[论文解读] MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals

Emmanuel Asiedu Brempong, Millicent Agangiba+1 more|arXiv (Cornell University)|Nov 22, 2021

Mineral Processing and Grinding被引用 6

一句话总结

MiNet 是一种卷积神经网络（CNN），专为从手标本图像中自动识别矿物而设计，无需人工特征提取。在真实世界数据集上进行训练后，其在七种类别矿物分类中达到 90.75% 的准确率，证明了深度学习在野外矿物学中应用的可行性，且专家干预极少。

ABSTRACT

Identification of minerals in the field is a task that is wrought with many challenges. Traditional approaches are prone to errors where there is no enough experience and expertise. Several existing techniques mainly make use of features of the minerals under a microscope and tend to favour a manual feature extraction pipeline. Deep learning methods can help overcome some of these hurdles and provide simple and effective ways to identify minerals. In this paper, we present an algorithm for identifying minerals from hand specimen images. Using a Convolutional Neural Network (CNN), we develop a single-label image classification model to identify and categorise seven classes of minerals. Experiments conducted using real-world datasets show that the model achieves an accuracy of 90.75%.

研究动机与目标

• 解决因缺乏专业知识和经验而导致野外矿物识别错误率高的问题。
• 克服传统方法依赖显微镜下人工特征提取所存在的局限性。
• 开发一种基于深度学习的解决方案，利用可见光手标本图像实现矿物的自动分类。
• 评估单标签 CNN 模型在真实世界矿物图像数据上的性能。
• 证明深度学习在矿物学野外工作中的实际应用潜力。

提出的方法

• 设计了一种专为矿物图像分类而定制的卷积神经网络（CNN）架构。
• 模型直接处理原始手标本图像，无需人工特征提取。
• 采用单标签分类框架，为每张输入图像分配七种类别矿物之一。
• 网络在从野外标本收集的真实世界矿物图像数据集上进行训练。
• 应用数据增强技术以提高模型泛化能力并防止过拟合。
• 使用标准指标评估模型性能，包括在保留测试集上的准确率。

实验结果

研究问题

• RQ1 深度学习模型是否能在无需人工特征工程的情况下，实现对从手标本图像中提取的矿物的高准确率分类？
• RQ2 与基于显微镜的传统矿物识别方法相比，基于 CNN 的方法在准确率和可靠性方面表现如何？
• RQ3 在真实世界矿物图像数据集上，单标签 CNN 能达到怎样的性能水平？
• RQ4 数据增强在多大程度上提升了矿物分类模型的鲁棒性？
• RQ5 深度学习模型能否作为非专业人士在野外矿物识别中的实用工具？

主要发现

• MiNet 模型在七种类别矿物的真实世界数据集上测试准确率达到 90.75%。
• 该模型成功绕过了人工特征提取的需要，降低了对专家知识的依赖。
• 使用原始图像数据作为输入，实现了端到端学习，提升了模型泛化能力。
• 结果表明，深度学习可有效应用于野外环境中的矿物识别。
• 该模型性能表明其在移动设备或野外矿物学工具中部署具有强大潜力。
• 本研究验证了在实际地质应用中使用 CNN 实现自动矿物分类的可行性。