深度学习模型快速而准确的识别与智能手机

文摘

在地质调查中,岩石岩性的识别和分类是一项重要的内容。基于岩石薄片导致识别方法识别周期长、识别高成本,以及识别精度无法保证。此外,上述方法不能提供一个有效的解决方案。作为通信设备与多个传感器,智能手机是由大多数地质调查工人。本文基于卷积神经网络的智能手机应用程序开发。在这个应用程序中,可以使用手机相机拍照的岩石。类型和岩性的岩石可以快速、准确地确定在很短的时间。摘要提出了一种快速、准确地识别岩性的方法。基于ShuffleNet,一个轻量级的卷积神经网络用于深度学习、传递学习方法相结合,建立了岩石图像的识别模型。然后训练模型部署到智能手机。 A smartphone application for identifying rock lithology was designed and developed to verify its usability and accuracy. The research results showed that the accuracy of the recognition model in this paper was 97.65% on the verification data set of the PC. The accuracy of recognition on the test data set of the smartphone was 95.30%, among which the average recognition time of the single sheet was 786 milliseconds, the maximum value was 1,045 milliseconds, and the minimum value was 452 milliseconds. And the single-image accuracy above 96% accounted for 95% of the test data set. This paper presented a new solution for the rapid and accurate recognition of rock lithology in field geological surveys, which met the needs of geological survey personnel to quickly and accurately identify rock lithology in field operations.

1。介绍

岩石的识别不仅地质调查的一个重要组成部分,也地质研究的重点。传统的识别方法包括三个步骤(1,2:首先,工作人员收集新鲜岩石样本的过程中勘查;其次,回到实验室后,岩石薄片面积约2×2厘米从垂直层理方向切岩石样本。当岩石样本的一边被夷为平地在磨床上,承运人是粘在玻璃胶等胶。然后,另一边的厚度是0.03毫米,平滑和盖玻片与胶粘剂粘。最后,一个图像的岩石表在偏光显微镜知识或经验的地质学家。通过这种方式,可以确定岩石类型和结构参数。这种传统识别方法要求观察者有非常丰富的地质知识和经验。此外,这种方法有很多问题,如主观性强,长期识别了,可怜的识别能力。

随着计算机视觉和图像处理技术的发展,巨大的变化已经识别岩石和矿物分析(3,4]。许多研究人员分析了质地、面料、粒度和岩性的岩石基于图像处理技术,如图像分析和特征提取。帕特尔使用了概率神经网络(并通过开发一个实验室规模的模型建立的颜色直方图特征作为输入。模型取得了良好的识别效果,石灰岩的误分类误差小于6%。本研究的主要局限是分类对象是整个岩石样本的多个岩石,也没有进一步考虑应用于现场识别岩石(5,6]。基于玄武岩薄片图像,辛格等人27特征参数提取和识别300岩石薄片(7]。三个纹理类别的识别精度为92.22%,改进与先前的研究相比,但更少的分类类别。基于图像特征的研究,程Guojian和阴Juanjuan应用支持向量机实现图像分类共有100个岩石薄片的4类,80%的准确性(8]。缺点是模型表现不佳。不断发展的深度学习领域的图像智能识别,许多研究人员使用深度学习方法来自动识别岩石图像(9- - - - - -11]。张掖等人首次使用转移学习方法来自动识别和分类的岩石图像。他们取得的有效识别三种类型的花岗岩、千叶、角砾岩(12]。然而,实验数据很少,不能满足现场的需要识别。李等人转移使用学习方法训练砂岩微观图像获得高精度砂纸片显微图像分类模型(13]。缺点是适应性差,只有适合砂岩的认可。程Guojian、郭文汇等实现粒度自动识别基于岩石薄片图像(14]。岩石鉴定的准确性为98.5%。然而,这项研究的识别对象是岩石薄片图像,需要在实验室和不能直接应用到工作地点。基于计算机视觉和机器学习,Marmo碳酸等人使用超过1000片。基于灰度数字图像,建立了多层感知神经网络模型。然后,基于纹理数据进行了网络训练和分类精度达到93.3%15]。郭赵等人利用岩石的原始彩色图像描述特征空间。他们的方法是计算不同颜色通道的标准算术值结合他们的形态16]。神经网络用于建立特征空间之间的映射关系和岩石图像类别,和算法测试使用100从鄂尔多斯盆地岩石薄片图像。结果表明,岩石图像的自动识别速率在不同的颜色空间超过95%。

