一个基于的深度混合起始网络模型,专注于自动化铁矿石图像表征

科学领域:

• 矿物学和材料科学 矿物学和材料科学
• 计算机科学和人工智能 人工智能

背景情况:

• 铁矿石分级对于工业发展和矿石加工至关重要.
• 铁矿石等级的准确表征对于有效利用资源至关重要.

研究的目的:

• 开发一个强大的,通用的深度学习模型,用于自动化铁矿石分级.
• 提高铁矿石表征的准确性和减少错误分类率.

主要方法:

• 利用一个反射光微观铁矿石图像数据集,来自印度东部的辛格布姆克拉顿.
• 开发了一种深度学习模型,采用定向非循环图网络架构和混合启动拓.
• 集成的MobilenetV2,InceptionV3和Xception模型用于特征提取,通过关注通道和通过编码器通道减少维度来增强.

主要成果:

• 拟议的混合深度学习模型实现了97%的分类准确性.
• 它的表现优于单个基础分类器 (MobilenetV2,InceptionV3,Xception),其最佳准确率为91%.
• 与现有最先进的模型相比,显著降低了对类别的错误分类率.

结论:

• 开发的深度学习模型为自动化铁矿石分级提供了高度准确和通用的解决方案.
• 混合架构有效地结合了特征提取,增强和维度减少,以获得卓越的性能.
• 这种自动化方法解决了单个模型在处理类别错误分类方面的局限性.