基于深度学习的稀有金属花岗岩岩性细粒度分类研究

摘要

细粒度图像分类在实际应用中具有较高的研究价值和应用前景。目前，传统岩性细粒度分类方法多依赖研究者的经验与实验设备的质量，主观性强且时效性差。文中将细粒度图像分类技术引入花岗岩岩性识别领域，系统构建了肉红色、灰白色、含铁锰质和含天河石碱长花岗岩4类岩性的RGB图像数据集，并采用AlexNet、VGG16、ResNet50和Vision Transformer等典型网络模型开展对比试验。结果表明：所有模型分类精度均超过82%,其中VGG16模型最优，分类精度为88.57%,较AlexNet模型提升了5.71%;含天河石碱长花岗岩因特征矿物显著，识别准确率达100%,而灰白色碱长花岗岩识别效果最差；模型精度与训练样本量呈正相关，完整训练集时模型性能最优。未来，可通过改善岩石样本的数量和质量、优化模型算法，进一步提升稀有金属花岗岩岩性细粒度分类的精度。

关键词

稀有金属花岗岩 / 岩性分类 / 细粒度分类 / 深度学习 / RGB图像