基于通道注意力机制优化的轻量型SqueezeNet智能成矿预测方法

摘要

智能化找矿是矿产资源勘探的重要发展方向，深度学习能够揭示海量地学数据中与成矿相关的内在关联，挖掘多源控矿因素与矿产资源之间的复杂非线性关系。然而，当前用于成矿预测的深度学习模型通常参数较多、结构复杂，难以高效集成到现有矿产资源勘查评价系统或勘查工具中。同时，在提取局部空间特征时，往往未充分考虑不同控矿因素通道的重要性差异，导致模型预测性能提升受限。为此，本文提出一种基于通道注意力机制优化的轻量型卷积神经网络方法用于成矿预测。该方法采用SqueezeNet网络减少模型参数量，并通过引入Squeeze-Excitation模块为模型添加通道注意力机制，从而依据各控矿因素对预测结果的贡献动态分配权重，使模型更关注重要性高的控矿因素通道，保留更多关键成矿特征，提升成矿预测模型性能。将所提方法应用于陕西省凤县金矿潜力预测，通过对比传统卷积神经网络、未添加通道注意力的SqueezeNet,以及添加通道注意力模块的两种优化结构构建的成矿预测模型性能，证明了本文轻量型卷积神经网络模型能够大幅度减少模型参数量，同时验证了通道注意力机制对提高预测准确率的有效性。所构建的模型能够在29.5%的研究区预测面积内，准确识别81.8%的已知金矿资源，取得了可靠的矿产预测效果。

关键词

智能成矿预测 / 深度学习 / SqueezeNet算法 / 通道注意力机制