LIBS与深度学习结合的岩性分类及主量元素含量检测方法技术

本发明专利技术属于岩石检测技术领域，具体涉及一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法。本发明专利技术的方法包括如下步骤：(1)输入岩石样本的LIBS光谱数据；(2)通过CNN模型得到岩性分类和主量元素含量的结果；其中，所述CNN模型的结构包括共享部分、岩性分类部分和元素定量部分；共享部分从LIBS光谱数据中识别和提取的特征；岩性分类部分根据特征预测所述岩性分类的结果；元素定量部分对特征进行进一步提取后预测所述岩石样本中主量元素含量的结果。本发明专利技术提供的LIBS与CNN相结合的方法能够同时进行岩性识别和岩石样品中7种主量元素定量分析。本发明专利技术的方法在复杂基质效应和相似化学成分的岩石岩性识别和定量分析方面均具有很好的预测性能。

【技术实现步骤摘要】
LIBS与深度学习结合的岩性分类及主量元素含量检测方法
本专利技术属于岩石检测
，具体涉及一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法。
技术介绍
岩石的岩性识别和元素浓度分析在地质学和地球化学调查中具有重要意义。这是由于不同岩性中元素的浓度差异能够反映沉积条件的变化。在对岩石的岩性进行识别和对元素浓度进行分析的过程中，人们采用了各种分析技术对岩石进行分析，以提高提高地质学和地球化学勘查的效率和精度。然而，由于基质效应和岩石中相似的成分使这些目标仍具有挑战性。此外，现有的分析技术通常不能够同时满足高精度和高效率的需求。为了解决上述问题，基于原子发射光谱(AES)技术的激光诱导击穿光谱(LIBS)也被用于进行了地质样本的分析。LIBS可以检测物质的多元素信息和分子信息，LIBS光谱中的特征谱线含有元素组分的指纹信息，可用于化学成分的定性和定量分析。LIBS具有实时在线、仅需要少量样品、分析速度快、样品损耗量低和成本相对低廉等优点，在矿石勘探、工业分析、食品分析、塑料分类、冶金分析和环境分析等多个领域得到了广泛的应用。在地质样本分析领域中，最著名的LIBS仪器是ChemCAM，这是美国宇航局“好奇号”上的一个重要的科学仪器，它于2012年抵达火星。LIBS光谱所包含的数据非常丰富，受限于工作量的限制，以往人们对LIBS光谱进行分析时，仅仅是采用单变量的分析方法对其中一小部分信息进行分析。采用这样的分析方法，能够利用到的光谱数据很有限。比如对Si元素进行分析的时候只利用了Si元素的光谱信息，但是由于基质效应的影响，Si元素特征谱线的强度会受到别的元素的影响，因此其它元素的光谱信息对于Si元素的分析也是有用的。因此，有必要开发能够对LIBS光谱的所有信息进行分析的新的方法。随着计算机科学的发展，LIBS技术结合化学计量学的分析方法能够对LIBS光谱中包含的所有信息进行评估。例如，朱等人(SpectrochimicaActaPartB:AtomicSpectroscopy,93(2014)8-13)采用偏最小二乘判别分析(PLS-DA)和支持向量机(SVM)对不同沉积岩样品进行判别。Sirven等人(JournalofAnalyticalAtomicSpectrometry,22(2007)1471-1480.)采用主成分分析(PCA)、类类比软独立建模(SIMCA)和PLS-DA方法对火星上不同岩石进行判别。Boucher等人(SpectrochimicaActaPartB:AtomicSpectroscopy,107(2015)1-10.B107(2015)1-10)比较了几种非线性回归方法，包括核主成分回归(K-PCR)、多项式核支持向量回归(SVR-Py)和k-最近邻回归(KNN)。石等人(JournalofAnalyticalAtomicSpectrometry,30(2015)2384-2393.)应用支持向量回归(SVR)和PLSR法测定了沉积岩样品中的五种主要元素。Sun等人(Scientificreports,9(2019)1-18.)开发了一种预测土壤中微量元素的BP神经网络(BPNN)。但是上述分析方法仍有提升的空间，特别是在同时实现多目标分析和提升多种元素的定量分析准确性等方面。作为机器学习的一个新兴分支，卷积神经网络(CNN)是一种深度学习的分析方法，不同于以往的浅层机器学习方法，它强调从连续层学习来提取数据的重要特征。CNN在解决各种计算机视觉问题方面取得了很大的成功，特别是对于小训练数据集的任务。近年来在光谱学数据分析中也得到了广泛的应用。在LIBS光谱分析领域，Lu等(PlasmaSci.Technol.,21,034014,in,2018)利用简单结构的二维CNN改进了土壤中钾的测定，其中核心层由单个卷积层和单个池层组成。但是，该方法仅能够实现对钾一种元素的含量进行测定。中国专利技术专利申请“CN110705372A基于深度学习卷积神经网络的LIBS多成分定量反演方法”公开了一种新的CNN模型，其能够对SiO2、Al2O3、Fe2O3、CaO、MgO、K2O、Na2O、TiO2、SO3、P2O5、MnO、Cl、CO2、H2O+、FeO、H2O-、C(org)、F、Mn、S、P和Cr2O3等22种主要成分的含量进行预测。从而实现了多成分分析的目的。然而，对于地质工作者来说，岩性的类别是很重要的信息，上述方法只能实现元素定量分析，为了得到岩石的类别信息，还要根据代表元素的含量再进行一次分析判断。此外，LIBS作为一种发射光谱技术，其光谱数据只能体现元素的信息。上述方法中，在直接使用岩石粉末压片，而不进行其它的预处理所采集到LIBS光谱数据中，是不能体现同一元素不同化合价态的信息的。因此，对于该专利申请中提出区分Fe2O3和FeO(即二价铁和三价铁)在含量上的差异，从LIBS技术的原理上来看，是不合理的，存在过拟合风险的。另一方面，Chen等(SpectrochimicaActaPartB:AtomicSpectroscopy,166(2020)105801.)开发了一个更多层的二维CNN模型来识别不同的岩石样本，包括白云石、花岗岩、石灰岩、泥岩和页岩。然而，该方法中的模型又只能够实现岩性的识别，无法对岩石样本中元素的含量进行定量分析。综上所述，现有的CNN模型都只能够实现岩石分类或主要成分含量预测中的其中一种目的。如果能够在同一模型中同时进行岩性分类和主量元素含量分析的任务，将极大地提高地质分析工作的效率。然而，岩性分类属于分类任务，主量元素含量预测属于回归任务，分类和回归任务的难度是不一样的，所需要利用的特征数差异很大。如果特征数量太多，那分类任务会出现过拟合，而如果特征数量太少，那么回归任务会出现欠拟合。因而，利用现有技术中这些结构简单的CNN模型，并不能够实现同时进行岩性分类和主量元素含量预测的目的。
技术实现思路
针对现有技术的缺陷，本专利技术提供一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法，其目的在于：建立一种CNN模型，能够对岩石样本的LIBS光谱进行分析，同时得到岩石分类和主量元素含量的结果。一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法，包括如下步骤：(1)输入岩石样本的LIBS光谱数据；(2)通过CNN模型得到岩性分类和主量元素含量的结果；其中，所述CNN模型的结构包括共享部分、岩性分类部分和元素定量部分；所述共享部分包括分批归一化层和至少一组卷积层与最大池化层的组合，所述共享部分从所述LIBS光谱数据中识别和提取的特征；所述岩性分类部分包括展平层、至少一个Dropout层和至少一个全连接层，所述岩性分类部分根据所述特征预测所述岩性分类的结果；所述元素定量部分包括至少一个卷积层、至少一个最大池化层、展平层、至少一个Dropout层和至少一个全连接层，所述元素定量部分对所述特征进行进一步提取后预测所述岩石样本中主量元素含量的结果。优选本文档来自技高网...

