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

基金资助

国家自然科学基金(41701488); 精细勘探与国家重点实验室煤炭资源智能开发重点实验室开放研究基金(SKLCRSM24KF011); 河北省矿产资源与生态环境监测重点实验室开放基金(HBMREEM202305); 中国矿业大学(北京)基本科研业务费-博士研究生拔尖创新人才培育基金(BBJ2023025)