上述研究岩石图像识别使用标准岩石薄片图像,而不是以更复杂的和直接的岩石图像为研究对象。它是基于各种更复杂的特征参数提取算法,确定岩石图像数据是更少。当前的研究成果减少强烈的主观性的问题,传统方法识别成本高。但是,它不能满足地质调查人员的需求快速识别岩石岩性实时。“智能手机”现在无处不在的手持通讯和计算设备与多个传感器,所有工人随时可以使用,任何地方。为了得到一个更好的解决方案,提出了一种方法来确定岩石的形象。该方法适用于智能手机,识别快速、准确。android智能手机上运行的应用程序也在本文中设计和开发。因为智能手机的计算和存储资源有限,这种方法是基于ShuffleNet,卷积神经网络。结合转移学习方法,学习的结果ShuffleNet ImageNet传输大数据集。 These are transferred to the experimental data set in this paper, namely, the rock image data set (a total of 30 categories). After retraining, the generated rock recognition model is exported. Finally, an app was designed and developed in this paper to help the staff quickly and accurately identify the rock lithology on site. The rock recognition model needs to be deployed on android-based smartphones. The model of this paper extracted features by searching image pixels without manual operation, which reduced the influence of subjective factors. Moreover, the training process has low requirements on the rock image size, imaging distance, and light intensity. Using smartphones, which are carried by workers, lithology can be quickly and accurately identified. Compared with the traditional method, it solves the problem of the traditional method. The solved problems include strong subjectivity, high identification cost, and long cycle. It also has advantages over the analysis and feature extraction techniques based on rock slice images. For example, the method can directly identify more complex images of rocks without making thin sections. This method has the advantage of quickly and accurately identifying rock lithology in the field, which can meet the requirements of workers to identify rocks quickly and accurately.

2。材料和方法

2.1。岩石识别模型结构设计

2.1.1。ShuffleNet

ShuffleNet卷积是一个极其有效的结构为智能手机设计的。这是张謇和其他人提出的(17]。切除分离卷积和组引入卷积Xception ResNeXt可以协调的能力和计算模型,但他们的点态卷积占据了大量的计算(18- - - - - -21]。ShuffleNet介绍点态群卷积来解决这个问题。它有两个特点:点态组卷积和通道洗牌。与现有的先进的CNN模型(如MobileNets) (22,23),可以大大降低计算量下类似的精度,和参数可以大大减少。大量的1×1消耗大量的计算资源,通过卷积和点态集团卷积有助于减少计算复杂度。如图1、通道洗牌是有序的干扰通道的每个特性映射到形成一个新特性映射到解决问题所导致的“可怜的信息流”群卷积。

群卷积可以有效地降低计算成本,但输出只来自于一些固定的输入通道。它可以防止功能之间的交流渠道,不获得最优表示。ShuffleNet使用通道洗牌构造之间的关联输入通道和输出通道,包括卷积层组和一个输出×n频道。输出维度被重塑成( ,n),转置,被作为输入到下一层。图2表明ShuffleNet是基于通道洗牌构造ShuffleNet单元。

ShuffleNet架构主要是由一组ShuffleNet单位。ShuffleNet单元由一个1×1点态群卷积层和遵循通道洗牌操作层。在相同的条件下,这种结构的计算成本很低。输入是c×h×渠道与瓶颈米。ShuffleNet只需要 失败,但ResNet需要 每秒浮点操作(失败)。MobileNet相比,ShuffleNet模型性能达到绝对7.8% ImageNet(错误的成本大约每秒4000万次浮点操作(MFLOPs)。ShuffleNet通道分割操作提出了V2。首先,输入通道的特性是分为两个分支通道。不变,一个分支,另一个分支计算卷积1×1和3×3切除分离卷积。然后,两个分支功能连接和通道洗牌操作实现。通道是重组后,下一个重复单元。报告显示,ShuffleNetV2是比ShuffleNet约40%V1,速度比MobileNet约16%V2。与500年MFLOPs ShuffleNetV2是比MobileNet快58%V2,比ShuffleNet快63%V1 (24,25]。

2.1.2。学习和转移模型建设

学习方法可以应用知识转移从其他任务(任务)来源的目标任务。这种方法有利于建设目标任务的数学模型,减少了重复劳动和目标任务的训练数据的依赖26- - - - - -28]。转移的比较学习和传统的机器学习如图3。传统机器学习所面临的不同的学习任务,即使任务之间有许多相似之处,不同的学习系统需要建立。然而,面对不同的学习任务,学习可以将学到的知识转移的学习系统。换句话说,知识学在解决源任务转移到学习系统,解决了目标任务。

从的角度深层神经网络的结构和功能,卷积神经网络层的主要功能和股票参数提取,减少了参数的数量通过使用池层(27- - - - - -30.]。特征提取的网络集成通过最终完全连接层获得图像特征的高层的意思。然后,它由分类器分类得到最终的分类结果(26,31日]。小,在某些情况下,数据集和分布不平衡,使培训结果过度拟合。模型对训练数据集执行好但执行不佳验证数据集和测试数据集。使用转移学习方法可以改善这个问题很好。

2.1.3。模型结构设计

通过学习,转移模型参数训练通过ShuffleNet ImageNet大数据集的迁移。为了帮助训练岩石图像识别模型,这是迁移到30类岩石的实验数据集的形象。ShuffleNet可以从图像中提取有效信息(32,33]。岩石之间的差异图像数据集和大型数据集相对较小。在专业领域,它是一个小的细粒度数据集类型。因此,岩石图像识别的问题属于细粒度较小的数据集分类。本文使用转移学习方法进行图像识别。大多数参数网络pretrained大型数据集被保留和调整以适应这个数据集。输入图像分辨率:128,160,192,或224 px。不同大小的输入照片会影响分类结果(34]。本文使用224作为初始设置。模型的相对大小可以设置为1.0,0.75,0.50,0.25。本文推荐0.5作为初始设置。较小的模型运行更快但以牺牲准确性。

