《Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy》:Kubelka-Munk theory enhances hyperspectral mineral identification for rock heritage
编辑推荐:
•物理驱动的短波红外(900–1700 nm)矿物反演框架。•诊断光谱特征的精确表征。•增强数据-模型协同可解释性。•岩石遗产保护中的智能原位检测。引言中国石窟寺在全球文化遗产体系中占有重要地位。现有石窟寺中约80%主要由砂岩建造(Haiqing [68])。砂岩矿物的类型和
- •
物理驱动的短波红外(900–1700 nm)矿物反演框架。
- •
诊断光谱特征的精确表征。
- •
增强数据-模型协同可解释性。
- •
岩石遗产保护中的智能原位检测。
引言
中国石窟寺在全球文化遗产体系中占有重要地位。现有石窟寺中约80%主要由砂岩建造(Haiqing [68])。砂岩矿物的类型和内容在岩体的劣化过程和劣化模式中起着决定性作用,是阐明劣化机制的基础。例如,黏土矿物对水蒸气高度敏感[44],而石英则特别容易受到温度波动的影响(Qi [42];Qi [43])。准确且无损的矿物检测是世界文化遗产名录中石刻文物保护中劣化评估和保护决策的基本前提。
实验室地质学家对矿物的分析通常基于重铬酸钾滴定法、乙二胺四乙酸容量法[12], [45]、光学显微镜[32]、X射线衍射(XRD)[18]、X射线荧光(XRF)[55]和扫描电子显微镜(SEM)[63]。这些技术能够定量表征矿物信息;然而,这些方法与高成本、破坏性采样以及高度依赖专家解释相关,这限制了其商业应用。尽管如此,它们仍然是目前可用的最可靠的定量方法[1], [12]。
高光谱成像(HSI)在农业[13], [69]、医学[22], [59]、矿产勘探[11], [58]和地球观测[4], [61]等多个领域展现了重要价值。高光谱成像是一种无损、非接触且高效的工具,能够准确区分矿物、分析化学成分、定义元素分布和进行物体筛选([48];Haiqing [68])。高光谱成像中常用的光谱技术包括傅里叶变换红外光谱(FTIR)[9]、激光诱导击穿光谱(LIBS)[25], [74]、拉曼光谱(RS)[57]、近红外光谱[33]和高光谱成像([54];Xingyue [40];X. [39];H. [67])。在这些方法中,高光谱成像被广泛视为主流方法。该技术通过捕获光与物质的相互作用,生成光谱-空间数据立方体,揭示物体的物理和化学性质。其处理流程通常包括降维或特征提取,然后进行建模或识别应用。为应对高容量、高维度高光谱数据的挑战,研究人员探索了主成分分析(PCA)(Qian [3], [15], [17])、线性判别分析(LDA)(Q. [14], [56])、核独立成分分析(Kernel-ICA)[30]和自编码器([70];Y. [5], [8], [75])等降维方法。
降维后,后续步骤通常涉及数据增强或建模[47]。研究人员通常将数据增强归因于生成对抗网络(GANs)的使用(W. [71])。当光谱数据经过处理产生可解释的结果时,即被认为得到了增强,随后应用机器学习建模通常更有效(L. [7];W. [38])。在有监督机器学习建模(数据驱动建模)中,卷积神经网络(CNNs)[12], [29]、支持向量机(SVMs)(Jun [6])、随机森林(RFs)[1]和人工神经网络(ANNs)[49], [60]等方法已展现出强大的性能,并仍属主流模型。此外,一些学者还采用知识驱动方法进行矿物建模([26];Zhiqiang [73])。有监督建模的主要效率瓶颈在于标注过程(Quanke [37])。
随着算力的逐步增加,高光谱图像识别模型已从有监督机器学习方法转向无监督深度学习方法。深度无监督学习已展现出检测人类无法感知信息的能力[21], [28]。识别目标通常通过堆叠多个卷积层来实现[20], [64]。一些学者通过结合多维卷积提取特征,从而完成分类任务[64],而另一些学者则利用三维卷积网络联合捕获空间特征和光谱特征以进行图像分类[2], [50], [51]。此外,循环神经网络(RNNs)[23]、贝叶斯方法[27]、图卷积网络(GCNs)([31];Y. [72])、Transformer[16], [66]和基于注意力的机制(H. [19], [41])已被用于进一步提高识别精度。尽管深度学习方法极大地推进了高光谱图像识别,但一些挑战仍然存在,特别是在特征可解释性和模型可解释性方面。
因此,本研究基于数据驱动的机器学习方法,集成Kubelka-Munk光散射理论进行短波红外高光谱矿物识别研究。对于常见矿物标本和钻孔样品,已完成以下工作:(1) 构建常见矿物标本的近端短波红外高光谱数据集;(2) 基于Kubelka-Munk理论对原始光谱数据进行物理解释和散射特性分析;(3) 开发矿物诊断光谱特征的解释模型;以及(4) 模型解释和识别性能的对比评估。
章节摘要
材料与方法
本研究提出了一种集成物理机制的矿物分割方法。首先,收集了代表性矿物标本的高光谱图像数据。随后,进行光谱数据校准、增强和建模分析。最后,将矿物识别测试模型应用于测试块。在本研究中,从数据采集到模型输出的整个工作流程完全可控,整体流程如图1所示。
光谱数据的显著差异
将物理机制整合到光谱预处理中,有效区分了光谱差异并增强了后续机器学习模型的可解释性。
使用SHIS-S260采集了常见矿物标本的近红外高光谱数据,揭示了在原始反射率光谱中绿泥石和角闪石出现"不同材料相似光谱"的现象。这一现象引入了大量
讨论
上述实验结果表明,基于物理机制的集成建模方法在矿物区分方面具有有效性。然而,选择合适的融合策略对于实现实际应用中的精确矿物识别仍然至关重要。因此,将进行后续分析以评估各种扩展方法的必要性和影响。
结论
高光谱数据同时捕获了矿物的光学特性和空间特性,建立了精细识别的核心优势。随着光谱波段的拓宽和信息量的急剧增加,从大量特征集中准确分离矿物识别光谱已成为新的挑战。本研究提出了一种集成物理机制的数据处理方法,旨在突出矿物之间的细微差异并提高
利益冲突声明
作者声明,他们没有已知的竞争性经济利益或个人关系,这些可能已经影响本文所报告的工作。
致谢
本工作得到了中国国家自然科学基金(编号52179096)、重庆人才计划青年拔尖人才项目(编号cstc2024ycjh-bgzxm0047)和中国研究生研究与创新基金会(资助编号CYB25042)的支持。
Lixin Peng|Haiqing Yang|Xiaoyu Zhou|Xingyue Li|Anhua Ju|Zhonghua Jiang|Yang Yang