基于改进ConvNeXt网络的矿物图像智能识别
矿物识别是地质研究的重要工作,但是如何准确识别矿物仍然是一项重要的挑战.针对矿物形态特征,提出了一种利用迁移学习策略并引入通道注意力的改进ConvNeXt网络矿物图像智能识别模型.首先,利用ImageNet数据集上已预训练的ConvNeXt网络模型,运用迁移学习的方式,加载到矿物识别模型中;其次,在ConvNeXt网络的基础上,以ConvNeXt块之后与注意力机制相结合的方式,进一步提升其特征融合能力;最后,以 26 类矿物的矿石图像为研究对象,总计 34576 张图像,以6∶2∶2 比例划分训练集、验证集与测试集,模型在实验训练过程中与 VGG19、GoogLeNet、ResNet50、ResNeXt50 和ConvNeXt网络相比,收敛速度明显加快.实验结果表明,矿物智能识别模型在准确率、精确率和召回率上分别达到 98.58%、98.62%和 98.73%,而消融实验证明本文提出的优化方法有助于提升模型性能,同时,通过对不同模型矿物图像特征图的可视化对比分析,验证了本文提出的矿物识别模型对于矿物特征的准确提取,进一步证明了模型的有效性,提高了矿物识别的准确率.
矿物图像、ConvNeXt、迁移学习、注意力机制、矿物识别
43
P57;P628(矿物学)
国家自然科学基金;国家自然科学基金
2024-08-14（万方平台首次上网日期，不代表论文的发表时间）
共10页
1266-1275