为了训练模型部署到智能手机,2.1.1的轻量级ShuffleNet卷积神经网络结构是使用。ShuffleNet权重和参数上的ShuffleNet pretrained ImageNet数据集进口基于岩石的特征图像数据集。每个卷积层ReLU用作激活函数。Batchnorm规范化使用批处理的分布。将Softmax 2.1.4用于分类的分类器。一个模型训练数据集。该模型结构如表所示1。

2.1.4。Softmax回归模型

multiclassification的问题,采用将Softmax回归算法在岩石中识别模型本文将多个神经单元的输出值映射到(0,1)总额的1 (29日,35]。因此,岩石识别模型被划分为一个样本的概率实现multiclassification在一定范畴。让训练集由米标签样本,即 。类别标签的范围y是 。让概率 表示样本的概率被歧视为类别j的输入x。因此,的输出k海尔集团分类器是一个k维空间向量,其元素的总和是1。使用假设函数类比逻辑回归可以表达Softmax的输出

在方程中的词汇,输入x是一个向量的维度米×1,输出模型参数是一个矩阵米×k。模型的训练过程是用来找到最优值通过不断迭代,预报值接近实际值。回归模型的成本函数可以表示为 1{×}是一个指示函数,其值规则1{表达式的值为true} = 1;1{表达式的值是false} = 0。

至于解决参数通过最小化 ,目前还没有解决方案,减少关闭 。在这篇文章中,如梯度下降迭代算法用于解决这个问题。后获得衍生品的梯度公式如下: 是一个向量的l元素 的偏导数是吗到l的组成部分 。

摘要权重衰减函数项添加到成本函数,使其严格凸,以确保其收敛性和独特的解决方案。成本函数是通过添加修改 ,在哪里n代表输入数据的数量,重量衰减项将惩罚过度参数值。成本函数转换为以下方程:

添加重量之后衰减项 ,成本函数成为严格凸函数,这样一个独特的解决方案可以保证,因为是一个凸函数、梯度下降方法能保证收敛到全局最优的解决方案。将数据集划分为三部分:训练集,验证集和测试集,数量λ从小型到大型,然后学习训练集上的模型参数,计算验证集误差在交叉验证集,并选择模型与最小的错误,那就是,选择 。最后,在测试集上执行评估获得最好的λ价值。为了使用优化算法,这个新函数的导数是必需的:

一个可用的Softmax回归模型可以通过最小化 。

2.2。模型训练

2.2.1。数据集和数据预处理

工人使用新鲜岩石的地质调查使用智能手机作为一个实验在一个数据集的岩石图像。这些岩石一般岩石泡沫流纹岩不同的岩性和深灰色的气孔almond-like粗糙的岩石。例如,有30种浅灰色流纹岩,紫色红凝灰岩,灰色黑色的黑曜石,紫色灰色语意含混的流纹岩,和钾灰色白色岩石数据。这些图片来自中国东部多个位置,大小3米和6米之间。在这篇文章中,每个图像的大小压缩到224224像素的条件确保准确性。图4是一个岩石样品的地图。

30收集不同种类的岩石,总共3795张图片。根据8:1:1的比率,图像被随机选择从岩石样本作为训练数据集,验证数据集和测试数据集。也就是说,有3046个训练集的图形,图形验证集的381和368图形测试集的详细数据分布如图5。

它可以从观测的数据集所有类型的数据的数量是不平衡的,和某些类别的图片的数量非常少。方法如旋转、翻转、切割和调整明暗被用来随机扩展训练数据集,提高训练的性能。

2.2.2。培训模式

学习方法被用来转移训练岩石TensorFlow框架在PC上识别模型。ShuffleNet网络结构在建造时使用Python编程语言,和参数pretrained ShuffleNet ImageNet数据集进口。实验评估核心I9系列CPU, 32 g RAM, NVIDIA GeForce GTX泰坦Z12 g GPU, Linux操作系统的电脑。在培训过程中,默认的迭代步数是3600,和学习速率为0.008。ReLU激活函数。在每个迭代中,随机选择50图像数据集的训练,和15图像被随机选择交叉验证。Softmax作为分类器分类,优化函数使用一个随机梯度下降的方法。训练精度是指准确的分类目前训练图像的比例,同时验证精度是指准确分类的比例随机选择的图像。叉显示模型训练过程的学习效果。值越小,学习效果就越好。

从图可以看出6,160后的损失是收敛的迭代。第640次迭代后,保持稳定,损失是接近于零。在这一点上,训练精度接近100%。的准确性验证设置有点紧。3600次迭代后,岩石识别模型的准确性的训练集接近100%,损失只有0.0004;验证数据集上的精度达到97.65%,损失只有0.1052。根据训练精度,验证准确性,和熵的变化,可以看出,模型的训练效果比较理想。

