仝容超

(西安石油大學(xué) 化學(xué)化工學(xué)院，陜西 西安 710065)

0 引言

巖性識(shí)別是遙感地質(zhì)應(yīng)用的重要組成部分，在油氣勘探和礦產(chǎn)資源調(diào)查中發(fā)揮著重要作用[1]。圖像分類技術(shù)起源于20世紀(jì)20年代，隨著計(jì)算機(jī)科學(xué)的發(fā)展和智能時(shí)代的到來(lái)，圖像的智能分類已被成功應(yīng)用于環(huán)境、地質(zhì)和礦產(chǎn)等領(lǐng)域[2]。傳統(tǒng)的巖性識(shí)別是通過(guò)對(duì)巖屑或巖心樣品進(jìn)行分析[3]，該方法存在分析成本高、實(shí)用性差等缺點(diǎn)。隨著圖像處理技術(shù)和機(jī)器學(xué)習(xí)技術(shù)的快速發(fā)展，使得高光譜等巖性智能識(shí)別方法成為可能[4]。以采集到的巖石樣本圖像為研究對(duì)象，采用圖像數(shù)據(jù)處理技術(shù)和機(jī)器學(xué)習(xí)算法對(duì)其進(jìn)行巖性的智能識(shí)別分類已成為該領(lǐng)域的研究熱點(diǎn)。

隨著機(jī)器學(xué)習(xí)算法由淺層學(xué)習(xí)到深度學(xué)習(xí)的發(fā)展，其在人工智能背景下所取得的成效日益顯著[5]。近十年里，學(xué)者們提出的具有代表性的巖石圖像分類算法有：支持向量機(jī)(SVM)、隨機(jī)森林(RF)、極限學(xué)習(xí)機(jī)(ELM)、概率神經(jīng)網(wǎng)絡(luò)(PNN)和反向傳播神經(jīng)網(wǎng)絡(luò)(BPNN)等單一分類模型。為了提高分類的準(zhǔn)確度，實(shí)踐應(yīng)用中也會(huì)采用改進(jìn)的分類模型及與其他分類模型結(jié)合的組合分類器。深度學(xué)習(xí)作為機(jī)器學(xué)習(xí)的延伸部分也被廣泛應(yīng)用于巖石圖像分類的相關(guān)研究中，具有代表性的圖像分類算法有：卷積神經(jīng)網(wǎng)絡(luò)(CNN)、區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)和完全卷積神經(jīng)網(wǎng)絡(luò)(CCN)等。

本文通過(guò)查閱近十年來(lái)與巖性識(shí)別相關(guān)的文獻(xiàn)，對(duì)其中的巖樣圖像采集方式、數(shù)據(jù)處理方法、所用機(jī)器學(xué)習(xí)理論和圖像分類方法等進(jìn)行了歸納和分析；通過(guò)分析相關(guān)研究的實(shí)驗(yàn)方法和分類模型，以期為解決不同類型的巖石識(shí)別方法提供理論依據(jù)；同時(shí)，指出機(jī)器學(xué)習(xí)在巖性識(shí)別領(lǐng)域中存在的問(wèn)題與挑戰(zhàn)，并對(duì)其發(fā)展方向進(jìn)行了展望。

1 巖石圖像獲取方式

1.1 RGB圖像

RGB圖像的獲取可以通過(guò)智能手機(jī)、數(shù)碼相機(jī)、無(wú)人機(jī)遙感影像等方式采集。圖像的獲取地點(diǎn)是自然環(huán)境下的山地、盆地等巖石覆蓋區(qū)以及實(shí)驗(yàn)室。自然環(huán)境下采集的圖像更能真實(shí)地反映地質(zhì)巖石的特性；實(shí)驗(yàn)室環(huán)境下采集巖樣圖像時(shí)需補(bǔ)充現(xiàn)場(chǎng)光線、調(diào)整室內(nèi)亮度，盡可能拍攝出巖樣的真實(shí)顏色。