【技术保护点】
1.一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法，其特征在于，包括如下步骤：/n(1)输入岩石样本的LIBS光谱数据；/n(2)通过CNN模型得到岩性分类和主量元素含量的结果；/n其中，所述CNN模型的结构包括共享部分、岩性分类部分和元素定量部分；/n所述共享部分包括分批归一化层和至少一组卷积层与最大池化层的组合，所述共享部分从所述LIBS光谱数据中识别和提取的特征；/n所述岩性分类部分包括展平层、至少一个Dropout层和至少一个全连接层，所述岩性分类部分根据所述特征预测所述岩性分类的结果；/n所述元素定量部分包括至少一个卷积层、至少一个最大池化层、展平层、至少一个Dropout层和至少一个全连接层，所述元素定量部分对所述特征进行进一步提取后预测所述岩石样本中主量元素含量的结果。/n

【技术特征摘要】
1.一种LIBS与深度学习结合的岩性分类及主量元素含量检测方法，其特征在于，包括如下步骤：
(1)输入岩石样本的LIBS光谱数据；
(2)通过CNN模型得到岩性分类和主量元素含量的结果；
其中，所述CNN模型的结构包括共享部分、岩性分类部分和元素定量部分；
所述共享部分包括分批归一化层和至少一组卷积层与最大池化层的组合，所述共享部分从所述LIBS光谱数据中识别和提取的特征；
所述岩性分类部分包括展平层、至少一个Dropout层和至少一个全连接层，所述岩性分类部分根据所述特征预测所述岩性分类的结果；
所述元素定量部分包括至少一个卷积层、至少一个最大池化层、展平层、至少一个Dropout层和至少一个全连接层，所述元素定量部分对所述特征进行进一步提取后预测所述岩石样本中主量元素含量的结果。


2.按照权利要求1所述的检测方法，其特征在于：所述主量元素选自Si、Al、Fe、Ca、Mg、K和Na中的至少一种；和/或，所述岩性分类的结果为1×6向量，向量中的值分别代表岩石样品属于白云石、火成岩、粘土岩、石膏岩、石灰石和砂岩的概率。


3.按照权利要求1所述的检测方法，其特征在于：步骤(1)中，所述LIBS光谱数据的采谱范围为180～790nm；优选的，所述LIBS光谱数据采集自三个光谱通道，所述光谱通道分别覆盖180～350nm、350～580nm和580～790nm，每个光谱通道有2048个像素。


4.按照权利要求1或3所述的检测方法，其特征在于：步骤(1)中，所述LIBS光谱数据通过如下公式进行总面积归一化的预处理：



其中，Inormalization是预处理后的光谱强度，Iorigin为原始光谱强度，...

【专利技术属性】
技术研发人员：陈莎，段忆翔，王旭，杨燕婷，
申请(专利权)人：成都艾立本科技有限公司，
类型：发明
国别省市：四川;51