2.3。精度和运行时间的比较

本文展示岩石识别模型的优越性,即基于的结合ShuffleNet卷积神经网络和学习方法转移。在个人电脑上,岩石识别模型的精度和运行基于ShuffleNet与MobileNet模型相比,SqueezeNet模型和标准的卷积网络ResNet50模型。最初设计为移动和嵌入式视觉应用,MobileNets构建主要来自深分离卷积操作,decomparts标准卷积成深卷积和逐点详述的卷积。MobileNets单个过滤器适用于每个输入通道,然后将输出与逐点线性组合通过卷积。MobileNetV2提出了进一步的改进。它由反演构造残余和线性瓶颈技术,可以减少参数的数量和激活操作。结合单发探测器lite用于目标检测,据报道,MobileNetV2比MobileNet快35%V1、少用20倍计算和参数少于10倍YOLO。意思V2 (36]。SqueezeNet提出与少量参数,保持精度和其核心结构是一种新型的组件模块。有三个主要的策略构建火模块(37,38]。首先,3×3过滤器是取代1×1过滤器。第二,滤波器的输入通道的数量减少。最后,网络采样被推迟。评价结果表明,结构参数的SqueezeNet 50倍不到原始AlexNet和维护水平Imagenet AlexNet精度。

2.4。软件部署

在这项研究中,训练有素的岩石识别模型部署在智能手机或嵌入式产品。岩石鉴定的意义在于,地质调查工作场地上使用智能手机进行识别而不是巨大的服务器在实验室。在实验室认可是个不错的选择。但是,如果工人把岩石样本带回实验室岩石薄片,识别时间和成本将会增加。许多应用程序通常是非常敏感的程序的响应时间;即使很小的延迟在服务响应可以对用户产生重大影响。今天,越来越多的应用程序通过深度学习提供核心功能模型。人们是否将模式部署到云或智能手机,低延迟推理正变得越来越重要。解决这个问题的一个方法是一个高性能的云服务器上执行模型推理。此外,输入和输出模型是客户端和服务器之间传输。 However, this solution brings many problems, such as high computing costs, massive data migration through mobile networks, user privacy, and increased latency. The top-level compressed ShuffleNet model takes an alternative approach to these scenarios and requires less resources to perform reasoning. This section describes the process of deploying the ShuffleNet model on a smartphone.

岩石识别模型是训练有素的PC服务器上。本文使用TensorFlow正常运行在Linux上的框架。然而,这不能直接在智能手机上,需要做一些必要的转换和部署。CNN模型在Linux需要转换成(.pb)格式和部署在Android智能手机。为了实现识别岩石岩性的解决方案,本文开发了一个应用程序运行在安卓智能手机。此外,华为、三星和同僚,三种常见的智能手机市场中,被选为实验平台。应用程序的界面如图所示7。

应用程序是用Java编程语言编写的,运行在Android智能手机(安卓4.4操作系统或更高)。手机的运行内存应大于4 GB,和存储容量应该32 GB或更多。应用程序可以加载并运行TensorFlow框架下的训练有素的CNN模型(39,40]。不仅可以识别岩石图像被智能手机领域也是石头的照片存储在手机的画廊。软件可以输出识别结果(岩石的类型和性质,识别的准确性,以及执行时间)的接口。华为P20手机用于智能手机模型的精度检验。内置的主要镜头的焦距是3.95毫米和分辨率为2244×1080像素,支持大部分智能手机。三星Galaxy s A8和Oppo R17 16像素的后置摄像头(Android 7.0)是用来说明这个程序在其他手机的性能。

操作简单和方便的应用程序。在智能手机上安装应用程序由调查员。打开软件在工作。然后,点击“相机”进入相机拍照界面。然后,点在岩石和点击“拍摄相机。“这一系列的步骤之后,捕获的图像加载到界面识别。然后,点击“识别”,识别的结果(包括类型和岩石的岩性、识别精度,识别时间)是显示在界面在不到1秒。

2.4.1。软件开发平台

在Windows上10,构建基于Android Studio 3.3应用程序开发环境,Android SDK (Java开发工具包),Java JDK 8 (Java开发工具包),TensorFlowLite开发工具包(你可以TensorFlow框架下的模型训练迁移到Android智能手机),和ADT (Android开发工具)。应用程序适用于安卓6.0及以上的操作系统。

2.4.2。软件性能和技术概述

这个软件可以使用所有类型的Android智能手机用户。它实现了一个友好的图形用户界面和功能线性执行。在这个接口中,只有岩石鉴定结果(类型、岩性和精度)和识别时间。它还允许用户使用应用程序不知道其内部性能。应用程序的技术系统基本上是由两部分组成的。一个是底层TensorFlow Lite开发界面的组成部分,和其他Android应用程序层由Android原生开发接口(API) (41,42]。TensorFlow Lite可以部署TensorFlow框架下的CNN模型训练的安卓智能手机。根据部分中描述的原则2。1,TensorFlow Lite提供了一个Jar包用Java编写的,(所以)格式动态库用c++写的。后者为阅读提供了api等操作模型函数模型,识别函数和输出函数。“Android本机API”实现了主要部分的主要应用程序和图形用户界面。它负责协调任务,调用Android摄像头传感器获取岩石图片和正确存储结果。当岩石图像捕获“Android应用程序层”,需要识别和分析,一个请求是“TensorFlow Lite底层部分。“然而,两部分之间的直接沟通是不可行的。因此,本文需要使用Java Native Interface (JNI)允许这种交互。“Android应用程序部分”通过JNI调用所需要的功能,这实际上是负责执行c++库并返回结果。