隨著機(jī)器學(xué)習(xí)和圖像分類技術(shù)的興起和RGB圖像獲取方式的簡(jiǎn)便性和多樣性，機(jī)器學(xué)習(xí)結(jié)合RGB圖像的巖性識(shí)別已成為該領(lǐng)域的研究熱點(diǎn)。目前RGB圖像在巖性識(shí)別領(lǐng)域的應(yīng)用研究有：巖石薄片圖像分類、巖屑圖像識(shí)別、巖石鑄體薄片識(shí)別、巖石礦物成分分析等。

1.2 高光譜圖像

巖石高光譜圖像可以通過(guò)便攜式光譜分析儀、無(wú)人機(jī)高光譜遙感、航空高光譜遙感等方式采集[6]。高光譜圖像獲取地點(diǎn)有實(shí)地和實(shí)驗(yàn)室兩種。自然環(huán)境下采集的高光譜圖像受外界因素影響較大，實(shí)驗(yàn)室內(nèi)采集的高光譜圖像則需要配備專業(yè)的鹵素光源模擬自然光。高光譜采集成像設(shè)備主要包括高光譜成像儀、光源、計(jì)算機(jī)及其相關(guān)軟件等，光譜設(shè)備主要包括：便攜式光譜輻射儀(ASD FieldSpec)、機(jī)載多用成像光譜儀(DAISA)和反射式成像光譜儀(ROSIS-10)等。

不同巖石類型的物理結(jié)構(gòu)和化學(xué)特性存在差異是利用高光譜圖像進(jìn)行巖性識(shí)別、分類和信息提取的依據(jù)，目前機(jī)器學(xué)習(xí)結(jié)合光譜圖像的巖性識(shí)別應(yīng)用研究有：玄武巖、偉晶巖脈等的信息提取，砂礫巖、花崗巖等巖石的分類。

2 機(jī)器學(xué)習(xí)算法與RGB圖像相結(jié)合的巖性識(shí)別研究進(jìn)展

基于RGB圖像技術(shù)進(jìn)行巖石分類，是一種圖像獲取方式簡(jiǎn)單、形式多樣的識(shí)別方法。該方法要早于光譜圖像技術(shù)。以巖樣RGB圖像為研究對(duì)象的巖性智能分類算法主要有決策樹(shù)(DT)、支持向量機(jī)、人工神經(jīng)網(wǎng)絡(luò)(ANN)、概率神經(jīng)網(wǎng)絡(luò)和卷積神經(jīng)網(wǎng)絡(luò)等。

機(jī)器學(xué)習(xí)算法與RGB圖像結(jié)合進(jìn)行分類的研究中最成功的模型是SVM。YANG等[7]提出的SVM算法是傳統(tǒng)圖像分類算法中的代表，其將矢量量化推廣到稀疏編碼來(lái)表征圖像，大大降低了SVM的訓(xùn)練復(fù)雜度和測(cè)試復(fù)雜度，該方法在2010年和2011年的ImageNet圖像分類大賽中獲得第一名[8]。劉燁等[9]將機(jī)器學(xué)習(xí)運(yùn)用于巖石鑄體薄片圖像分類中，通過(guò)鑄體薄片圖像提取特征參數(shù)，運(yùn)用SVM方法對(duì)鑄體薄片圖像進(jìn)行分類，準(zhǔn)確率高達(dá)95%。RAMIL等[10]利用數(shù)字圖像的RGB數(shù)據(jù)獲得的石英、鉀長(zhǎng)石、斜長(zhǎng)石和黑云母等礦物顆粒的自然顏色，分析了傳統(tǒng)的三層感知器的性能，再使用優(yōu)化的ANN模型對(duì)研究的礦物進(jìn)行識(shí)別，結(jié)果表明，該模型對(duì)花崗巖類型的主要礦物成分的正確識(shí)別率高達(dá)90%，但是其僅能對(duì)花崗巖各組分進(jìn)行識(shí)別，適用性較差。PATEL等[11]提出了一種基于計(jì)算機(jī)視覺(jué)的巖石分類算法，采用PNN建立了基于實(shí)驗(yàn)室尺度的視覺(jué)模型，實(shí)驗(yàn)結(jié)果表明，該模型能夠很好地對(duì)石灰?guī)r進(jìn)行分類，總體分類誤差低于6%，但其適用性和可移植性尚有待考證。

