一、介紹

岩石種類識別系統，基於TensorFlow搭建卷積神經網絡算法，通過對7種常見的岩石圖片數據集（‘玄武岩（Basalt）’, ‘煤（Coal）’, ‘花崗岩（Granite）’, ‘石灰岩（Limestone）’, ‘大理石（Marble）’, ‘石英岩（Quartzite）’, ‘砂岩（Sandstone））進行訓練，最後得到一個識別精度較高的模型，然後搭建Web可視化操作平台。

前端: Vue3、Element Plus

後端：Django

算法：TensorFlow、卷積神經網絡算法

具體功能：

1. 系統分為管理員和用户兩個角色，登錄後根據角色顯示其可訪問的頁面模塊。
2. 登錄系統後可發佈、查看、編輯文章，創建文章功能中集成了markdown編輯器，可對文章進行編輯。
3. 在圖像識別功能中，用户上傳圖片後，點擊識別，可輸出其識別結果和置信度
4. 基於Echart以柱狀圖形式輸出所有種類對應的置信度分佈圖。
5. 在智能問答功能模塊中：用户輸入問題，後台通過對接Deepseek接口實現智能問答功能。
6. 管理員可在用户管理模塊中，對用户賬户進行管理和編輯。

選題背景與意義：
岩石識別是地質勘探、工程建設和資源評估等領域的關鍵基礎工作。然而，傳統識別方法高度依賴專業人員的經驗與肉眼判斷，存在主觀性強、效率低且難以普及等侷限性。隨着人工智能技術的快速發展，基於深度學習的圖像識別為岩石種類的自動化、高精度識別提供了全新解決方案。本課題旨在設計並實現一套融合算法識別與業務管理的岩石種類識別系統，以TensorFlow框架搭建卷積神經網絡模型，對玄武岩、花崗岩、砂岩等七類常見岩石圖像進行訓練，構建高精度識別模型。同時，系統結合Vue3與Django開發可視化Web平台，集成圖像識別、結果可視化、知識共享與智能問答等功能，不僅提升了岩石識別的準確性與效率，也為地質相關從業人員及學習者提供了一體化的智能工具，具有良好的實用價值與應用前景。

二、系統效果圖片展示

三、演示視頻 and 完整代碼 and 安裝

地址：https://ziwupy.cn/p/igsT8X

四、卷積神經網絡算法介紹

卷積神經網絡（CNN）是一種專門用於處理網格狀數據（如圖像）的深度學習架構。其核心思想是通過局部連接、權重共享和池化操作來自動提取圖像的層次化特徵。

主要組件：

1. 卷積層：使用卷積核滑動掃描圖像，提取局部特徵（如邊緣、紋理）
2. 池化層（通常為最大池化）：降低特徵圖尺寸，增強平移不變性
3. 全連接層：將提取的特徵進行綜合，完成分類任務

CNN通過這種分層結構，能夠從低級特徵（邊緣）到高級特徵（物體部件）逐步抽象，非常適合圖像識別任務。

import tensorflow as tf
from tensorflow.keras import layers, models

# 構建CNN模型
def create_cnn_model(input_shape=(224, 224, 3), num_classes=7):
    model = models.Sequential([
        # 卷積塊1
        layers.Conv2D(32, (3, 3), activation='relu', input_shape=input_shape),
        layers.MaxPooling2D((2, 2)),
        
        # 卷積塊2
        layers.Conv2D(64, (3, 3), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        
        # 卷積塊3
        layers.Conv2D(128, (3, 3), activation='relu'),
        layers.MaxPooling2D((2, 2)),
        
        # 全連接層
        layers.Flatten(),
        layers.Dense(128, activation='relu'),
        layers.Dropout(0.5),
        layers.Dense(num_classes, activation='softmax')  # 7類岩石分類
    ])
    
    return model

# 創建並編譯模型
model = create_cnn_model()
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 模型結構摘要
model.summary()

# 訓練模型（示例）
# model.fit(train_images, train_labels, epochs=10, validation_split=0.2)

# 預測單張圖像
# prediction = model.predict(np.expand_dims(test_image, axis=0))
# predicted_class = np.argmax(prediction)

以上代碼展示了使用TensorFlow構建CNN模型的基本流程。首先定義了一個包含三個卷積塊（每個包含卷積層和池化層）的序列模型，最後通過全連接層輸出7類岩石的概率分佈。模型使用ReLU激活函數增強非線性，Dropout層防止過擬合，Softmax輸出多分類概率。在實際應用中，需要準備標註好的岩石圖像數據集，進行適當的預處理和數據增強，然後調用fit方法訓練模型。訓練完成後，模型即可對新的岩石圖像進行自動識別分類。

四層核心流程：

1. 輸入層：標準化岩石圖像輸入
2. 卷積層：多級卷積+池化，自動提取紋理、結構等層次化特徵
3. 展平層：將多維特徵圖轉換為一維特徵向量
4. 輸出層：全連接網絡計算7類岩石的概率分佈