3所示。结果

3.1。岩石识别模型的准确性和时间在智能手机上进行测试

本研究的目的是促进地质学家。他们的想法是使用智能手机来快速、准确地识别的类型和岩性岩石在野外。因此,识别的精度和运行时间是非常重要的。测试数据集和(.pb)格式模型已经完成了培训和(. txt)格式标签文件包含岩石信息导入到SD卡的Hauwei智能手机,分别。当应用程序运行在2.2时,自动加载岩石识别模型。然后,测试数据集在智能手机阅读,和测试集的识别结果。如图8模型的精度是由混淆矩阵表示。

其中,矩阵的行值是真正的价值。列值的预测价值,整个测试集的准确性为95.30%。和单一的图像的准确性高于96%,占95%的测试数据集。

单一图像的识别时间分布的测试数据集如图9。其中,单一的图像的平均识别时间786毫秒。最大值是1045毫秒。最低是452毫秒。箱线图没有异常值,显示稳定的模式识别。

3.2。相关实验和分析

一块石头识别模型基于ShuffleNet卷积神经网络结合转移提出了学习方法。为了验证该模型的优越性,相同的训练数据集和验证数据集被用于本文。和这个模型的精度和运行时间与其他CNN模型(MobileNet和SqueezeNet)。

3.2.1之上。相比之下,其他CNN模型

培训基于不同批量大小是8点评价,16日,32岁,分别为48。图10显示了模型精度和训练周期之间的关系。本节利用岩石类型和岩性的准确性。数据和其它参数设置部分中提供的实验数据2。2。

所有模型聚合后约35培训时代。32-batch训练模型实现更好的性能,比其他模型的5%左右。SqueezeNet在训练更加稳定和平滑,而MobileNet和ShuffleNet波动。是合理的,计算梯度下降方向更准确和更温和更大的批量大小在模型训练。小批量大小导致更多的随机性,使它更难达到最佳性能。

3.2.2。执行时间的评估

不同的CNN模型包含层不同深度和宽度,过滤器,过滤器的大小和形状,这导致不同的结构,参数,和复杂性。本文基于ShuffleNet岩石识别模型训练与其他模型基于卷积神经网络训练。以下结果由评估不同模型的运行时间。运行时间不同的CNN模型的评估。培训和测试时间MobileNet、ShuffleNet SqueezeNet, ResNet50模型与不同批量大小(8、16、32和48)进行评估。表2给出了实验结果。

使用批处理大小8、16、32和48在每个迭代中,MobileNet模型训练时间最长的,这些培训时间1.265秒,2.364,4.728,和8.512 s,分别。ShuffleNet模型训练时间最短,MobileNet的约75%。测试时间,ShuffleNet花最短的时间,0.125秒的时间。与ResNet50模型相比,压缩CNN模型的运行效率大大提高。模型占用的空间的大小,MobileNet, ShuffleNet, SqueezeNet要求34.5米,18.2米,25米,分别,但219.4需要ResNet50模型。实验结果还表明,ShuffleNet模型是有效和占据更少的空间。它是7倍标准卷积网络ResNet50模型和12次占用更少的空间。

3.3。使用不同的Android智能手机识别时间计时

压缩CNN模型部署在Android智能手机,和它的性能进行了测试。模型转换后,ShuffleNet、MobileNet SqueezeNet文件,分别15.2 MB, 8.4 MB, 42.8 MB。表3显示了模型试验的结果为选定的安卓智能手机。华为、三星和朋友手机用于测试,和三个手机的处理器是Kylin970, Qualcomm710, Qualcomm670。结果表明,智能手机非常有效,可以在0.5秒内执行操作,支持实时应用程序。华为手机实现最佳性能,以0.283秒执行模型由于神经网络处理单元中包含它。三个模型部署在相同的智能手机。有三种不同类型的智能手机。如表所示3,ShuffleNet达到最佳性能的模型。

3.4。方法的优点

摘要岩石识别方法与传统方法相比,基于岩石切片图像处理方法。表4显示了方法的优点。本文的模型可以快速识别岩石类型和属性的条件是满足精度要求。提出的方法可以快速得到识别结果在不到1秒后拍照。没有必要让岩片降低鉴定成本。实验结果表明,模型压缩的卷积网络模型具有明显的性能和计算。适用于快速、准确识别领域离线条件下岩石的岩性。