機(jī)器學(xué)習(xí)算法與RGB圖像相結(jié)合的巖性識(shí)別研究中使用最多的分類模型是深度網(wǎng)絡(luò)模型，其中卷積神經(jīng)網(wǎng)絡(luò)在深度網(wǎng)絡(luò)圖像分類中應(yīng)用最廣。與傳統(tǒng)淺層機(jī)器學(xué)習(xí)網(wǎng)絡(luò)模型相比，深度網(wǎng)絡(luò)模型具有特征的自動(dòng)提取、端到端的識(shí)別方式和半監(jiān)督訓(xùn)練方式等優(yōu)勢(shì)，為地質(zhì)研究和工程應(yīng)用提供了可靠手段。胡啟成等[12]采用雙線性卷積神經(jīng)網(wǎng)絡(luò)(BCNN)巖性識(shí)別模型對(duì)地質(zhì)圖像開(kāi)展了巖性識(shí)別，實(shí)驗(yàn)結(jié)果表明，圖像識(shí)別巖性的測(cè)試準(zhǔn)確率約為90%，該研究為地質(zhì)圖像數(shù)據(jù)的分析提供了理論依據(jù)。李燕[13]在VGG、ResNet和DenseNet的圖像識(shí)別巖石種類研究中，使用移動(dòng)設(shè)備拍攝了流紋巖、凝灰?guī)r和玄武巖等25類新鮮巖石的剖面圖像，通過(guò)對(duì)比分析發(fā)現(xiàn)，DenseNet網(wǎng)絡(luò)作為模型特征提取器獲得了巖石新鮮剖面數(shù)據(jù)集上的最佳識(shí)別效果，在驗(yàn)證模型分類準(zhǔn)確性的同時(shí)為建立巖石新鮮剖面圖像數(shù)據(jù)集作出了貢獻(xiàn)。程國(guó)建等[14]研究了基于卷積神經(jīng)網(wǎng)絡(luò)深度學(xué)習(xí)的巖石薄片分類方法，對(duì)鄂爾多斯盆地鑄體薄片的圖像進(jìn)行了分類，實(shí)驗(yàn)結(jié)果表明，該模型的分類準(zhǔn)確度達(dá)到了98.5%，為大視域高分辨率巖石圖像的獲取提供了重要參考。雖然深度網(wǎng)絡(luò)模型在多樣本訓(xùn)練中具有明顯優(yōu)勢(shì)，但模型在更為龐大的圖像數(shù)據(jù)集上的訓(xùn)練需要花費(fèi)大量時(shí)間，甚至需要配備更為專業(yè)的數(shù)據(jù)運(yùn)行設(shè)備。

研究發(fā)現(xiàn)，利用遷移學(xué)習(xí)可以很好地解決樣本訓(xùn)練問(wèn)題，并且可以獲得更為準(zhǔn)確的預(yù)測(cè)結(jié)果，以Google卷積神經(jīng)網(wǎng)絡(luò)Inception-V3模型為例，圖1展示了巖石圖像分類的遷移學(xué)習(xí)數(shù)據(jù)流向，通過(guò)遷移學(xué)習(xí)的方法直接引入特征提取模型，極大降低了時(shí)間成本，便于后續(xù)分類任務(wù)的進(jìn)行。

