一种地质矿产勘查方法及系统与流程

本发明涉及矿产勘查，特别是涉及一种地质矿产勘查方法及系统。

背景技术：

1、矿产资源对于现代生活十分重要，是社会发展所必需的重要能源。在现有技术中，矿产资源勘探方法主要依赖于地质、地球物理、地球化学等手段，这些手段往往需要大量的人力、物力和时间投入，而且受到地形、气候、植被等自然条件的限制，该找矿方式费时费力，不仅浪费了大量的人力成本，还降低了找矿效率，同时由于人工的局限性，会存在矿床漏寻找的问题，导致找矿的精准度下降。可见，目前传统的矿物资源勘探方式难以满足当前矿物资源勘探的高效率需求。矿产资源的评价与探测更加直接依赖于技术的创新，通过技术进步能够实现对成矿过程的深入理解，增强寻找大型矿床的能力。所以，对本领域技术人员，如何在保证找矿准确率的基础上提高矿产资源的勘探效率是亟待解决的问题。

技术实现思路

1、本发明的目的是提供一种地质矿产勘查方法及系统，以解决背景技术中提出的问题。

2、为实现上述目的，本发明提供了如下方案：一方面，提供一种基于深度学习的地质矿产勘查方法，具体步骤包括如下：

3、通过遥感找矿模型，初步圈定遥感找矿靶区；

4、获取所述遥感找矿靶区的地质遥感图像；

5、对所述地质遥感图像进行预处理得到第一图像；

6、利用大津法确定最佳阈值对所述第一图像进行分割，得到矿产资源区域图像；

7、将所述矿产资源区域图像输入到训练好的矿产识别神经网络模型中进行矿产资源类别预测。

8、优选的，所述卷积神经网络模型的训练步骤为：采集多张地质遥感图像，对多张所述地质遥感图像进行预处理，形成样本数据集；获取所述样本数据集，将所述样本数据集分为训练集和测试集；构建卷积神经网络模型，利用所述训练集对所述卷积神经网络模型进行训练，得到所述矿产识别神经网络模型。

9、优选的，所述卷积神经网络模型以残差卷积层为基础，并在所述残差卷积层前段增加多尺度卷积和混合注意力机制。

10、优选的，通过增广，将采集的多张所述地质遥感图像均经过切割、旋转、平移操作，得到新的样本数据集以增加实验样本数量。

11、优选的，还包括通过交叉熵损失函数来最小化预测值和真实值之间的差值对所述矿产资源类别进行预测，得到预测结果。

12、优选的，初步圈定遥感找矿靶区的具体步骤为：

13、获取历史矿产参数，所述历史矿产参数包括目标勘查区域的的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据；

14、根据所述历史矿产参数，确定找矿靶区信息；

15、将所述位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据作为输入数据，所述找矿靶区信息作为输出数据对深度学习模型进行训练，得到所述遥感找矿模型；

16、获取待预测的矿产参数，所述待预测的矿产参数包括目标勘查区域的位置信息、地质构造数据、岩性数据、地层数据、地貌地形数据；将所述待预测的目标勘查区域的矿产参数输入至所述遥感找矿模型进行预测，初步圈定遥感找矿靶区。

17、优选的，在无人机上安装高清摄像头和gps定位仪，所述无人机在所述遥感找矿靶区上方进行飞行的过程中，实时控制所述高清摄像头对无人机下方的所述遥感找矿靶区进行图像采集，获取所述遥感找矿靶区的地质遥感图像。

18、优选的，对所述地质遥感图像进行预处理具体包括：几何精校正、图像融合、镶嵌、裁剪和增强。

19、另一方面，提供一种基于深度学习的地质矿产勘查系统，其特征在于，具体包括初步勘探模块、数据获取模块、预处理模块、图像分割模块、矿产识别模块；其中，

20、所述初步勘探模块，用于通过遥感找矿模型，初步圈定遥感找矿靶区；

21、所述数据获取模块，用于获取所述遥感找矿靶区的地质遥感图像；

22、所述预处理模块，用于对所述地质遥感图像进行预处理得到第一图像；

23、所述图像分割模块，用于利用大津法确定最佳阈值对所述第一图像进行分割，得到矿产资源区域图像；

24、所述矿产识别模块，用于将所述矿产资源区域图像输入到训练好的矿产识别神经网络模型中进行矿产资源类别预测。

25、根据本发明提供的具体实施例，本发明公开了以下技术效果：

26、(1)构建多尺度卷积和混合注意力机制的卷积神经网络模型进行矿产资源类别预测，在保证矿产资源预测精度的基础上提高了矿产勘探的效率，为有效开展机器学习在矿产资源应用提供技术基础；