4所示。讨论

摘要轻量级卷积神经网络ShuffleNet被用来解决认识问题的类型和岩性的岩石。ShuffleNet pretraining模型的调整结合转移学习方法,然后模型重新训练在岩石上图像数据集。最后,本文开发了一个智能程序对快速识别岩石的地质调查。30这个程序启用有效识别类型的岩石如花岗岩、流纹岩、凝灰岩、角砾岩在部署之前训练岩石模型Android智能手机。本文识别模型的准确性达到97.65%的验证数据集电脑。和识别模型的准确性的测试数据集智能手机是95.30%。一个岩石图像的平均识别时间786毫秒。模型的尺寸只有18.2 MB。同样的岩石模型,没有显著性差异的结果不同的智能识别。模型提取特征通过搜索图像像素点没有手动操作,从而减少主观因素的影响。 Compared with the recognition of rocks using the technique of rock thin section image processing [3,43],提出的方法有较低的需求规模、成像距离,光强度的岩石图像。摘要岩石识别模型由ShuffleNet训练与MobileNet和SqueezeNet训练模型,分别在精度和运行时间。发现岩石识别模型基于ShuffleNet培训有很多优势。例如,它可以有效地减少模型参数,模型压缩规模,提高模型计算速度,缩短运行时间模型。这种方法识别时间短,精度高,适用于快速、准确识别离线条件下的岩石图像。基于ShuffleNet轻量级卷积神经网络,岩石的特点有效地识别图像中。通过个人电脑和智能手机的测试,没有错误的情况下,这充分证明了模型的鲁棒性和泛化能力。

本文的最大贡献是为地质调查提供了一套解决方案,快速而准确地识别岩性。传统识别方法不仅需要收集新鲜的岩石样本岩石薄片还知识或有经验的专业人士认识到在显微镜下的岩石类型和结构参数。传统的方法具有较强的主观性,长时间和高困难。因此,传统的识别方法要求观察者有非常丰富的地质知识和经验(42- - - - - -44]。目前,发现大部分的岩石深度学习识别技术用于识别岩石切片。这同样适用于图像处理技术。工人需要收集岩石样本,回到办公室或实验室岩石薄片。识别精度能满足专业标准的要求。但是,最大的缺点是,岩石的研究成果认可不能应用于该领域。和工人不能使用岩石识别的研究成果迅速和准确地识别岩石(6,45,46]。本文使用ShuffleNet结合转移学习方法训练岩石识别模型。没有必要使岩石薄片。地质调查人员使用智能手机,他们携带工具拍摄岩石图像。

提出的方法也有一定的局限性。样本数据的大小有重要影响识别效果的深度学习模型。当图像的数量的某种类型的岩石,它的功能将会被淹没,导致可怜的识别效果。很难找到类似的岩石图像分类和识别的概率较低。因此,识别这些岩石图像的概率很低。本文最初的训练数据集是扩大后切割岩石的形象。这时,一个新的分类识别模型建立了培训。第二个测试是由概率较低的分类和识别岩石图像。为花岗岩,其中包含大量的矿物质和在其内容广泛的变异,在模式识别和分类的效果差。因为花岗岩主要由长石、石英和黑与白云母、不同种类的矿物成分是不一样的。 And there may be pyroxene and amphibole, so the image features are complex, and the difficulty of recognition is increased. In addition, there were 30 types of rocks identified in this paper, and more types and quantities of training samples were needed. The model in this paper was compared with the training models of MobileNet and SqueezeNet. Experimental results show that the ShuffleNet-based rock recognition model has advantages in precision and running time. The comparison involves fewer models and requires more lightweight compression models. Adding more models is to choose a better solution in terms of precision and time.

5。结论

识别岩石类型和岩性地质调查的一个重要组成部分。ShuffleNet在这项研究,一个轻量级的卷积神经网络为智能手机设计的,用于识别类型和岩性的岩石。转移学习方法被用来训练岩石在电脑识别模型,部署在智能手机和训练模型。本文设计并开发了一个智能手机上运行的应用程序。此应用程序不仅操作简单,而且岩石高度准确的识别。本文解决了识别时间长、成本高的问题在传统的识别方法。它还弥补了缺陷的方法基于图像处理和特征提取的岩石薄片岩石无法识别快速、准确。地质调查人员可以快速、准确地识别岩石通过使用智能手机,这是很大的帮助地质调查。在未来,本文需要比较基于ShuffleNet岩石识别模型和由轻量级卷积神经网络模型训练。为了提高该方法的准确性和效率,更添加了不同种类的岩石训练样本。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