圖1 巖性識(shí)別遷移學(xué)習(xí)模型構(gòu)建

許振浩等[15]建立了基于殘差神經(jīng)網(wǎng)絡(luò)的巖石圖像深度學(xué)習(xí)遷移模型，通過(guò)殘差網(wǎng)絡(luò)提取抽象巖石特征，對(duì)巖石圖像識(shí)別的準(zhǔn)確率達(dá)到90%，部分結(jié)果超過(guò)了95%。FAN等[16]將基于ShuffleNet的輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于深度學(xué)習(xí)并結(jié)合遷移學(xué)習(xí)方法，建立了巖石圖像的識(shí)別模型，研究結(jié)果表明，識(shí)別模型的準(zhǔn)確性對(duì)PC機(jī)校驗(yàn)數(shù)據(jù)集的校驗(yàn)值為97.65%。張野等[17]運(yùn)用深度遷移學(xué)習(xí)原理建立了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像自動(dòng)識(shí)別與分類模型，對(duì)花崗巖、千枚巖、角礫巖三類巖石圖像進(jìn)行了自動(dòng)識(shí)別與分類，結(jié)果驗(yàn)證了模型具有良好的學(xué)習(xí)能力和識(shí)別能力。馮雅興等[18]采用AlexNet孿生卷積神經(jīng)網(wǎng)絡(luò)提取巖石圖像的全局信息和局部紋理信息并將其融合以構(gòu)建統(tǒng)一描述子，利用遷移學(xué)習(xí)進(jìn)一步提高了巖性識(shí)別的準(zhǔn)確率。

綜上所述，基于RGB圖像進(jìn)行巖性智能識(shí)別的優(yōu)勢(shì)有：①以巖樣顯微圖像和巖石新鮮剖面圖像為代表的圖像數(shù)據(jù)可以直觀反映巖樣的基本屬性，如顏色、亮度和局部紋理等，便于區(qū)分，易于理解；②圖像采集方式普適性強(qiáng)、成本較低且易于獲取。該方法的困難在于：圖像數(shù)據(jù)的分析基于晶體光學(xué)和物理特征，需要強(qiáng)大的專業(yè)背景和扎實(shí)的技術(shù)基礎(chǔ)；圖像數(shù)據(jù)不能準(zhǔn)確反映巖樣的化學(xué)組成，需要結(jié)合其他定性定量的分析作參考進(jìn)行輔助研究。

3 機(jī)器學(xué)習(xí)算法與高光譜圖像相結(jié)合的巖性識(shí)別研究進(jìn)展

高光譜圖像技術(shù)是將成像技術(shù)與光譜技術(shù)結(jié)合的多維信息獲取技術(shù)。高光譜圖像數(shù)據(jù)包含光譜和圖像信息，光譜信息可以反映巖石的結(jié)構(gòu)、成分、含量等屬性，圖像信息則能反映巖石的形態(tài)、紋理和顏色等外觀特征。高光譜圖像的分辨率高、信息豐富多樣，因此光譜技術(shù)在巖性識(shí)別領(lǐng)域具有獨(dú)特優(yōu)勢(shì)?；跈C(jī)器學(xué)習(xí)的高光譜巖性識(shí)別的研究文獻(xiàn)來(lái)源于CNKI以及SCI、Springer等數(shù)據(jù)庫(kù)，輸入相關(guān)關(guān)鍵詞檢索后發(fā)現(xiàn)，以高光譜圖像為輸入對(duì)象的論文中使用的機(jī)器學(xué)習(xí)分類算法主要有：支持向量機(jī)、極限學(xué)習(xí)機(jī)、隨機(jī)森林和深度學(xué)習(xí)等。

相比基于RGB圖像數(shù)據(jù)的巖性智能識(shí)別方法，基于高光譜圖像數(shù)據(jù)的巖性智能識(shí)別方法存在數(shù)據(jù)特征維數(shù)高和樣本數(shù)量少的特點(diǎn)。學(xué)者們致力于開(kāi)發(fā)適用于小樣本、高維特征的分類器，最具代表性的分類器是支持向量機(jī)分類器[19]。SVM是一種監(jiān)督機(jī)器學(xué)習(xí)算法，與其他機(jī)器學(xué)習(xí)算法相比，SVM使用結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則尋求最優(yōu)決策超平面，同時(shí)引入核函數(shù)將訓(xùn)練矢量映射到高維空間，具有使不同類別的分離距離最大化的優(yōu)點(diǎn)?？山Y(jié)合高光譜圖像分類特性來(lái)進(jìn)一步提升SVM的性能(見(jiàn)表1)。

表1 SVM在高光譜圖像分類中的改進(jìn)

