利用遥感手段进行花岗伟晶岩型锂矿的识别是锂矿找矿勘查中的重要方法之一。为提高深度学习语义分割方法在花岗伟晶岩这一特殊场景中的信息提取精度,文章对经典U-Net网络进行了改进。在编码部分卷积单元层中加入批量归一化模块,使用ReLU6激活函数代替ReLU激活函数,同时构建复合损失函数,以提高运算效率,减少训练过程中的精度损失。使用国产GF-2花岗伟晶岩型锂矿影像制作数据集进行实验,结果表明,改进U-Net模型对GF-2影像研究区内花岗伟晶岩信息的识别效果较好,相比原始U-Net网络、基于VGG主干网络的U-Net模型、基于MobileNetV3主干网络的U-Net模型以及传统随机森林模型,平均交并比分别提高了14.69,0.95,5.08和35.34百分点,F 1-score分别提高了18.38,1.02,5.7和54.59百分点,实现了低植被覆盖区域遥感影像中含矿花岗伟晶岩信息的高精度自动化提取。
李婉悦;娄德波;王成辉;刘欢;张长青;范莹琳;杜晓川;
中国地质科学院矿产资源研究所,自然资源部成矿作用与资源评价重点实验室,北京100037 中国地质大学(北京)地球科学与资源学院,北京100083中国地质科学院矿产资源研究所,自然资源部成矿作用与资源评价重点实验室,北京100037中国煤炭地质总局勘查研究总院,北京100039
计算机与自动化
深度学习;花岗伟晶岩;U-Net;GF-2
《自然资源遥感》 2024 (002)
P.89-96 / 8
“西部伟晶岩型粘土型锂等稀有金属成矿规律与潜力评价”(编号:2021YFC2901905);国家重点研发计划项目“碳酸盐岩容矿的锰铝矿探测预测技术与找矿模型”(编号:2022YFC2903404)共同资助。
10.6046/zrzyyg.2022500
评论