19、石墨矿石图像分级分类算法

石墨矿石图像分级分类算法

1 引言

在石墨矿石图像分类和识别领域，传统方法在处理数据有限、特征提取不充分等问题时存在一定局限性。为解决这些问题，提出了一种基于多尺度特征融合的石墨矿石图像分类和识别方法。该方法结合迁移学习、深度卷积、空间注意力机制等技术，有效提高了石墨矿石图像的识别准确率。

2 石墨矿石图像分类和识别方法

2.1 迁移学习与石墨矿石图像数据情况

• 图像预训练 ：由于公开可用的石墨矿石图像分类数据有限，而 ImageNet 数据集包含丰富多样的图像，因此采用迁移学习方法，在 ImageNet 上预训练增强的 ConvNeXt 模型并初始化骨干网络，优化模型参数，缓解训练数据不足的问题。
• 实验数据集描述 ：专业人员收集岩石样本，获取全面的图像数据并仔细标注，使用高精度化学方法确定矿石碳含量，构建了包含四类石墨矿石的数据集，分别为废石（仅作比较参考，不参与训练 0% - 1%）、低品位矿石（1% - 5%）、较低品位矿石（6% - 10%）、较高品位矿石（11% - 15%）和高品位矿石（16% - 20%）。为减少图像质量对识别性能的影响，使用专业设备采集高分辨率图像，并将图像数据按 6:2:2 的比例随机分为训练集、验证集和测试集。具体分布如下表所示：
  | 数据集类型 | 1% - 5% | 6% - 10% | 11% - 15% | 16% - 20% |
  | — | — | — | — | — |
  | 训练集 | 676 | 1302 | 2086 | 941 |
  | 验证集 | 2