一种基于激光诱导击穿光谱的岩石分类方法与流程

本发明涉及激光光谱分析技术、卷积神经网络技术等领域，具体的说，是一种基于激光诱导击穿光谱的岩石分类方法。
背景技术：
：激光诱导击穿光谱(laser-inducedbreakdownspectroscopy,libs)，是一种以高能激光脉冲直接聚焦于样品上，从而诱导样品产生等离子体的原子发射光谱分析方法，是基于激光与物质相互作用，从物理学及光谱学对物质成分及其含量分析的新型分析技术。libs技术的发展十分迅速，由于其具有远距离检测、多元素分析、原位测量、快速且无需复杂样品前处理等优势，弥补了传统元素分析方法的不足，在多个应用领域优势明显。近年来，结合光谱技术对地球化学的研究在地质领域越发的普遍，并且录井、钻探等地质勘探现场对快速、原位分析技术有着较大的需求，libs技术在岩石分析领域具有越来越广阔的发展前景和应用空间。地质研究中，岩石种类的识别是一个非常重要的方面。在地质勘探现场，为了提高工作效率，快速实现岩性准确分类也显得尤为重要。由于岩石样品中包含的元素种类非常多，识别难度也很大，现有的传统模式识别的方法无法达到对分类准确率的要求。卷积神经网络(convolutionalneuralnetwork,cnn)是一种前馈神经网络，对于图像处理有着出色的表现。与传统的分类方法不同，cnn可以学习到特征空间的局部模式，其独有的模式空间层次结构还可以随着卷积层的深入，有效地学习越来越复杂、越来越抽象的视觉概念，能够最大程度上提取出激光诱导击穿光谱图像中隐藏的数据信息，反映不同种类样本的特征。岩石样品的激光诱导击穿光谱图中富含复杂且海量的数据信息，因此基于光谱图像识别的卷积神经网络结合激光诱导击穿光谱技术非常适用于岩石样品的分类工作。技术实现要素：本发明的目的是提供一种基于激光诱导击穿光谱的岩石分类方法，首次以光谱图像作为输入，通过卷积神经网络结合激光诱导击穿光谱技术实现对岩石样品快速且准确的分类，从而提高在地质勘探现场的工作效率，对录井、钻探等工作有着较大的实际意义。本发明通过下述技术方案实现：一种基于激光诱导击穿光谱的岩石分类方法，包括以下步骤：1)制作岩石样品；优选的将岩石碎屑研磨至粉末后制成片状样品；2)用激光诱导击穿光谱装置采集岩石样品的光谱图像，将所得光谱图像进行图像预处理后分成三组数据集；3)将由光谱图像构成的数据集作为输入端建立卷积神经网络模型，并对卷积神经网络模型进行优化与测试。进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤1)包括以下具体步骤：1.1)将岩石碎屑放置于玛瑙研钵中研磨至粉末状；1.2)将粉末状的岩石在6-20mpa的压强下支撑片状的岩石样品；优选的，称取2.0g研磨后的岩石粉末，在8mpa的压强下制成片状。进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤2)包括以下具体步骤：2.1)利用激光诱导击穿光谱装置对不同类别的岩石样品在多个不同测量位点进行激光诱导击穿光谱图像采集，采集波段为180nm～580nm，每个采样部位累积2次以上脉冲激光；优选的，每个采样部位(位点)都累积4次脉冲激光；2.2)图像预处理：将采集到岩石样品的激光诱导击穿光谱图像进行灰度化和归一化处理；2.3)将经过灰度化和归一化处理后的激光诱导击穿光谱图像分成三组数据集合：训练集、交叉验证集和测试集，并将三组数据集相互独立。进一步的为更好地实现本发明，特别采用下述设置方式：所述灰度化和归一化处理的具体步骤为：2.2.1)通过公式：(r、g、b分别为红、绿、蓝三个颜色分量)设置所得光谱图中每一个像素点的灰度值，将图像转化为灰度图；2.2.2)通过公式：对图像进行归一化处理，将每一像素点的灰度值缩放至0-1之间。进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤3)包括以下具体步骤：3.1)构建卷积神经网络模型框架；3.2)经过步骤3.1)后，将训练集作为输入端搭建卷积神经网络模型，并对卷积神经网络模型进行优化与测试，计算优化前后交叉验证集的损失以及测试集的预测准确率。进一步的为更好地实现本发明，特别采用下述设置方式：搭建的卷积神经网络框架由若干卷积层、若干池化层和全连接层组成。进一步的为更好地实现本发明，特别采用下述设置方式：在对所述卷积神经网络模型进行优化时，采用数据增强(dataaugmentation)与dropout正则化的方法，旨在解决模型过度拟合的问题。