CAMPS-VALLS等[20]闡述了不同核方法的主要特點(diǎn)，分析了其在高光譜領(lǐng)域的特性，提出了混合核SVM的方法，將混合核和SVM分類器結(jié)合進(jìn)行高光譜圖像的分類，并在嘈雜環(huán)境、高輸入維數(shù)和有限的訓(xùn)練集背景下驗(yàn)證了SVM分類器的準(zhǔn)確性。MOSER等[21]提出了一種將馬爾可夫最小能量準(zhǔn)則與SVM相結(jié)合的分類方法，實(shí)現(xiàn)了參數(shù)自動(dòng)化估計(jì)，在高光譜和多光譜高分辨率圖像上進(jìn)行了評(píng)估實(shí)驗(yàn)，驗(yàn)證了該方法的可行性。TAN等[22]提出了一種高效的半監(jiān)督SVM分類算法用于高光譜圖像的分類，針對(duì)小樣本學(xué)習(xí)，該方法可以找到與已標(biāo)記樣本最相似的未標(biāo)記樣本，并將待選擇的未標(biāo)記樣本候選集放大到相應(yīng)的圖像片段，該方法在非常有限的標(biāo)記訓(xùn)練樣本下優(yōu)于完全監(jiān)督SVM和沒(méi)有光譜空間集成的半監(jiān)督SVM。PATRA 等[23]提出了一種基于自組織映射(SOM)神經(jīng)網(wǎng)絡(luò)和SVM分類器的迭代主動(dòng)學(xué)習(xí)方法，該方法的優(yōu)勢(shì)是可以識(shí)別不確定和不同的樣本，并將其納入訓(xùn)練集，通過(guò)模擬圖像和真實(shí)的多光譜和高光譜遙感圖像驗(yàn)證了該方法的有效性。雖然與其他分類器結(jié)合的SVM模型解決了傳統(tǒng)SVM圖像在多分類問(wèn)題上的困難，但面對(duì)大規(guī)模訓(xùn)練樣本時(shí)仍表現(xiàn)出難以處理、算法局限的缺點(diǎn)。

基于人工神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的算法廣泛應(yīng)用于多樣本的高光譜圖像分類研究中。LIU 等[24]基于TASI熱紅外高光譜技術(shù)，在模型訓(xùn)練過(guò)程中，從每類高光譜圖像數(shù)據(jù)中提取10%的像素作為訓(xùn)練樣本，并建立了RF、SVM和CNN等9種分類模型進(jìn)行巖性分類，其中3D-CNN模型發(fā)揮了深度網(wǎng)絡(luò)模型優(yōu)勢(shì)，其總體精度最高比SVM模型提高了10.02%。王建剛[25]使用航空高光譜遙感技術(shù)搭建神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了巖性識(shí)別，將高光譜遙感技術(shù)運(yùn)用到以砂礫巖、花崗巖和大理巖等為代表的地層礦物組分分析中，提出的深度神經(jīng)網(wǎng)絡(luò)(DNN)模型對(duì)27塊研究區(qū)共計(jì)8 449個(gè)像素點(diǎn)展開(kāi)了訓(xùn)練和測(cè)試，最終預(yù)測(cè)精度達(dá)到了87.14%。OKADA等[26]采用深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)黃銅礦、方鉛礦和赤鐵礦等5種礦物類型進(jìn)行了自動(dòng)識(shí)別，精度達(dá)到了91.10%。王海宇[27]選擇FCN網(wǎng)絡(luò)和U-Net網(wǎng)絡(luò)兩種深度學(xué)習(xí)語(yǔ)義分割模型，開(kāi)展了巖礦信息自動(dòng)提取對(duì)比實(shí)驗(yàn)，結(jié)果顯示，提取準(zhǔn)確率分別為98.37%和95.35%。以上研究證明了將深度網(wǎng)絡(luò)應(yīng)用于高光譜遙感影像領(lǐng)域、多樣本和多數(shù)據(jù)信息準(zhǔn)確分類中的可行性。

