高光譜成像技術(shù)用于巖心數(shù)字化分析

具有高空間和光譜分辨率的SisuSCS/ROCK高光譜成像工作站，代表了世界領(lǐng)先的高通量、非損傷多樣芯高光譜掃描分析技術(shù)，可對(duì)巖礦樣芯、沉積物樣芯或其它地礦樣品進(jìn)行批量快速檢測(cè)，提供有極高分析價(jià)值及應(yīng)用潛力的數(shù)字化數(shù)據(jù)。它在地礦勘查研究領(lǐng)域的出現(xiàn)，預(yù)示著從鉆孔到沉積尺度的樣芯、巖屑、土壤和其他地礦樣品的定量礦物學(xué)研究和巖心樣本數(shù)據(jù)庫(kù)建設(shè)，將發(fā)生一場(chǎng)技術(shù)革命。

案例一、斑巖礦樣芯的礦物填圖和礦脈探測(cè)

在地礦勘查工作中，快速的分析地質(zhì)樣品的表征并繪制斑巖脈的礦物填圖一直是亟待解決的難題。以往對(duì)樣芯的分析更多的依賴(lài)于地質(zhì)學(xué)家的觀察和化學(xué)分析，這種方法不僅耗時(shí)較長(zhǎng)、得到的信息有限，而且常因觀察人員的主觀性判斷使結(jié)果出現(xiàn)偏差。而高光譜成像技術(shù)的出現(xiàn)及應(yīng)用，不僅能夠更精確的識(shí)別不同的礦物成分，還能快速繪制樣芯中各成分的空間分布。

來(lái)自德國(guó)亥姆霍茲聯(lián)合會(huì)資源技術(shù)研究所的Laura Tusa等(Mineralization et al., 2019)研究人員，在羅馬尼亞的Bolcana地區(qū)，使用SisuROCK樣芯分析設(shè)備搭配AisaFENIX VNIR-SWIR 高光譜傳感器采集了當(dāng)?shù)匕邘r礦樣芯的數(shù)據(jù)進(jìn)行分類(lèi)分析。為了更好的呈現(xiàn)礦脈的走向，研究人員根據(jù)光譜圖像中的曲線(xiàn)結(jié)構(gòu)進(jìn)行數(shù)據(jù)分離，得到了如下礦脈分布圖。

圖1.1 DC1,DC2和DC3分別為三個(gè)樣芯。其中I為樣芯的RGB圖，

II為基于高通量高光譜數(shù)據(jù)的礦物填圖，III為提取后的礦脈分布圖。

為了驗(yàn)證高光譜成像（HSI）分類(lèi)結(jié)果的有效性，科研人員同時(shí)使用了高分辨率掃描電子顯微鏡搭配礦相解離分析儀（SEM-MLA），得到分辨率更高的礦脈分布圖，并提取其特征與高光譜數(shù)據(jù)結(jié)果進(jìn)行比對(duì)，結(jié)果發(fā)現(xiàn)高光譜分析得到的礦脈走向與SEM-MLA結(jié)果偏差小于4.5o，其厚度準(zhǔn)確率平均值達(dá)到了81%。證明高光譜掃描技術(shù)可以可靠的實(shí)現(xiàn)更快速、無(wú)損且有效的礦物識(shí)別和填圖繪制，為完善地質(zhì)學(xué)家的樣芯分析提供了有效的工具。

圖1.2SEM-MLA和HSI分析結(jié)果對(duì)比圖。DC1,DC2和DC3分別為三個(gè)樣芯，其中I為SEM-MLA全分辨率礦物填圖，II為基于高光譜高通量數(shù)據(jù)的礦物填圖，III為SEM-MLA數(shù)字化提取特征后的礦脈分布圖，IV為基于HSI提取的礦脈分布圖