数据增强(dataaugmentation)是利用多种能够生成可信图像的随机变换来扩充样本数量，从现有的训练样本中生成更多的训练数据，使得卷积神经网络模型能够观察到数据的更多信息，从而具有更好的泛化能力。dropout正则化是通过随机删减神经元的方式减少了神经元之间复杂的共适应关系，并且采用同时训练多个网络的方法，抵消掉一些互为“反向”的拟合现象，从总体上削弱了过度拟合对模型的不利影响。进一步的为更好地实现本发明，特别采用下述设置方式：还包括对所述卷积神经网络模型的泛化能力及鲁棒性验证：利用交叉验证集的损失和测试集的预测准确率来判断卷积神经网络模型的泛化能力与鲁棒性。所述结合激光诱导击穿光谱对岩石分类的方法流程为：s1将岩石碎屑样品置于玛瑙研钵中研磨至粉末后制成片状样品(片状的岩石样品)；s2利用激光诱导击穿光谱装置对不同类别片状的岩石样品进行多位点的多发脉冲激光测试，并采集测试所得的岩石样品的激光诱导击穿光谱图像；s3将采集到的岩石样品的激光诱导击穿光谱图像进行灰度化和归一化处理后，分成相对独立的三个数据集：训练集、交叉验证集和测试集；s4搭建含有若干卷积层、若干池化层和全连接层的卷积神经网络模型框架；s5将训练集作为输入端训练卷积神经网络模型，以交叉验证集的损失为标准，通过数据增强和正则化的方法调整模型至最优；s6将测试集带入优化后的卷积神经网络中，通过观察测试集分类准确率的大小，判断模型的优劣。本发明与现有技术相比，具有以下优点及有益效果：(1)本发明首次以光谱图像作为输入，通过卷积神经网络结合激光诱导击穿光谱技术实现对岩石样品快速且准确的分类，从而提高在地质勘探现场的工作效率，对录井、钻探等工作有着较大的实际意义。(2)本发明采用由激光诱导击穿光谱装置采集的岩石样品光谱图像作为输入，采取基于局部模式学习的卷积神经网络算法对岩石样品进行分类，最大程度上提取了岩石样品光谱图像中丰富的数据信息，充分反映了不同样品的特征与差异。(3)本发明所述卷积神经网络模型经过数据增强后，训练集的样本容量大幅增加，交叉验证集的损失明显下降，测试集的分类准确率显著提升，卷积神经网络模型具有较强的泛化能力。(4)本发明将dropout正则化的方法应用于卷积神经网络模型中，通过随机删减神经元的方式减少了神经元之间复杂的共适应关系，并且采用同时训练多个网络的方法，抵消掉一些互为“反向”的拟合现象，从总体上削弱了过度拟合对模型的不利影响，有效地提升了测试集的分类准确率，降低了交叉验证集的损失，获得了更好地泛化能力和鲁棒性。附图说明图1为本发明实施例采用的激光诱导击穿光谱装置结构示意图。图2为本发明实施例中编号为sh021的激光诱导击穿光谱图像。图3为本发明实施例中编号为ny023的激光诱导击穿光谱图像。图4为本发明实施例中编号为by022的激光诱导击穿光谱图像。图5为本发明实施例中卷积神经网络模型框架示意图。图6为本发明实施例中岩石样品分类流程图。具体实施方式下面给出实施例以对本发明进行具体描述，有必要在此指出的是以下实施例只用于对本发明进行进一步说明，不能理解为对本发明保护范围的限制，该领域的技术熟练人员可以根据本
发明内容对本发明作出一些非本质的改进和调整。实施例1：一种基于激光诱导击穿光谱的岩石分类方法，首次以光谱图像作为输入，通过卷积神经网络结合激光诱导击穿光谱技术实现对岩石样品快速且准确的分类识别，从而提高在地质勘探现场的工作效率，对录井、钻探等工作有着较大的实际意义，包括以下步骤：1)制作岩石样品；优选的将岩石碎屑研磨至粉末后制成片状样品；2)用激光诱导击穿光谱装置采集岩石样品的光谱图像，将所得光谱图像进行图像预处理后分成三组数据集；3)将由光谱图像构成的数据集作为输入端建立卷积神经网络模型，并对卷积神经网络模型进行优化与测试。实施例2：本实施例是在上述实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤1)包括以下具体步骤：1.1)将岩石碎屑放置于玛瑙研钵中研磨至粉末状；1.2)将粉末状的岩石在6-20mpa的压强下支撑片状的岩石样品；优选的，称取2.0g研磨后的岩石粉末，在8mpa的压强下制成片状。实施例3：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤2)包括以下具体步骤：2.1)利用激光诱导击穿光谱装置对不同类别的岩石样品在多个不同测量位点进行激光诱导击穿光谱图像采集，采集波段为180nm～580nm，每个采样部位累积2次以上脉冲激光；优选的，每个采样部位(位点)都累积4次脉冲激光；2.2)图像预处理：将采集到岩石样品的激光诱导击穿光谱图像进行灰度化和归一化处理；2.3)将经过灰度化和归一化处理后的激光诱导击穿光谱图像分成三组数据集合：训练集、交叉验证集和测试集，并将三组数据集相互独立。