另外，極限學(xué)習(xí)機(jī)、隨機(jī)森林等分類算法在某些領(lǐng)域也表現(xiàn)出了各自的優(yōu)勢(shì)。楊云[28]利用特征信息、光譜遙感和地形數(shù)據(jù)，構(gòu)建了極限學(xué)習(xí)機(jī)和支持向量機(jī)模型，對(duì)研究區(qū)內(nèi)不同巖石進(jìn)行了巖性分類，研究結(jié)果表明，極限學(xué)習(xí)機(jī)模型總體分類精度和Kappa系數(shù)分別為88.12%和0.853 4，而被廣泛應(yīng)用的支持向量機(jī)模型總體精度和Kappa系數(shù)分別為86.58%和0.826 8，可見(jiàn)基于極限學(xué)習(xí)機(jī)的分類模型更優(yōu)。王子燁[29]構(gòu)建了基于隨機(jī)森林測(cè)度學(xué)習(xí)的巖性識(shí)別模型，將淡色花崗巖的識(shí)別率提高到了87.80%。牟多鐸[30]建立了基于極限學(xué)習(xí)機(jī)和支持向量機(jī)的高光譜遙感圖像監(jiān)督分類模型，對(duì)兩類機(jī)器學(xué)習(xí)模型進(jìn)行了綜合對(duì)比實(shí)驗(yàn)，結(jié)果表明，在兩個(gè)研究區(qū)內(nèi)，極限學(xué)習(xí)機(jī)模型在分類時(shí)間和精度方面均優(yōu)于機(jī)器向量機(jī)模型。

綜上所述，基于高光譜圖像進(jìn)行巖性智能識(shí)別的優(yōu)勢(shì)有：①高光譜具有超高的分辨率，可以量化毫米級(jí)別巖樣的礦物組成；②高光譜對(duì)巖樣中的分子震蕩敏感，可以提供分子的化學(xué)組成和結(jié)構(gòu)信息；③對(duì)比RGB圖像的巖性智能識(shí)別方法，光學(xué)圖像信息不能捕捉的不透明礦物信息可以很好地被高光譜分析出來(lái)。該方法的困難在于：高光譜圖像容易受外界環(huán)境影響而引入噪聲和其他干擾信息，對(duì)測(cè)試環(huán)境和測(cè)試方法要求較高；針對(duì)難免產(chǎn)生的噪聲和干擾信息需要對(duì)高光譜數(shù)據(jù)進(jìn)行數(shù)據(jù)降維和特征提取，對(duì)數(shù)據(jù)的處理要求較高。

4 存在的問(wèn)題及建議

4.1 存在的問(wèn)題

巖性識(shí)別是資源勘探領(lǐng)域的重要組成部分，也是礦產(chǎn)分布研究的重點(diǎn)。本文主要綜述了機(jī)器學(xué)習(xí)在巖性識(shí)別中的應(yīng)用進(jìn)展，從巖石RGB圖像的智能識(shí)別和高光譜圖像的智能識(shí)別兩個(gè)方面進(jìn)行了分析，并總結(jié)了各種研究方法的優(yōu)缺點(diǎn)。雖然機(jī)器學(xué)習(xí)算法在巖性識(shí)別領(lǐng)域具有較大的應(yīng)用潛力，但仍然存在一些問(wèn)題：

a.巖石圖像訓(xùn)練樣本少的問(wèn)題。無(wú)論是基于RGB圖像的巖性識(shí)別，還是基于高光譜圖像的巖性識(shí)別，訓(xùn)練樣本的數(shù)量不足將會(huì)直接影響巖性識(shí)別模型的運(yùn)行效率和精度，再加之巖石高光譜圖像獲取成本高、難度大等原因進(jìn)一步縮減了符合研究標(biāo)準(zhǔn)的樣本數(shù)量。如何在兼顧運(yùn)行速度的同時(shí)增加訓(xùn)練樣本，將是機(jī)器學(xué)習(xí)在巖性識(shí)別中需要深入探討的問(wèn)題。