案例二、基于機(jī)器學(xué)習(xí)框架和高光譜數(shù)據(jù)的礦物識(shí)別

隨著高光譜成像技術(shù)被證明可以用于快速無(wú)損的礦物樣芯分析，如何提高光譜數(shù)據(jù)分析效率和分類(lèi)精度成為了業(yè)界關(guān)注的新難題。來(lái)自德國(guó)亥姆霍茲聯(lián)合會(huì)資源技術(shù)研究所的Isabel Acosta等對(duì)此問(wèn)題進(jìn)行嘗試并取得了新的突破(Cecilia et al., 2019)。

研究人員一方面使用SisuROCK樣芯分析設(shè)備搭配AisaFENIX VNIR-SWIR 采集了巖心的高光譜圖像信息（HS），同時(shí)也使用了高分辨率掃描電子顯微鏡搭配礦相解離分析儀（SEM-MLA）獲取該巖心的礦物學(xué)數(shù)據(jù)。由于SEM-MLA礦物數(shù)據(jù)結(jié)果分辨率較高，高光譜數(shù)據(jù)每一最小像元被觀察到實(shí)際飽含著多種礦物成分，因此需要通過(guò)評(píng)估每一最小像元中的不同礦物的豐度來(lái)標(biāo)記該像元的分類(lèi)。

圖2.1 分類(lèi)標(biāo)記高光譜數(shù)據(jù)最小像元的流程，(a)為MLA識(shí)別的礦物分布示意圖，每一格代表著高光譜數(shù)據(jù)最小像元的面積 (b)為基于高光譜數(shù)據(jù)每一像元中最主要成分標(biāo)記的礦物分類(lèi) (c)為各分類(lèi)中的礦物成分豐度  (d)為Class2的光譜曲線(xiàn)，并標(biāo)記有不同礦物的特定吸收特征。

完成標(biāo)記后，作者選擇使用隨機(jī)森林(RF)和支持向量機(jī)(SVM)兩種分類(lèi)方法對(duì)已分類(lèi)數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，并重新處理了MLA圖像以匹配高光譜數(shù)據(jù)的分辨率，據(jù)處理后的MLA圖像進(jìn)行機(jī)器學(xué)習(xí)結(jié)果的分類(lèi)準(zhǔn)確度驗(yàn)證。通過(guò)五次取樣分析學(xué)習(xí)后，隨機(jī)森林法的整體分類(lèi)準(zhǔn)確度達(dá)到了69.6%，支持向量機(jī)法的整體分類(lèi)準(zhǔn)確度達(dá)到了73.9%。

圖2.2 基于隨機(jī)森林(RF)和支持向量機(jī)(SVM)的分類(lèi)結(jié)果，右上為不同分類(lèi)中的礦物種類(lèi)和豐度。

利用機(jī)器學(xué)習(xí)融合高光譜和MLA數(shù)據(jù)的方法進(jìn)一步證明了高光譜成像技術(shù)在礦探領(lǐng)域的應(yīng)用潛力，作者指出，未來(lái)需要通過(guò)更多的樣本測(cè)試，提升重采樣和配準(zhǔn)技術(shù)，進(jìn)一步優(yōu)化機(jī)器學(xué)習(xí)模型。這將有可能大幅度提升基于高光譜成像技術(shù)的礦物填圖分類(lèi)精度，將光譜成像技術(shù)在礦探領(lǐng)域從科學(xué)研究向工業(yè)化應(yīng)用推進(jìn)。

易科泰生態(tài)技術(shù)公司提供高光譜成像技術(shù)、XRF技術(shù)、LIBS技術(shù)、GeoDrone®無(wú)人機(jī)遙感技術(shù)等地質(zhì)礦產(chǎn)勘查全面解決方案，歡迎垂詢(xún)！

參考文獻(xiàn)

Cecilia, I. et al. (2019) ‘A Machine Learning Framework for Drill-Core Mineral Mapping Using Hyperspectral and High-Resolution Mineralogical Data Fusion’, pp. 1–14.

Mineralization, P. et al. (2019) ‘Mineral Mapping and Vein Detection in Hyperspectral Drill-Core Scans : Application to’. doi: 10.3390/min9020122.