作者感谢其他团队成员的帮助与实验。这项研究是由中国地质调查局地质调查项目共同支持(DD20190416)。

引用

1. 周宏儒。Massonne周宏儒。伯恩哈特,d . Dettmar e·凯斯勒,o . Medenbach和t .韦氏比重,“简单的识别和量化microdiamonds岩石薄片,”欧洲矿物学杂志,10卷,不。3、497 - 504年,1998页。视图:出版商的网站|谷歌学术搜索
2. f·s·里德和j·l·Mergner“岩石薄片的制备”,美国矿物学家,38卷,第1203 - 1184页,1953年。视图:谷歌学术搜索
3. c·a·佩雷斯·j·a . Saravia c·f·纳瓦罗d·a·舒尔茨c . m . Aravena和f . j . Galdames“岩石岩性分类从子图片,使用多尺度伽柏特性与岩石轮廓信息和投票,”国际矿物加工工程杂志》上卷。144年,56 - 64,2015页。视图:出版商的网站|谷歌学术搜索
4. l ., a . Porwal E.-J。霍尔顿,m . c . Dentith”从遥感数据自动岩性分类使用支持向量机,”电脑与地球科学,45卷,第239 - 229页,2012年。视图:出版商的网站|谷歌学术搜索
5. l . Lepisto Kunttu,和a·j·e·签证,“岩石图像分类在伽柏空间,使用颜色特征”电子杂志的成像,14卷,不。4、文章ID 040503, 2005。视图:出版商的网站|谷歌学术搜索
6. a·k·帕特尔和美国Chatterjee,”电脑的石灰石岩石类型分类使用概率神经网络,建立“地球科学前沿,7卷,不。1,53-60,2016页。视图:出版商的网站|谷歌学术搜索
7. n·辛格,t·n·辛格,a . Tiwary和k . m . Sarkar”结构的识别玄武岩岩体利用图像处理和神经网络,”计算地球科学,14卷,不。2、301 - 310年,2010页。视图:出版商的网站|谷歌学术搜索
8. 程和w·郭“摇滚图像分类利用卷积神经网络,”物理学杂志》:会议系列文章ID 012089卷,887年,2017年。视图:出版商的网站|谷歌学术搜索
9. p y, j . m .太阳,y . j .江和j·s·高,“深度学习方法从钻孔岩性识别图像,”2017年第79届渴望会展学报》上2017年6月,巴黎,法国,。视图:出版商的网站|谷歌学术搜索
10. s . Rinnen c . Stroth a . Riße c . Ostertag-Henning和h f . Arlinghaus”特征和识别岩石的矿物ToF-SIMS和主成分分析,“应用表面科学卷,349年,第628 - 622页,2015年。视图:出版商的网站|谷歌学术搜索
11. h . Izadi j .距首都普里什蒂纳,m .“,“在薄片矿物识别的智能系统基于级联的方法,”电脑与地球科学卷。99年,37-49,2017页。视图:出版商的网站|谷歌学术搜索
12. 韩张y、m·李和美国“岩性的自动识别和分类的基础上深度学习在岩石图像,”《岩石学报,34卷,不。2、333 - 342年,2018页。视图:谷歌学术搜索
13. h . n . Li,顾,d . Wang, x,“转移学习方法的自动识别砂岩微观图像,”电脑与地球科学卷,103年,第121 - 111页,2017年。视图:出版商的网站|谷歌学术搜索
14. g . Cheng问:悦,x羌族“卷积神经网络的可行性研究岩石薄片图像检索,”学报》2018年第2 IEEE先进信息管理、通信、电子和自动化控制会议(IMCEC)西安,页2539 - 2542年,中国,2018年5月。视图:出版商的网站|谷歌学术搜索
15. r . Marmo美国医生,r . Tagliaferri机构组织,诉Ferreri g·隆戈,“碳酸盐岩的结构识别图像处理和神经网络:方法建议和例子,”电脑与地球科学没有,卷。31日。5,649 - 659年,2005页。视图:出版商的网站|谷歌学术搜索
16. c .郭和y刘”,识别岩石图像基于多个颜色空间,”科学技术与工程,14卷,247 - 251 + 255,2014页。视图:谷歌学术搜索
17. 张X。,Zhou X., Lin M., Sun J. S. N., An extremely efficient convolutional neural network for mobile devices, arXiv:1707.01083 [cs] 2017.
18. f . Chollet“深度学习与切除可分离旋转,”学报2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页1251 - 1258年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
19. m . d . Zeiler和r·费格斯“可视化和理解卷积网络”电脑Vision-ECCV 2014;d .舰队,t . Pajdla b . Schiele和t . Tuytelaars, Eds。,pp. 818–833, Springer International Publishing, Berlin, Germany, 2014.视图:出版商的网站|谷歌学术搜索
20. f . Bordignon l·p·d·Figueiredo r . Exterkoetter比比罗德里格斯,和m·d·科雷亚是“深度学习对晶粒尺寸和孔隙度分布估计微ct图像,”第16届国际大会的巴西地球物理学报社会& Expogef里约热内卢,巴西,2019年8月。视图:出版商的网站|谷歌学术搜索
21. c . Szegedy s Ioffe诉Vanhoucke, a . a . Alemi”Inception-v4 inception-ResNet和剩余连接对学习的影响,”美国31日AAAI会议上人工智能2017年2月,旧金山,加利福尼亚,美国。视图:谷歌学术搜索
22. k . x张,他任美国,j .太阳,“深残余学习图像识别,”学报2016年IEEE计算机视觉与模式识别会议(CVPR)拉斯维加斯,页770 - 778年,NV,美国,2016年6月。视图:出版商的网站|谷歌学术搜索
23. 汉。,Mao H., Dally W. J., Deep compression: compressing deep neural networks with pruning, trained quantization and huffman coding, arXiv:1510.00149 [cs] 2015.
24. m·桑德勒a .霍华德·m·朱a . Zhmoginov L.-C。陈,“MobileNetV2:倒残差和线性瓶颈,”学报2018年IEEE / CVF计算机视觉与模式识别会议,页4510 - 4520,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
