高(gao)光譜(pu)成像技(ji)術用於(yu)巖(yan)心(xin)數(shu)字化分析(xi)

 具(ju)有高(gao)空間和光譜(pu)分辨率的(de)SisuSCS/ROCK高(gao)光譜(pu)成像工(gong)作站，代表(biao)了的高(gao)通量(liang)、非(fei)損(sun)傷(shang)多樣芯(xin)高光譜(pu)掃描(miao)分(fen)析(xi)技(ji)術，可(ke)對巖礦(kuang)樣芯(xin)、沈積物樣芯(xin)或其它地礦樣品(pin)進(jin)行批(pi)量(liang)快(kuai)速(su)檢(jian)測，提供有(you)*分(fen)析價(jia)值及應用潛(qian)力(li)的(de)數(shu)字化數(shu)據(ju)。它在(zai)地礦勘查研(yan)究領(ling)域的(de)出(chu)現，預(yu)示(shi)著從(cong)鉆孔(kong)到(dao)沈積尺(chi)度(du)的(de)樣芯(xin)、巖屑(xie)、土壤和其他(ta)地礦樣品(pin)的(de)定量(liang)礦(kuang)物(wu)學(xue)研(yan)究和巖心(xin)樣本(ben)數(shu)據(ju)庫建(jian)設(she)，將(jiang)發生壹場(chang)技術革(ge)命。

案(an)例壹、斑巖(yan)礦樣芯(xin)的礦(kuang)物填圖和礦脈(mai)探測

在(zai)地礦勘查工(gong)作中(zhong)，快(kuai)速(su)的分(fen)析(xi)地質樣品(pin)的(de)表征(zheng)並繪(hui)制斑(ban)巖脈(mai)的礦(kuang)物(wu)填圖壹直是(shi)亟(ji)待解(jie)決的難題。以往(wang)對樣芯(xin)的分(fen)析更多的依(yi)賴(lai)於(yu)地質學(xue)家的(de)觀(guan)察和化學分(fen)析(xi)，這種方法(fa)不(bu)僅耗(hao)時較(jiao)長(chang)、得到(dao)的(de)信息有(you)限，而(er)且常(chang)因(yin)觀察人員(yuan)的(de)主(zhu)觀(guan)性判(pan)斷(duan)使結果出(chu)現偏差。而(er)高(gao)光譜(pu)成像技(ji)術的出(chu)現及應用，不(bu)僅能夠更的識別不(bu)同(tong)的(de)礦(kuang)物(wu)成分，還(hai)能快(kuai)速(su)繪(hui)制樣芯(xin)中(zhong)各成分的(de)空間分布(bu)。

來(lai)自(zi)德國(guo)亥姆(mu)霍茲(zi)聯合(he)會資(zi)源(yuan)技(ji)術研(yan)究所(suo)的(de)Laura Tusa等(deng)(Mineralization et al., 2019)研(yan)究人(ren)員(yuan)，在(zai)羅(luo)馬(ma)尼亞(ya)的(de)Bolcana地區，使(shi)用SisuROCK樣芯(xin)分析(xi)設備搭(da)配AisaFENIX VNIR-SWIR 高光譜(pu)傳感(gan)器采集了當(dang)地斑巖(yan)礦樣芯(xin)的數(shu)據(ju)進(jin)行分類分析(xi)。為(wei)了更好的呈(cheng)現礦(kuang)脈(mai)的走(zou)向(xiang)，研(yan)究人(ren)員(yuan)根(gen)據(ju)光譜(pu)圖像中(zhong)的曲(qu)線結構進行數(shu)據(ju)分(fen)離(li)，得到(dao)了如下礦脈(mai)分布(bu)圖。

圖(tu)1.1 DC1,DC2和DC3分別(bie)為(wei)三(san)個樣芯(xin)。其中(zhong)I為(wei)樣芯(xin)的RGB圖(tu)，

