一、介紹
岩石種類識別系統，基於TensorFlow搭建Resnet50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。
技術棧：
- 項目前端使用Html、CSS、BootStrap搭建界面。
- 後端基於Django處理邏輯請求
- 基於Ajax實現前後端數據通信
選題背景與意義：
在地質勘探、資源開發及工程勘察等領域，快速準確地識別岩石類型具有重要的實際意義。傳統岩石鑑定方法多依賴於人工目視或物理化學分析，存在效率低、主觀性強等侷限性。隨着計算機視覺與深度學習技術的快速發展，利用卷積神經網絡自動識別岩石圖像已成為可能，有助於提升鑑定的自動化水平與客觀性。本項目基於TensorFlow框架，採用ResNet50卷積神經網絡結構，針對玄武岩、煤、花崗岩等七類常見岩石構建圖像識別模型，並開發了一套集成前後端的Web可視化操作平台。通過該系統，用户可便捷上傳岩石圖片並獲取實時識別結果，從而為地質工作者及相關領域提供一種高效、直觀的智能識別工具，推動岩石鑑定的數字化與智能化轉型。
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/UQNsxn
四、卷積神經網絡算法介紹
ResNet50是由微軟研究院提出的深度殘差網絡，其核心創新是引入“殘差連接”結構。該結構通過跨層跳躍連接，將低層特徵直接傳遞至更深的網絡層，有效緩解了深度神經網絡中梯度消失與網絡退化的問題，使得構建超過百層的深度網絡成為可能。ResNet50包含50個卷積層，在ImageNet圖像分類任務中表現優異，被廣泛用作特徵提取的骨幹網絡。其殘差模塊通常由多個卷積層和批量歸一化、激活函數組成，並通過捷徑連接實現恆等映射，確保了深層網絡訓練的穩定性。
下面是一個基於TensorFlow調用ResNet50進行圖像分類的簡單示例：
import tensorflow as tf
from tensorflow.keras.applications.resnet50 import ResNet50
from tensorflow.keras.preprocessing import image
from tensorflow.keras.applications.resnet50 import preprocess_input, decode_predictions
import numpy as np
# 加載預訓練的ResNet50模型（不包含頂層全連接層）
model = ResNet50(weights='imagenet')
# 加載並預處理圖像
img_path = 'your_image.jpg'
img = image.load_img(img_path, target_size=(224, 224))
x = image.img_to_array(img)
x = np.expand_dims(x, axis=0)
x = preprocess_input(x)
# 進行預測
preds = model.predict(x)
# 解碼預測結果
decoded_preds = decode_predictions(preds, top=3)[0]
print('預測結果:', decoded_preds)以上代碼展示瞭如何使用預訓練的ResNet50模型對單張圖像進行分類。程序首先加載模型，然後對輸入圖像進行預處理並調整為224×224像素，最後輸出ImageNet數據集中最可能的三個類別及其置信度。該預訓練模型可直接用於遷移學習，通過微調頂層網絡即可快速適配新的圖像識別任務，如本文所述的岩石分類應用。
流程説明：
- 輸入層：接收原始圖像數據（如224×224×3的RGB圖像）
- 卷積層：通過多個卷積核提取局部特徵（邊緣、紋理等），生成特徵圖
- 池化層：對特徵圖進行下采樣（常用最大池化），減少參數並增強特徵不變性
- 全連接層：將特徵展平後通過多層神經網絡輸出最終分類結果
這種經典的“卷積-池化-全連接”結構是CNN的基礎範式，ResNet等現代網絡在此基礎上增加了殘差連接、批量歸一化等模塊來優化深層網絡訓練。
