基于SVM的巖石鏡下鑒定模式探究

張哲遠　陳立輝　張新陽

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

【關(guān)鍵詞】巖石鑒定;鏡下識別;SVM;人工智能

中圖分類號： P585.1 文獻標識碼： A 文章編號： 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行初級鑒定。但由于肉眼鑒定的結(jié)果往往不夠準確，通常需要將樣品采集回來磨制成薄片后再作進一步的鏡下巖石顯微鑒定，觀察其礦物成分、組構(gòu)特征以及相對含量，并結(jié)合野外對其觀察的記錄來進一步確定巖石的詳細種類以及相關(guān)的成因信息，這是對巖石所在區(qū)域進行深入地質(zhì)研究的基礎(chǔ)。因此，對于地質(zhì)工作者和學(xué)習者來說，在鏡下對巖石薄片進行鑒定就成為了一項必備的專業(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)習準備時間以確保有足夠的巖石知識儲備，其次巖石鏡下顯微鑒定的工作量大、耗時長，再者還會因為每個人的不同認定標準而使鑒定結(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，大量應(yīng)用于地質(zhì)各領(lǐng)域，在這個大數(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]運用了支持向量機法，對巖石薄片圖像進行分割，有效的解決了巖石顏色多樣和巖石邊緣模糊等問題，相對于傳統(tǒng)機器學(xué)習方法有著明顯的優(yōu)勢。程國建等[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（SVM）學(xué)習方法，在實驗中獲得了較好的效果。一旦將人工智能運用于地質(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)，運用向量機方法對鑄體薄片圖像進行分類識別，獲得了95%以上的識別正確率，說明了將深度學(xué)習應(yīng)用于巖石圖像分類是有效的、可行的。在國外，Singh N等[5]針對不同地區(qū)玄武巖巖石薄片圖像的紋理特征進行了參數(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%的識別準確率。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確的被識別出，效果十分顯著，推動了智能地質(zhì)學(xué)的發(fā)展。

1 巖石鏡下識別的特點

進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，對其進行綜合命名并完成詳細的鑒定報告。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，對人工鑒定巖石薄片種類大大地增加了難度，同時也使得人工鑒定巖石薄片的準確性不易提高。

一般透明礦物（由于偏光顯微鏡自身的特點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，同時是進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礦物的形態(tài)、突起等級等方面進行鑒定;在正交偏光下需要對礦物的（最高）干涉色、消光類型（消光角）、雙晶類型（如有）等進行鑒定;在錐光下則是對礦物的軸性和光性符號進行鑒定。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，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)量相對較多的巖石種類來進行實驗。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?；?guī)r、花崗巖、石英砂巖四種，它們在10X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)鍵的類型再作進一步細分。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、長石、黑云母等，其余的則稱非造巖礦物。

根據(jù)上述特點，可以結(jié)合支持向量機（SVM）學(xué)習方法，對常見造巖礦物從顏色特征、空間特征、形狀特征等方面進行大量的識別訓(xùn)練，進而提高機器鏡下識別礦物的準確率，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行大量的訓(xùn)練，以提高鏡下多種礦物共存狀態(tài)下的識別準確性，最后達到巖石鏡下高質(zhì)量高效率機器識別的目的。

巖石的鏡下圖像特征非常豐富，各個特征之間也有著密切聯(lián)系，這為運用支持向量機學(xué)習方法進行巖石的鏡下識別提供了有利條件。設(shè)想通過訓(xùn)練算法，學(xué)習算法步驟，對常見的造巖礦物進行反復(fù)訓(xùn)練，建立造巖礦物鏡下特征數(shù)據(jù)庫，在此基礎(chǔ)上進行巖石薄片的相關(guān)鑒定識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】

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

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

[3]程國建，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（自然科學(xué)版），2016，47（07）：2375-2382.

[5]夏克文，董瑤，杜紅斌.基于改進PSO算法的LS-SVM油層識別模型[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.