張哲遠(yuǎn)　陳立輝　張新陽

【摘 要】基于支持向量機(jī)（SVM）學(xué)習(xí)方法，通過對(duì)白云巖、鮞?；?guī)r、花崗巖、石英砂巖這四種巖石進(jìn)行鏡下識(shí)別，對(duì)比總結(jié)了6類常見造巖礦物的鏡下識(shí)別特征，并據(jù)此提出了首先進(jìn)行大量常見造巖單礦物識(shí)別訓(xùn)練，其次再建立常見礦物鏡下識(shí)別特征數(shù)據(jù)庫，然后對(duì)造巖礦物的載體巖石進(jìn)行機(jī)器學(xué)習(xí)訓(xùn)練，最后形成可以通過人工智能技術(shù)進(jìn)行高質(zhì)量高效率巖石鏡下鑒別的模式。

【關(guān)鍵詞】巖石鑒定;鏡下識(shí)別;SVM;人工智能

中圖分類號(hào)： P585.1 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 2095-2457（2019）36-0027-002

DOI：10.19694/j.cnki.issn2095-2457.2019.36.012

0 引言

在地質(zhì)工作中，巖石野外初步鑒定是其中極為重要的一步，在野外通常是通過肉眼并借助放大鏡等工具進(jìn)行初級(jí)鑒定。但由于肉眼鑒定的結(jié)果往往不夠準(zhǔn)確，通常需要將樣品采集回來磨制成薄片后再作進(jìn)一步的鏡下巖石顯微鑒定，觀察其礦物成分、組構(gòu)特征以及相對(duì)含量，并結(jié)合野外對(duì)其觀察的記錄來進(jìn)一步確定巖石的詳細(xì)種類以及相關(guān)的成因信息，這是對(duì)巖石所在區(qū)域進(jìn)行深入地質(zhì)研究的基礎(chǔ)。因此，對(duì)于地質(zhì)工作者和學(xué)習(xí)者來說，在鏡下對(duì)巖石薄片進(jìn)行鑒定就成為了一項(xiàng)必備的專業(yè)技能。但是目前來看巖石的鏡下鑒定由人工進(jìn)行觀察有一定的難度，首先鑒定人員在前期需要大量的學(xué)習(xí)準(zhǔn)備時(shí)間以確保有足夠的巖石知識(shí)儲(chǔ)備，其次巖石鏡下顯微鑒定的工作量大、耗時(shí)長(zhǎng)，再者還會(huì)因?yàn)槊總€(gè)人的不同認(rèn)定標(biāo)準(zhǔn)而使鑒定結(jié)果有一定的差異存在。

如今，人工智能技術(shù)（AI）迅速發(fā)展，在各大領(lǐng)域基本都有應(yīng)用，在最近幾年，也推出了地質(zhì)大數(shù)據(jù)、智能地質(zhì)學(xué)等概念。周永章等[1]指出地質(zhì)大數(shù)據(jù)正在以指數(shù)形式增長(zhǎng)，大量應(yīng)用于地質(zhì)各領(lǐng)域，在這個(gè)大數(shù)據(jù)背景下人工智能地質(zhì)學(xué)的迅速發(fā)展改變著傳統(tǒng)地質(zhì)。張杰等[2]運(yùn)用了支持向量機(jī)法，對(duì)巖石薄片圖像進(jìn)行分割，有效的解決了巖石顏色多樣和巖石邊緣模糊等問題，相對(duì)于傳統(tǒng)機(jī)器學(xué)習(xí)方法有著明顯的優(yōu)勢(shì)。程國(guó)建等[3]將巖石薄片圖像的顏色、空間、紋理及形態(tài)特征，結(jié)合支持向量機(jī)（SVM）學(xué)習(xí)方法，在實(shí)驗(yàn)中獲得了較好的效果。一旦將人工智能運(yùn)用于地質(zhì)巖石薄片鑒定分析中，可以極大地減輕人工的工作量。劉燁等[4]結(jié)合薄片顏色空間和形態(tài)梯度等參數(shù)，運(yùn)用向量機(jī)方法對(duì)鑄體薄片圖像進(jìn)行分類識(shí)別，獲得了95%以上的識(shí)別正確率，說明了將深度學(xué)習(xí)應(yīng)用于巖石圖像分類是有效的、可行的。在國(guó)外，Singh N等[5]針對(duì)不同地區(qū)玄武巖巖石薄片圖像的紋理特征進(jìn)行了參數(shù)提取，再由神經(jīng)網(wǎng)絡(luò)將參數(shù)與巖石類別相聯(lián)系，最終獲得高于92%的識(shí)別準(zhǔn)確率。Marmo R等[6]采用不同海洋環(huán)境下的碳酸鹽巖薄片圖像來提取紋理特征，結(jié)合多感知器神經(jīng)網(wǎng)絡(luò)，使得不同碳酸鹽巖的紋理能夠準(zhǔn)確的被識(shí)別出，效果十分顯著，推動(dòng)了智能地質(zhì)學(xué)的發(fā)展。

1 巖石鏡下識(shí)別的特點(diǎn)

進(jìn)行巖石鏡下鑒定需要確定其礦物組合、結(jié)構(gòu)構(gòu)造和巖石的其他特征及成因分析，對(duì)其進(jìn)行綜合命名并完成詳細(xì)的鑒定報(bào)告。由于巖石的多樣性（物源多樣性、成巖作用多樣性、形成環(huán)境多樣性、后期改造多樣性）導(dǎo)致了巖石薄片研究的復(fù)雜性以及多解性，對(duì)人工鑒定巖石薄片種類大大地增加了難度，同時(shí)也使得人工鑒定巖石薄片的準(zhǔn)確性不易提高。