实施例4：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：所述灰度化和归一化处理的具体步骤为：2.2.1)通过公式：(r、g、b分别为红、绿、蓝三个颜色分量)设置所得光谱图中每一个像素点的灰度值，将图像转化为灰度图；2.2.2)通过公式：对图像进行归一化处理，将每一像素点的灰度值缩放至0-1之间。实施例5：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：所述步骤3)包括以下具体步骤：3.1)构建卷积神经网络模型框架；3.2)经过步骤3.1)后，将训练集作为输入端搭建卷积神经网络模型，并对卷积神经网络模型进行优化与测试，计算优化前后交叉验证集的损失以及测试集的预测准确率。实施例6：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：搭建的卷积神经网络框架由若干卷积层、若干池化层和全连接层组成。实施例7：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：在对所述卷积神经网络模型进行优化时，采用数据增强(dataaugmentation)与dropout正则化的方法，旨在解决模型过度拟合的问题。数据增强(dataaugmentation)是利用多种能够生成可信图像的随机变换来扩充样本数量，从现有的训练样本中生成更多的训练数据，使得卷积神经网络模型能够观察到数据的更多信息，从而具有更好的泛化能力。dropout正则化是通过随机删减神经元的方式减少了神经元之间复杂的共适应关系，并且采用同时训练多个网络的方法，抵消掉一些互为“反向”的拟合现象，从总体上削弱了过度拟合对模型的不利影响。实施例8：本实施例是在上述任一实施例的基础上进一步优化，进一步的为更好地实现本发明，特别采用下述设置方式：还包括对所述卷积神经网络模型的泛化能力及鲁棒性验证：利用交叉验证集的损失和测试集的预测准确率来判断卷积神经网络模型的泛化能力与鲁棒性。实施例9：本实施例是在上述任一实施例的基础上进一步优化，一种基于激光诱导击穿光谱的岩石定量方法，具体操作步骤如下：(一)将不同类别的岩石碎屑样品于玛瑙研钵中研磨至粉末状，称取2g，在8mpa的压强下将其压制成片状；(二)采用激光诱导击穿光谱装置对所述片状岩石样品在多个不同测量位点进行谱图的采集，采集波段为180nm～580nm，每个采样部位都累积4次脉冲激光；(三)对采集的光谱图像进行灰度化和归一化处理；(四)将经过灰度化和归一化处理后的图像分为三组数据集：训练集、交叉验证集和测试集；(五)搭建由若干卷积层、若干池化层和全连接层组成的卷积神经网络模型框架；(六)将训练集作为输入端构建卷积神经网络模型，并对卷积神经网络模型进行优化与测试。所述卷积神经网络模型构建的理论过程包括步骤(七)～步骤(九)：(七)卷积与池化过程中的前向传导：对于给定的某大小为ha×wa的激光诱导击穿谱图样本a,经过f1个大小为hb×wb的卷积核(其中ha≥hb,ωa≥ωb)的卷积生成f1个大小为(ha-hb+1)×(ωa-ωb+1)的特征图：其中，c表示经过卷积运算得到的特征图，conv2(*)表示卷积运算，u表示图像矩阵，a表示激活输出，f为激活函数；卷积后的特征图经2×2的池化窗口池化为一个大小为的池化图,共生成f1个池化图：其中，s表示池化过程后得到的池化图，down(*)表示池化运算，β和b为标量参数；经过上述若干层卷积和池化交替的运算过程，将最终得到的输出顺序展开并有序连接成一个长向量，作为全连接层网络的输入。(八)全连接层的前向传导：假设将步骤(八)最终得到的输出矩阵顺序展开为向量x，即全连接层的输入为x＝[x1，x2，x3...，xn]，令第一层输入z(1)和激活输出a(1)相等，则：z(1)＝a(1)＝x(7)；隐藏层的输入为：z(2)＝ω(2)a(1)+b(2)(8)；其中，ω，b表示权重和偏置，z(2)∈rn×1，ω(2)∈rn×n，a(1)∈rn×1，b(2)∈rn×1；隐藏层的激活输出为：a(2)＝f(z(2))(9)；其中，a(2)∈rn×1；输出层的输入为：z(3)＝ω(3)a(2)+b(3)(10)；其中，z(3)∈r1×1，ω(3)∈r1×n，a(2)∈rn×1，b(3)∈r1×1；输出层的激活输出为：a(3)＝f(z(3))(11)；其中，a(3)∈r1×1；特别地，记a(3)为hω，b(x)；(九)卷积神经网络的反向传播过程：优化方案选取均方根反向传播算法(rootmeansquareprop,rmsprop)，用于网络中权值的更新。