通过使用深度神经网络从两极化图像中识别原灭绝角特征

科学领域:

• 矿物学是什么?矿物学是什么?
• 地质化学 地质化学
• 计算机科学 计算机科学

背景情况:

• 石灰是一种地球地的关键组成部分,对于理解其形成和演变至关重要.
• 精确识别质的灭绝角度对于确定其和含量至关重要.
• 目前用于灭绝角度分析的手动和自动化方法受到无聊,人类专业知识依赖,信息丢失和弱特征检测的限制.

研究的目的:

• 开发一种先进的,自动化的方法,用于准确地识别原体灭绝角度的特征.
• 克服现有的图像识别技术在分析偏振形图像方面的局限性.
• 通过改进的藻类分析,增强对地球地的组成和演变的理解.

主要方法:

• 提出了AFI-Net (灭绝角识别神经网络),这是一个使用偏振图像序列的深度学习模型.
• 整合了条纹注意模块,以增强检测在Plagioclase图像中的线性特征.
• 结合了用于空间特征提取的2D卷积神经网络 (CNN) 骨干与用于空间时空特征分析的基于变压器的模块.

主要成果:

• AFI-Net在识别原体灭绝角度特征方面表现出高准确度和稳定性.
• 拟议的条纹注意模块有效地提高了关键条纹特征的检测.
• 实验结果显示,AFI-Net显著优于现有的先进识别方法.

结论:

• AFI-Net提供了一种卓越的自动化解决方案,用于识别原体灭绝角度.
• 该方法推进了对地地质学至关重要的青类的组成和结构分析.
• 这种深度学习方法为地质研究和矿物学研究提供了强大的工具.