科研之友
微信
新浪微博
Facebook
分享链接
摘要
在地质数据不断增加的背景下，深度学习技术已在矿物识别领域取得巨大进展和广泛应用。然而，现有的多尺度卷积神经网络模型存在速度较慢、鲁棒性不足、准确性有待提高等问题，这限制了其在复杂地质环境中的矿物识别应用。针对这些问题，本次研究旨在优化多尺度卷积神经网络模型，以在矿物识别的准确性、速度和鲁棒性方面取得更好的效果。本次研究提出了一个改进的卷积神经网络模型VGG-16,该模型通过采用深度可分离卷积、动态卷积层、特征金字塔网络、通道注意力机制和局部感知域卷积层5种改进方法优化模型，本次实验基于地质数据集验证了VGG-16模型的改进效果，使用包含大量高质量地质样本的数据集进行训练和测试，模型的准确性得到了明显提高。实验结果显示，改进模型在矿物识别方面取得了显著的效果提升，对7种矿物增强识别后识别准确率达到了92.2%,尤其在处理复杂地质环境的矿物识别任务时，在处理颜色复杂、纹路难以辨别的岩石图像时，对于不同尺寸和旋转角度的岩石也能更好地进行识别，表现出了优于传统多尺度卷积神经网络模型的性能，该优化模型在识别准确率、训练速度和鲁棒性方面均得到了改善，为矿物识别领域的研究和应用提供了有力的支持。
- 单位
