高光谱成像技术用于岩心数字化分析

具有高空间和光谱分辨率的SisuSCS/ROCK高光谱成像工作站，代表了世界领先的高通量、非损伤多样芯高光谱扫描分析技术，可对岩矿样芯、沉积物样芯或其它地矿样品进行批量快速检测，提供有极高分析价值及应用潜力的数字化数据。它在地矿勘查研究领域的出现，预示着从钻孔到沉积尺度的样芯、岩屑、土壤和其他地矿样品的定量矿物学研究和岩心样本数据库建设，将发生一场技术革命。

案例一、斑岩矿样芯的矿物填图和矿脉探测

在地矿勘查工作中，快速的分析地质样品的表征并绘制斑岩脉的矿物填图一直是亟待解决的难题。以往对样芯的分析更多的依赖于地质学家的观察和化学分析，这种方法不仅耗时较长、得到的信息有限，而且常因观察人员的主观性判断使结果出现偏差。而高光谱成像技术的出现及应用，不仅能够更精确的识别不同的矿物成分，还能快速绘制样芯中各成分的空间分布。

来自德国亥姆霍兹联合会资源技术研究所的Laura Tusa等(Mineralization et al., 2019)研究人员，在罗马尼亚的Bolcana地区，使用SisuROCK样芯分析设备搭配AisaFENIX VNIR-SWIR 高光谱传感器采集了当地斑岩矿样芯的数据进行分类分析。为了更好的呈现矿脉的走向，研究人员根据光谱图像中的曲线结构进行数据分离，得到了如下矿脉分布图。

图1.1 DC1,DC2和DC3分别为三个样芯。其中I为样芯的RGB图，

II为基于高通量高光谱数据的矿物填图，III为提取后的矿脉分布图。

为了验证高光谱成像（HSI）分类结果的有效性，科研人员同时使用了高分辨率扫描电子显微镜搭配矿相解离分析仪（SEM-MLA），得到分辨率更高的矿脉分布图，并提取其特征与高光谱数据结果进行比对，结果发现高光谱分析得到的矿脉走向与SEM-MLA结果偏差小于4.5o，其厚度准确率平均值达到了81%。证明高光谱扫描技术可以可靠的实现更快速、无损且有效的矿物识别和填图绘制，为完善地质学家的样芯分析提供了有效的工具。

图1.2SEM-MLA和HSI分析结果对比图。DC1,DC2和DC3分别为三个样芯，其中I为SEM-MLA全分辨率矿物填图，II为基于高光谱高通量数据的矿物填图，III为SEM-MLA数字化提取特征后的矿脉分布图，IV为基于HSI提取的矿脉分布图

案例二、基于机器学习框架和高光谱数据的矿物识别

随着高光谱成像技术被证明可以用于快速无损的矿物样芯分析，如何提高光谱数据分析效率和分类精度成为了业界关注的新难题。来自德国亥姆霍兹联合会资源技术研究所的Isabel Acosta等对此问题进行尝试并取得了新的突破(Cecilia et al., 2019)。

研究人员一方面使用SisuROCK样芯分析设备搭配AisaFENIX VNIR-SWIR 采集了岩心的高光谱图像信息（HS），同时也使用了高分辨率扫描电子显微镜搭配矿相解离分析仪（SEM-MLA）获取该岩心的矿物学数据。由于SEM-MLA矿物数据结果分辨率较高，高光谱数据每一最小像元被观察到实际饱含着多种矿物成分，因此需要通过评估每一最小像元中的不同矿物的丰度来标记该像元的分类。

图2.1 分类标记高光谱数据最小像元的流程，(a)为MLA识别的矿物分布示意图，每一格代表着高光谱数据最小像元的面积 (b)为基于高光谱数据每一像元中最主要成分标记的矿物分类 (c)为各分类中的矿物成分丰度  (d)为Class2的光谱曲线，并标记有不同矿物的特定吸收特征。

完成标记后，作者选择使用随机森林(RF)和支持向量机(SVM)两种分类方法对已分类数据进行机器学习，并重新处理了MLA图像以匹配高光谱数据的分辨率，据处理后的MLA图像进行机器学习结果的分类准确度验证。通过五次取样分析学习后，随机森林法的整体分类准确度达到了69.6%，支持向量机法的整体分类准确度达到了73.9%。

图2.2 基于随机森林(RF)和支持向量机(SVM)的分类结果，右上为不同分类中的矿物种类和丰度。

利用机器学习融合高光谱和MLA数据的方法进一步证明了高光谱成像技术在矿探领域的应用潜力，作者指出，未来需要通过更多的样本测试，提升重采样和配准技术，进一步优化机器学习模型。这将有可能大幅度提升基于高光谱成像技术的矿物填图分类精度，将光谱成像技术在矿探领域从科学研究向工业化应用推进。

易科泰生态技术公司提供高光谱成像技术、XRF技术、LIBS技术、GeoDrone®无人机遥感技术等地质矿产勘查全面解决方案，欢迎垂询！

参考文献

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.