一般透明礦物（由于偏光顯微鏡自身的特點(diǎn)本次研究所提到的礦物均不包含礦物中的不透明礦物部分）在偏光顯微鏡鏡下的系統(tǒng)鑒定可分為三種，分別是單偏光下的初步鑒定、正交偏光下的進(jìn)一步鑒定和錐光下的深入鑒定。不同的透明礦物在這三種情況下可以表現(xiàn)出不同的性質(zhì)特征，能夠輔助我們確定巖石中礦物的種類，從而確定礦物共生組合，同時(shí)是進(jìn)一步研究其所在巖石薄片的基礎(chǔ)。在單偏光下通常需要對(duì)礦物的形態(tài)、突起等級(jí)等方面進(jìn)行鑒定;在正交偏光下需要對(duì)礦物的（最高）干涉色、消光類型（消光角）、雙晶類型（如有）等進(jìn)行鑒定;在錐光下則是對(duì)礦物的軸性和光性符號(hào)進(jìn)行鑒定。由于單偏光下的數(shù)據(jù)圖像顏色較淺、礦物輪廓不清晰以及物鏡放大倍數(shù)等因素的影響，以及錐光下不易操作的特點(diǎn)，此次研究中選取的是正交偏光下10X的巖石薄片鏡下圖像。根據(jù)所收集獲得的巖石薄片圖片數(shù)據(jù)，選取了圖片數(shù)量相對(duì)較多的巖石種類來進(jìn)行實(shí)驗(yàn)。本次研究選取了下面四種巖石（表 1）。

表1 巖石分類表

具體的巖石種類是白云巖、鮞粒灰?guī)r、花崗巖、石英砂巖四種，它們?cè)?0X的正交偏光下的巖石薄片圖像及描述如表2。

由表2中的描述可知這四類巖石的組成礦物主要有斜長(zhǎng)石、黑云母、方解石、白云石等六種，它們的部分常見光學(xué)性質(zhì)如表3所示。

2 基于SVM的模式探究

一般意義上的的礦物分類是根據(jù)礦物的化學(xué)組分而劃分的，即可劃分為單質(zhì)和化合物，其中化合物類礦物又可按其內(nèi)部化學(xué)鍵的類型再作進(jìn)一步細(xì)分。到目前為止人類發(fā)現(xiàn)的礦物種數(shù)已有3000余種，但如表 3所示本次研究中的巖石組分中，出現(xiàn)頻率較高的只有6種，故根據(jù)這個(gè)特征可以將礦物分為造巖礦物和非造巖礦物，而自然界中常見的造巖礦物僅占一小部分，如表3中所提到的石英、長(zhǎng)石、黑云母等，其余的則稱非造巖礦物。

根據(jù)上述特點(diǎn)，可以結(jié)合支持向量機(jī)（SVM）學(xué)習(xí)方法，對(duì)常見造巖礦物從顏色特征、空間特征、形狀特征等方面進(jìn)行大量的識(shí)別訓(xùn)練，進(jìn)而提高機(jī)器鏡下識(shí)別礦物的準(zhǔn)確率，再通過建立常見造巖礦物數(shù)據(jù)庫為巖石鏡下鑒定奠定基礎(chǔ)，接著以這些造巖礦物組成的不同巖石為載體進(jìn)行大量的訓(xùn)練，以提高鏡下多種礦物共存狀態(tài)下的識(shí)別準(zhǔn)確性，最后達(dá)到巖石鏡下高質(zhì)量高效率機(jī)器識(shí)別的目的。

巖石的鏡下圖像特征非常豐富，各個(gè)特征之間也有著密切聯(lián)系，這為運(yùn)用支持向量機(jī)學(xué)習(xí)方法進(jìn)行巖石的鏡下識(shí)別提供了有利條件。設(shè)想通過訓(xùn)練算法，學(xué)習(xí)算法步驟，對(duì)常見的造巖礦物進(jìn)行反復(fù)訓(xùn)練，建立造巖礦物鏡下特征數(shù)據(jù)庫，在此基礎(chǔ)上進(jìn)行巖石薄片的相關(guān)鑒定識(shí)別工作或能取得更為顯著的成果。

圖1 基于SVM的巖石鏡下鑒定模式示意圖

【參考文獻(xiàn)】

[1]周永章，王俊，左仁廣，肖凡，沈文杰，王樹功.地質(zhì)領(lǐng)域機(jī)器學(xué)習(xí)、深度學(xué)習(xí)及實(shí)現(xiàn)語言[J].巖石學(xué)報(bào)，2018，34（11）：3173-3178.

[2]張杰，滕奇志，王正勇.基于支持向量機(jī)的巖石薄片圖像分割[J].成都信息工程學(xué)院學(xué)報(bào)，2007（02）：186-189.

[3]程國(guó)建，殷娟娟.基于SVM的巖石薄片圖像分類[J].科技創(chuàng)新與應(yīng)用，2015（01）：38.

[4]劉燁，程國(guó)建，馬微，郭超.基于鑄體薄片圖像顏色空間與形態(tài)學(xué)梯度的巖石分類[J].中南大學(xué)學(xué)報(bào)（自然科學(xué)版），2016，47（07）：2375-2382.

[5]夏克文，董瑤，杜紅斌.基于改進(jìn)PSO算法的LS-SVM油層識(shí)別模型[J].控制與決策，2007（12）.

[6]Singh N，Singh TN，Tiwary A，et al.Textural identification of basaltic rock mass using image processing and neural network[J].COMPUTERS & GEOSCIENCES，2010，14（2）：301-310.

[7]Marmo R，Amodio S，Tagllaferri R，et al.Textural identification of carbonate rocks by image processing and neural network： Methodology proposal and examples[J].COMPUTERS & GEOSCIENCES，2014，31（5）：649-659.