Resumen

La clasificación de rocas es una rama importante de la geología que puede ayudar a entender la formación y evolución del planeta, a buscar recursos minerales, etc. En los métodos tradicionales, la clasificación de las rocas suele hacerse basándose en la experiencia de un profesional. Sin embargo, este método tiene problemas como la baja eficiencia y la susceptibilidad a factores subjetivos. Por lo tanto, es de gran importancia establecer un modelo de clasificación de rocas sencillo, rápido y preciso. Este artículo propone una red de clasificación de imágenes de grano fino que combina el método de corte de imágenes y el algoritmo SBV para mejorar el rendimiento de la clasificación de un pequeño número de muestras de roca de grano fino. El método utiliza el corte de imágenes para lograr el aumento de datos sin añadir conjuntos de datos adicionales y utiliza la puntuación de la votación por bloques de imágenes para obtener información complementaria más rica, mejorando así la precisión de la clasificación de imágenes. La precisión de la clasificación de 32 imágenes es del 75%, 68,75% y 75%. Los resultados muestran que el método propuesto en este trabajo mejora significativamente la precisión de la clasificación de imágenes, que es un 34,375%, 18,75% y 43,75% superior a la del algoritmo original. Esto verifica la eficacia del algoritmo en este trabajo y al mismo tiempo demuestra que el aprendizaje profundo tiene un gran valor de aplicación en el campo de la geología.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:precisión de la imagen, campo de la geología, red de clasificación de imágenes, papel, modelo de clasificación de rocas, información complementaria más rica, métodos de corte de imágenes, métodos, rama de la geología, muestra de roca granulada
• Keywords:accuracy of image, field of geology, image classification network, paper, rock classification model, richer complementary information, image cutting methods, methods, branch of geology, grained rock sample