案例一、斑岩矿样芯的矿物填图和矿脉探测

在地矿勘查工作中，快速的分析地质样品的表征并绘制斑岩脉的矿物填图一直是亟待解决的难题。以往对样芯的分析更多的依赖于地质学家的观察和化学分析，这种方法不仅耗时较长、得到的信息有限，而且常因观察人员的主观性判断使结果出现偏差。而高光谱成像技术的出现及应用，不仅能够更精确的识别不同的矿物成分，还能快速绘制样芯中各成分的空间分布。

来自德国亥姆霍兹联合会资源技术研究所的Laura Tusa等(Mineralization et al., 2019)研究人员，在罗马尼亚的Bolcana地区，使用SisuROCK样芯分析设备搭配AisaFENIX VNIR-SWIR 高光谱传感器采集了当地斑岩矿样芯的数据进行分类分析。为了更好的呈现矿脉的走向，研究人员根据光谱图像中的曲线结构进行数据分离，得到了如下矿脉分布图。

图1.1 DC1,DC2和DC3分别为三个样芯。其中I为样芯的RGB图，

II为基于高通量高光谱数据的矿物填图，III为提取后的矿脉分布图。

为了验证高光谱成像（HSI）分类结果的有效性，科研人员同时使用了高分辨率扫描电子显微镜搭配矿相解离分析仪（SEM-MLA），得到分辨率更高的矿脉分布图，并提取其特征与高光谱数据结果进行比对，结果发现高光谱分析得到的矿脉走向与SEM-MLA结果偏差小于4.5o，其厚度准确率平均值达到了81%。证明高光谱扫描技术可以可靠的实现更快速、无损且有效的矿物识别和填图绘制，为完善地质学家的样芯分析提供了有效的工具。

图1.2SEM-MLA和HSI分析结果对比图。DC1,DC2和DC3分别为三个样芯，其中I为SEM-MLA全分辨率矿物填图，II为基于高光谱高通量数据的矿物填图，III为SEM-MLA数字化提取特征后的矿脉分布图，IV为基于HSI提取的矿脉分布图

案例二、基于机器学习框架和高光谱数据的矿物识别

随着高光谱成像技术被证明可以用于快速无损的矿物样芯分析，如何提高光谱数据分析效率和分类精度成为了业界关注的新难题。来自德国亥姆霍兹联合会资源技术研究所的Isabel Acosta等对此问题进行尝试并取得了新的突破(Cecilia et al., 2019)。

研究人员一方面使用SisuROCK样芯分析设备搭配AisaFENIX VNIR-SWIR 采集了岩心的高光谱图像信息（HS），同时也使用了高分辨率扫描电子显微镜搭配矿相解离分析仪（SEM-MLA）获取该岩心的矿物学数据。由于SEM-MLA矿物数据结果分辨率较高，高光谱数据每一最小像元被观察到实际饱含着多种矿物成分，因此需要通过评估每一最小像元中的不同矿物的丰度来标记该像元的分类。

图2.1 分类标记高光谱数据最小像元的流程，(a)为MLA识别的矿物分布示意图，每一格代表着高光谱数据最小像元的面积 (b)为基于高光谱数据每一像元中最主要成分标记的矿物分类 (c)为各分类中的矿物成分丰度  (d)为Class2的光谱曲线，并标记有不同矿物的特定吸收特征。

完成标记后，作者选择使用随机森林(RF)和支持向量机(SVM)两种分类方法对已分类数据进行机器学习，并重新处理了MLA图像以匹配高光谱数据的分辨率，据处理后的MLA图像进行机器学习结果的分类准确度验证。通过五次取样分析学习后，随机森林法的整体分类准确度达到了69.6%，支持向量机法的整体分类准确度达到了73.9%。

图2.2 基于随机森林(RF)和支持向量机(SVM)的分类结果，右上为不同分类中的矿物种类和丰度。

利用机器学习融合高光谱和MLA数据的方法进一步证明了高光谱成像技术在矿探领域的应用潜力，作者指出，未来需要通过更多的样本测试，提升重采样和配准技术，进一步优化机器学习模型。这将有可能大幅度提升基于高光谱成像技术的矿物填图分类精度，将光谱成像技术在矿探领域从科学研究向工业化应用推进。

易科泰生态技术公司提供高光谱成像技术、XRF技术、LIBS技术、GeoDrone®无人机遥感技术等地质矿产勘查全面解决方案，欢迎垂询！

参考文献

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.