b.巖石圖像特征提取問(wèn)題。對(duì)圖像數(shù)據(jù)進(jìn)行特征提取，不僅便于后續(xù)工作的開(kāi)展，還有利于提升分類模型的精度，因此巖石圖像特征提取模型的構(gòu)建和巖石圖像分類模型的構(gòu)建同等重要。如何將先進(jìn)的深度學(xué)習(xí)算法運(yùn)用于巖石圖像特征提取中，也是值得進(jìn)一步研究的方向。

c.機(jī)器學(xué)習(xí)算法問(wèn)題。如何選擇或開(kāi)發(fā)一種適合特定領(lǐng)域的智能分類算法，對(duì)算法進(jìn)行改進(jìn)甚至將多種算法融合，以進(jìn)一步提高巖石圖像識(shí)別的分類效果，是今后需要重點(diǎn)解決的問(wèn)題。

4.2 建議

針對(duì)上述問(wèn)題，對(duì)未來(lái)機(jī)器學(xué)習(xí)在巖性智能識(shí)別中的應(yīng)用研究提出如下建議：

a.針對(duì)巖石圖像訓(xùn)練樣本少的問(wèn)題：一方面，可以尋求更多圖像采集的方法，就高光譜圖像數(shù)據(jù)而言，越來(lái)越多的光譜設(shè)備制造商著力于研發(fā)便攜式光譜分析儀，以及可以搭載智能手機(jī)的便攜式光譜成像儀，隨著設(shè)備的更新?lián)Q代，光譜圖像的采集方式也趨向于便捷化、多樣化和智能化；另一方面，建議強(qiáng)化圖像數(shù)據(jù)采集的管理，隨著圖像采集方式方法的多樣化，人為或環(huán)境因素給圖像數(shù)據(jù)帶來(lái)的干擾也會(huì)增多，強(qiáng)化數(shù)據(jù)采集管理可以極大提升數(shù)據(jù)的質(zhì)量，減少不必要的數(shù)據(jù)損失。另外，強(qiáng)化遷移學(xué)習(xí)方法的使用，可以解決小樣本訓(xùn)練的弊端。

b.針對(duì)巖石圖像特征提取問(wèn)題：巖性的智能識(shí)別是一個(gè)融合圖像處理、信息提取和計(jì)算機(jī)科學(xué)等于一體的研究課題，充分發(fā)揮上述方法在圖像特征提取上的優(yōu)勢(shì)，可以極大推動(dòng)巖性智能識(shí)別技術(shù)的發(fā)展。

c.針對(duì)機(jī)器學(xué)習(xí)算法的問(wèn)題：就圖像分類問(wèn)題而言，集成學(xué)習(xí)器可以將傳統(tǒng)的機(jī)器學(xué)習(xí)分類器融合為一個(gè)強(qiáng)化分類器，從而實(shí)現(xiàn)分類的優(yōu)化。集成學(xué)習(xí)器可以發(fā)揮不同機(jī)器學(xué)習(xí)分類器的優(yōu)勢(shì)，這也是未來(lái)的一個(gè)重要發(fā)展方向。

5 結(jié)語(yǔ)

本文總結(jié)了RGB圖像和光譜圖像的獲取方式，歸納了二者結(jié)合機(jī)器學(xué)習(xí)在巖性智能識(shí)別中的應(yīng)用研究現(xiàn)狀，對(duì)比分析了不同機(jī)器學(xué)習(xí)在巖石圖像智能識(shí)別領(lǐng)域的優(yōu)勢(shì)與不足，指出了當(dāng)前機(jī)器學(xué)習(xí)在巖性智能識(shí)別中存在的問(wèn)題，并提出了針對(duì)性的建議。巖性識(shí)別數(shù)據(jù)正以指數(shù)形式增長(zhǎng)，研究巖性智能識(shí)別方法可以挖掘海量數(shù)據(jù)蘊(yùn)藏的巨大潛力；同時(shí)，隨著機(jī)器學(xué)習(xí)的快速發(fā)展和地質(zhì)、礦產(chǎn)領(lǐng)域?qū)?shù)據(jù)獲取與管理的重視，巖性智能識(shí)別將迎來(lái)新的發(fā)展時(shí)代。