金属矿山

作者：宛鹤张金艳屈娟萍张崇辉薛季玮王森卜显忠

单位：1. 西安建筑科技大学资源工程学院,陕西 西安 710055;2. 奥卢大学奥卢矿业学院,芬兰 奥卢 FI-9004

关键词：矿物分类,迁移学习,轻量化模型,协调注意力机制,t-SNE,

基金：国家自然科学基金项目(编号:52274271,52074206,52104266)。

针对当前矿物识别领域存在的精度不佳、适应性差、携带不便等问题,提出了一种基于改进 MobileNetV3 的矿物智能识别模型(CA-MobileNet V3)。 为获得研究所需的有效数据集,通过由 mindat. org 网站和自行拍摄方式获取的矿物图像创建了一个包含 19 种矿物的数据集,对其进行数据增强处理,并按照 8 ∶1 ∶1 的比例划分为训练集、验证集和测试集。 为提升模型对图像信息的特征提取能力,引入协调注意力机制,用以替代轻量型 MobileNet V3 模型的原始 SE 注意力机制,以提高矿物识别准确率。 最后,采用迁移学习方法预训练 CA-MobileNet V3 模型,以加速模型收敛、提高泛化能力、避免过拟合。 在训练过程中,将 CA-MobileNet V3 与 mobilenet v3、MobileNet V3、ShuffleNet V2、EfficientNet V2 等模型进行了性能比较。 结果表明:各迁移模型均展现出显著的收敛速度优势,而 CA-MobileNet V3 矿物智能识别模型的 Top1-准确率、Top2-准确率、f1-score 值分别达到 93. 90%、98. 58%和 93. 89%,在所有模型中效果最佳,且模型大小仅为 4. 61 MB,属于轻量化模型。 为验证模型有效性,t-SNE 可视化分析被用于不同模型的识别效果比较,进一步印证了 CA-MobileNet V3 模型的优越性。

来源：2024年第01期

《金属矿山》期刊编辑部

查看金属矿山杂志2024年第01期