II為(wei)基(ji)於(yu)高(gao)通量(liang)高(gao)光譜(pu)數(shu)據(ju)的(de)礦物填圖，III為(wei)提(ti)取後的礦(kuang)脈(mai)分布(bu)圖。

為(wei)了驗證高(gao)光譜(pu)成像（HSI）分(fen)類結果(guo)的有(you)效(xiao)性，科(ke)研(yan)人員(yuan)同(tong)時使(shi)用了高分(fen)辨率掃(sao)描(miao)電(dian)子(zi)顯微鏡(jing)搭(da)配礦相(xiang)解(jie)離(li)分析(xi)儀（SEM-MLA），得到(dao)分(fen)辨率更高的礦脈(mai)分布(bu)圖，並提取(qu)其特(te)征(zheng)與高光譜(pu)數(shu)據(ju)結(jie)果進行比(bi)對，結果(guo)發現高(gao)光譜(pu)分析(xi)得到(dao)的(de)礦(kuang)脈(mai)走向(xiang)與(yu)SEM-MLA結(jie)果偏差小(xiao)於(yu)4.5o，其厚(hou)度(du)準(zhun)確率平均值達(da)到了81%。證明(ming)高(gao)光譜(pu)掃描(miao)技(ji)術可(ke)以可(ke)靠的實現更快(kuai)速(su)、無(wu)損(sun)且(qie)有效的礦(kuang)物(wu)識(shi)別和填圖繪(hui)制，為(wei)完善(shan)地質學(xue)家的(de)樣芯(xin)分析(xi)提供了有效(xiao)的(de)工(gong)具。

圖(tu)1.2SEM-MLA和HSI分析(xi)結(jie)果對比(bi)圖。DC1,DC2和DC3分別(bie)為(wei)三(san)個樣芯(xin)，其中(zhong)I為(wei)SEM-MLA全(quan)分辨率礦(kuang)物填圖，II為(wei)基(ji)於(yu)高(gao)光譜(pu)高通量(liang)數(shu)據(ju)的(de)礦物填圖，III為(wei)SEM-MLA數(shu)字化提取(qu)特(te)征(zheng)後的礦(kuang)脈(mai)分布(bu)圖，IV為(wei)基(ji)於(yu)HSI提(ti)取(qu)的(de)礦(kuang)脈(mai)分布(bu)圖

案(an)例二、基(ji)於(yu)機器學習(xi)框架和高光譜(pu)數(shu)據(ju)的(de)礦物識別(bie)

隨(sui)著高(gao)光譜(pu)成像技(ji)術被證明(ming)可(ke)以用(yong)於(yu)快(kuai)速(su)無(wu)損(sun)的(de)礦物樣芯(xin)分析(xi)，如何提(ti)高(gao)光譜(pu)數(shu)據(ju)分(fen)析效率和分類精度(du)成為(wei)了業(ye)界(jie)關(guan)註(zhu)的(de)新(xin)難題(ti)。來自(zi)德國(guo)亥姆(mu)霍茲(zi)聯合(he)會資(zi)源(yuan)技(ji)術研(yan)究所(suo)的(de)Isabel Acosta等(deng)對此(ci)問(wen)題進行嘗(chang)試並取得了新(xin)的突(tu)破(Cecilia et al., 2019)。

研(yan)究人(ren)員(yuan)壹方面(mian)使用(yong)SisuROCK樣芯(xin)分析(xi)設備搭(da)配AisaFENIX VNIR-SWIR 采集了巖心(xin)的(de)高光譜(pu)圖像信息（HS），同(tong)時也(ye)使(shi)用了高分(fen)辨率掃(sao)描(miao)電(dian)子(zi)顯微鏡(jing)搭(da)配礦相(xiang)解(jie)離(li)分析(xi)儀（SEM-MLA）獲取該巖心(xin)的(de)礦物學(xue)數(shu)據(ju)。由(you)於(yu)SEM-MLA礦(kuang)物(wu)數(shu)據(ju)結(jie)果分辨率較(jiao)高，高(gao)光譜(pu)數(shu)據(ju)每(mei)壹小(xiao)像元被觀察到實(shi)際(ji)飽含著多種礦(kuang)物(wu)成分，因(yin)此(ci)需要(yao)通過評(ping)估每(mei)壹小(xiao)像元中(zhong)的不(bu)同(tong)礦(kuang)物(wu)的(de)豐(feng)度(du)來(lai)標(biao)記該像元的分類。

