测所识别的位置准确，故要求模型所识别测试集的精度最低为90%，选取精度最高的模型进行下一步操作。

10、可选地，所述根据标注区域各像素点的灰度值对不同种类矿物进行图像分割，包括：根据标注区域各像素点的rgb值计算灰度值；按照预设的灰度值范围与颜色的对应关系对像素点进行上色。

11、通过对各像素点的灰度值进行计算，根据灰度值所处的不同范围对不同种类矿物进行区分，进而对不同种类矿物上色为不同颜色，以使得视觉上的区分更加明显、直观。以此提高矿物伴生体的镜下识别的效率，更加准确地确定矿物伴生体中的矿物组分和矿物种类。

12、可选地，根据如下公式计算像素点的灰度值：

13、

14、其中， grey为灰度值， r、 g、 b分别为rgb三个通道值。

15、可选地，所述训练集数据量大于测试集数据量。

16、对多个训练数据进行划分，要保证数据集比例合适，训练集数据量应大于测试集数据量。所生成的训练集用作训练数据。测试集用作测试数据，用来评估模型质量。在尽可能保证模型使用足多的训练数据的基础上，保证测试数据的大小。

17、可选地，所述方法还包括：统计矿物伴生体区域每种矿物的像素点，计算每种矿物的占比。

18、在将矿物光片图像转换为灰度图像后，依据不同种类矿物所处在的灰度值范围不同来计算矿物伴生体中不同组分矿物所占的百分比。通过对不同矿物的占比进行统计，以对矿物伴生体进行更加全面的了解。

19、第二方面，本发明提供一种矿物伴生体识别系统，包括：数据增强模块，对多张标记有矿物种类和位置的矿物光片图像进行数据增强得到多个训练数据；数据划分模块，对多个训练数据进行划分得到训练集和测试集；模型建立模块，基于训练集和测试集对目标检测算法进行训练和测试，得到识别模型；标注模块，采用识别模型对待识别矿物光片图像中的矿物伴生体区域进行标注；图像分割模块，根据标注区域各像素点的灰度值对不同种类矿物进行图像分割，以区分矿物伴生体中的不同矿物。根据本技术方案提供的矿物伴生体识别系统，由于其用于实现本发明的第一方面技术方案提供的矿物伴生体识别方法的步骤，因而该矿物伴生体识别系统具备该矿物伴生体识别方法的全部技术效果，在此不再赘述。

20、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序，所述程序执行时实现上述第一方面中任一项所述矿物伴生体识别方法。

21、 第四方面，本发明提供一种存储设备，包括存储介质和处理器，所述存储介质存储有计算机程序，所述程序被处理器执行时实现上述第一方面中任一项所述矿物伴生体识别方法。

22、有益效果

23、本发明的有益效果是：本发明的一种矿物伴生体识别方法，通过目标检测结合图像分割的方法对矿石在显微镜下的光片图像进行识别，在实现了对矿物伴生体中的矿物进行区分、分离的同时，提高了矿物伴生体的识别效率。相较于相关技术，本申请能够更加精准的对矿物进行识别，减少人为因素干扰。

技术特征：

1.一种矿物伴生体识别方法，其特征在于，包括：

2.根据权利要求1所述的矿物伴生体识别方法，其特征在于，所述基于训练集和测试集对目标检测算法进行训练和测试，得到识别模型，包括：

3.根据权利要求2所述的矿物伴生体识别方法，其特征在于，所述预设条件为初始模型的精度大于90%。

4.根据权利要求3所述的矿物伴生体识别方法，其特征在于，根据如下公式计算像素点的灰度值：

5.根据权利要求4所述的矿物伴生体识别方法，其特征在于，所述训练集数据量大于测试集数据量。

6.根据权利要求5所述的矿物伴生体识别方法，其特征在于，所述方法还包括：

7.一种矿物伴生体识别系统，其特征在于，包括：

8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述矿物伴生体识别方法。

9.一种存储设备，包括存储介质和处理器，所述存储介质存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述矿物伴生体识别方法。

技术总结
本发明属于矿物镜下图像数据识别技术领域，涉及矿物伴生体识别方法与系统、存储介质和设备，该方法包括：对多张标记有矿物种类和位置的矿物光片图像进行数据增强得到多个训练数据；对多个训练数据进行划分得到训练集和测试集；基于训练集和测试集对目标检测算法进行训练和测试，得到识别模型；采用识别模型对待识别矿物光片图像中的矿物伴生体区域进行标注；根据标注区域各像素点的灰度值对不同种类矿物进行图像分割，以区分矿物伴生体中的不同矿物。其有益效果是，在实现了对矿物伴生体中的矿物进行区分的同时，提高了矿物伴生体的识别效率。

技术研发人员：侯振隆,申晋容,魏继康
受保护的技术使用者：东北大学
技术研发日：
技术公布日：2024/2/1