27、(2)在模型训练过程中通过数据增广，防止因样本数量过少造成的网络训练过拟合问题；

28、(3)在本发明中先基于遥感找矿模型，初步圈定遥感找矿靶区，缩小了矿产勘查范围，采集找矿靶区内的图像，通过深度学习的图像处理技术对矿产资源类别进行预测识别，大大提高工作效率和监测精度。

技术特征：

1.一种基于深度学习的地质矿产勘查方法，其特征在于，具体步骤包括如下：

2.根据权利要求1所述的一种基于深度学习的地质矿产勘查方法，其特征在于，所述卷积神经网络模型的训练步骤为：采集多张地质遥感图像，对多张所述地质遥感图像进行预处理，形成样本数据集；获取所述样本数据集，将所述样本数据集分为训练集和测试集；构建卷积神经网络模型，利用所述训练集对所述卷积神经网络模型进行训练，得到所述矿产识别神经网络模型。

3.根据权利要求2所述的一种基于深度学习的地质矿产勘查方法，其特征在于，所述卷积神经网络模型以残差卷积层为基础，并在所述残差卷积层前段增加多尺度卷积和混合注意力机制。

4.根据权利要求2所述的一种基于深度学习的地质矿产勘查方法，其特征在于，通过增广，将采集的多张所述地质遥感图像均经过切割、旋转、平移操作，得到新的样本数据集以增加实验样本数量。

5.根据权利要求1所述的一种基于深度学习的地质矿产勘查方法，其特征在于，还包括通过交叉熵损失函数来最小化预测值和真实值之间的差值对所述矿产资源类别进行预测，得到预测结果。

6.根据权利要求1所述的一种基于深度学习的地质矿产勘查方法，其特征在于，初步圈定遥感找矿靶区的具体步骤为：

7.根据权利要求1所述的一种基于深度学习的地质矿产勘查方法，其特征在于，在无人机上安装高清摄像头和gps定位仪，所述无人机在所述遥感找矿靶区上方进行飞行的过程中，实时控制所述高清摄像头对无人机下方的所述遥感找矿靶区进行图像采集，获取所述遥感找矿靶区的地质遥感图像。

8.根据权利要求1所述的一种基于深度学习的地质矿产勘查方法，其特征在于，对所述地质遥感图像进行预处理具体包括：几何精校正、图像融合、镶嵌、裁剪和增强。

9.一种基于深度学习的地质矿产勘查系统，其特征在于，具体包括初步勘探模块、数据获取模块、预处理模块、图像分割模块、矿产识别模块；其中，

技术总结本发明公开了一种地质矿产勘查方法及系统，涉及矿产勘查技术领域。具体步骤为：通过遥感找矿模型，初步圈定遥感找矿靶区；获取所述遥感找矿靶区的地质遥感图像；对所述地质遥感图像进行预处理得到第一图像；利用大津法确定最佳阈值对所述第一图像进行分割，得到矿产资源区域图像；将所述矿产资源区域图像输入到训练好的矿产识别神经网络模型中进行矿产资源类别预测。本发明通过构建多尺度卷积和混合注意力机制的卷积神经网络模型进行矿产资源类别预测，在保证矿产资源预测精度的基础上提高了矿产勘探的效率，为有效开展机器学习在矿产资源应用提供技术基础。技术研发人员：吴少锋,陈礼标,李龙江受保护的技术使用者：青海省第四地质勘查院（青海省能源地质勘查院）技术研发日：技术公布日：2024/9/2