25. 妞妞W。,Ma X., Wang Y., Ren B, 26 ms inference time for ResNet-50: towards real-time execution of all DNNs on smartphone, arXiv:1905.00571 [cs, stat] 2019.
26. y Ganin,大肠dagestan h . Ajakan et al .,“Domain-adversarial训练神经网络,”在计算机视觉领域适应应用程序,g . Csurka Ed,页189 - 209,施普林格国际出版,可汗,瑞士,2017。视图:出版商的网站|谷歌学术搜索
27. j . Yosinski Clune j . y . Bengio, h·利普森”转移特性在深层神经网络如何?“在神经信息处理系统的进步27z . Ghahramani m .湿润,c·科尔特斯n d·劳伦斯和k·温伯格,Eds。,页3320 - 3328,柯伦Associates Inc .,纽约,纽约,美国,2014年。视图:谷歌学术搜索
28. b . Zoph诉Vasudevan, j . Shlens诉勒,“学习转移体系结构可伸缩图像识别”学报2018年IEEE / CVF计算机视觉与模式识别会议,页8697 - 8710,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
29. 张成泽E。Gu S。,Poole B., Categorical reparameterization with gumbel-softmax, arXiv:1611.01144 [cs, stat] 2016.
30. f .藏和j .张“Softmax判别分类器,”《2011年第三多媒体信息网络与安全国际会议,16 - 19页,上海,中国,2011年11月。视图:出版商的网站|谷歌学术搜索
31. a . Caliskan m . e . Yuksel h . Badem和a . Basturk”性能改进的深层神经网络分类器通过一个简单的培训策略,”人工智能技术的工程应用卷,67 5,2018页。视图:出版商的网站|谷歌学术搜索
32. 谢X。,Zhou Y., Kung S.-Y., H. G. C.: hierarchical group convolution for highly efficient neural network, arXiv:1906.03657 [cs] 2019.
33. a . Krizhevsky i Sutskever, g·e·辛顿“ImageNet分类与深卷积神经网络,”神经信息处理系统的进步25f·佩雷拉,c . j . c . Burges l . Bottou和k·温伯格,Eds。,页1097 - 1105,柯伦Associates Inc .,纽约,纽约,美国,2012年。视图:谷歌学术搜索
34. e . Zawadzka-Gosk k Wołk, w . Czarnowski“深度学习最先进的图像分类精度超过99%,”先进的智能系统和计算施普林格,页946 - 957年,可汗,瑞士,2019。视图:出版商的网站|谷歌学术搜索
35. t, t, j·杨,x,和w·鲁,“基于堆的轴承故障诊断方法autoencoder softmax回归,”学报2015年第34中国控制会议(CCC)杭州,页6331 - 6335年,中国,2015年7月。视图:出版商的网站|谷歌学术搜索
36. j . Redmon和a·哈蒂”YOLO9000:更好,更快,更强”学报2017年IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页7263 - 7271年,美国,2017年7月,你好。视图:出版商的网站|谷歌学术搜索
37. Shafiee m . J。李,F。,Chwyl B. W. A., SquishedNets, Squishing SqueezeNet further for edge device scenarios via deep evolutionary synthesis, arXiv:1711.07459, 2017.
38. a·g·桑托斯c . o . De Souza c . Zanchettin d, a . l . i奥利维拉和t . Ludermir”与切除可分离旋转减少SqueezeNet存储大小,”《2018年国际神经网络(IJCNN)联合会议,页1 - 6,里约热内卢,巴西,2018年10月。视图:出版商的网站|谷歌学术搜索
39. m . Abadi p·巴j . Chen等人“TensorFlow:大规模机器学习系统”21 ACM SIGPLAN学报》国际会议功能Programming-ICFP 2016日本奈良,页265 - 283年,2016年9月。视图:出版商的网站|谷歌学术搜索
40. m·a . s . Adhiwibawa m . r . Ariyanto a, k . r . Prilianti和t·h·p·Brotosudarmo“卷积神经网络在图像分析测定红树林物种,”诉讼的第三国际研讨会光子学,光学及其应用(ISPhOA 2018)2019年8月,印尼泗水。视图:出版商的网站|谷歌学术搜索
41. 道x h . Liu, m . et al .,“植物叶片几何参数测量系统基于android平台,“传感器,19卷,不。8,1872年,页2019。视图:出版商的网站|谷歌学术搜索
42. j·康,j·李,D.-S。加工”,分享服务旅行距离估计使用个人步行模式对于室内定位,“传感器,18卷,不。9,3149年,页2018。视图:出版商的网站|谷歌学术搜索
43. 美国Karimpouli p·塔玛色比,“使用深卷积autoencoder网络数字岩石图像分割,“电脑与地球科学卷,126年,第150 - 142页,2019年。视图:出版商的网站|谷歌学术搜索
44. l .蜀g·r·Osinski k . McIsaac d·王,“自动分析方法分类级别的岩石颗粒,”电脑与地球科学卷,120年,第104 - 97页,2018年。视图:出版商的网站|谷歌学术搜索
45. 美国Aligholi、r . Khajavi和m . Razmara”自动矿物识别算法利用晶体的光学性质,“电脑与地球科学卷,85年,第183 - 175页,2015年。视图:出版商的网站|谷歌学术搜索
46. f . j . Galdames c·a·佩雷斯·a .这几年会和m·亚当斯”分类的岩石岩性由3 d激光测距和彩色图像”国际矿物加工工程杂志》上卷。160年,47-57,2017页。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Guangpeng风扇等。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。