圖(tu)2.1 分類標(biao)記高光譜(pu)數(shu)據(ju)小(xiao)像元的流程(cheng)，(a)為(wei)MLA識(shi)別的礦物(wu)分(fen)布(bu)示(shi)意圖(tu)，每(mei)壹格代表(biao)著高(gao)光譜(pu)數(shu)據(ju)小(xiao)像元的面積 (b)為(wei)基(ji)於(yu)高(gao)光譜(pu)數(shu)據(ju)每(mei)壹像元中(zhong)主(zhu)要(yao)成分標(biao)記的礦(kuang)物(wu)分(fen)類 (c)為(wei)各(ge)分類中(zhong)的礦(kuang)物成分豐(feng)度(du)  (d)為(wei)Class2的(de)光譜(pu)曲線(xian)，並標(biao)記有不(bu)同(tong)礦(kuang)物(wu)的(de)特(te)定(ding)吸收(shou)特(te)征(zheng)。

完成標(biao)記後，作者選(xuan)擇使用隨(sui)機森(sen)林(lin)(RF)和支持(chi)向(xiang)量(liang)機(SVM)兩種(zhong)分(fen)類方法(fa)對已分(fen)類數(shu)據(ju)進(jin)行機器學習(xi)，並重新(xin)處理了MLA圖像以匹(pi)配高光譜(pu)數(shu)據(ju)的(de)分辨率，據(ju)處(chu)理後的MLA圖(tu)像進(jin)行(xing)機器學習(xi)結果(guo)的分類準確度(du)驗證。通過五(wu)次取(qu)樣分(fen)析(xi)學習(xi)後，隨(sui)機森(sen)林(lin)法(fa)的(de)整(zheng)體分(fen)類準確度(du)達(da)到了69.6%，支持(chi)向(xiang)量(liang)機法的(de)整(zheng)體分(fen)類準確度(du)達(da)到了73.9%。

圖(tu)2.2 基於(yu)隨(sui)機森(sen)林(lin)(RF)和支持(chi)向(xiang)量(liang)機(SVM)的分(fen)類結果(guo)，右上(shang)為(wei)不(bu)同(tong)分(fen)類中(zhong)的礦(kuang)物種類和豐度(du)。

利(li)用(yong)機器學習(xi)融(rong)合高(gao)光譜(pu)和MLA數(shu)據(ju)的(de)方法進壹步證明(ming)了高光譜(pu)成像技(ji)術在(zai)礦(kuang)探(tan)領(ling)域的(de)應用(yong)潛(qian)力(li)，作者指(zhi)出(chu)，未(wei)來(lai)需要(yao)通過更多的樣本(ben)測試，提升(sheng)重采(cai)樣和配準(zhun)技(ji)術，進壹步優(you)化機器學習(xi)模型(xing)。這將(jiang)有可(ke)能(neng)大幅(fu)度(du)提(ti)升(sheng)基於(yu)高(gao)光譜(pu)成像技(ji)術的礦物填圖分(fen)類精度(du)，將(jiang)光譜(pu)成像技(ji)術在(zai)礦(kuang)探(tan)領(ling)域從(cong)科(ke)學研(yan)究向(xiang)工(gong)業(ye)化應用(yong)推(tui)進。

易(yi)科(ke)泰(tai)生態技術公司(si)提(ti)供高(gao)光譜(pu)成像技(ji)術、XRF技術、LIBS技術、GeoDrone®無(wu)人(ren)機遙(yao)感技(ji)術等地質礦(kuang)產勘查全面解(jie)決方案，歡迎(ying)垂(chui)詢(xun)！