对于权重参数ω和b，有：sdω＝βsdω+(1-β)dω2(12)；sdb＝βsdb+(1-β)db2(13)；其中，sdω与sdb表示权重参数的变化幅度，β为权重超参数，α为学习率，ε是一个很小的值以确保数值的稳定性。所述模型采用基于多分类的分类交叉熵(categoricalcrossentropy)作为损失函数，用于衡量网络中训练数据的性能：其中，loss为损失值，n为样本数量，yk与rk分别表示预测值和目标值。以上(步骤(七)～步骤(九))即为卷积神经网络模型的理论过程。以下将结合附图和实施例10对本发明操作流程、优化方法以及模型的泛化能力与鲁棒性进行进一步的说明。实施例10：本发明涉及到的激光诱导击穿装置主要包括激光器(优选nd:yag脉冲激光器)、样品台(优选可移动三维样品台)、光谱仪(优选中阶梯光谱仪(netherlands,avantes,波长180-785nm，分辨率λ/δλ＝6050)、光学传输系统、延时系统、检测器和计算机，激光诱导击穿装置示意图如附图1所示。优选地，激光能量为100mj，频率1hz，延时时间4μs。本实施例采用的岩石样品由石灰岩、泥质岩和白云岩三个岩性类别组成，共62个。其中，编号为sh006、sh007、sh009、sh012、sh014、sh021、sh022、sh023、sh024、sh025、sh026、sg001、sg002、ny003、ny007、ny012、ny013、ny015、ny019、ny023、ny024、ny025、ny026、ny027、ny028、ny029、yy001、yy005、yy015、yy016、yy017、yy021、yy025、yy026、yy027、yy028、yy029、yy030、by001、by005、by008、by021、by022、by023、by024、by025、by026、by039的样品由长江地质工程研究院和中国石油集团川庆钻探工程有限公司地质勘探开发研究院提供；编号为gbw07130、gbw07132、gbw07133、gbw07135、gbw030105a、gbw030106a、gbw07108、gbw07129、gbw03104、gbw07107、gbw07128、gbw07131、gbw07134、gbw07136的样品为国家标准物质。将三类岩石样品研磨并压制成片状后放在样品台上，采用激光诱导击穿光谱装置对上述片状岩石样品在不同且多个测量位点进行谱图采集，采集波段范围为180nm～580nm，每个采样部位累积4次脉冲激光并获得一张谱图，共获得谱图499张。图3～图5分别展示了以sh021、ny023和by022为代表的石灰岩、泥质岩与白云岩的光谱图像。将上述获得的光谱图像进行灰度化和归一化处理，并分为训练集、交叉验证集和测试集。构建卷积神经网络的模型框架，如附图5所示，将训练集作为输入端搭建卷积神经网络模型，采用数据增强(dataaugmentation)与dropout正则化的方法对所述卷积神经网络模型进行优化，并将优化前后交叉验证集的损失以及测试集的预测准确率进行对比，判断模型的泛化能力及鲁棒性，具体流程如附图6所示。为了与现有的基于激光诱导击穿光谱的分类算法进行对比，以所述训练集谱图中的光谱数据作为输入端，分别建立k最邻近算法(k-nearestneighbor,knn)、支持向量机(supportvectormachine,svm)和人工神经网络(artificialneuralnetwork,ann)的分类模型，并对测试集进行分类结果的预测。表一：卷积神经网络的交叉验证集损失及测试集准确率对比模型状态交叉验证集损失测试集分类准确率未优化0.424193.23％数据增强后0.037298.44％数据增强并正则化后0.020699.48％表二测试集分类准确率对比模型测试集分类准确率knn97.92％svm79.69％ann86.98％cnn99.48％通过以上两个表格的各项结果可知，本发明提供的以光谱图像作为输入端的卷积神经网络模型与激光诱导击穿光谱技术相结合，对岩石样品进行分类，经过数据增强和正则化后，能够在岩石样品分类中表现出很强的泛化能力和鲁棒性。相比于现有的以光谱数据作为输入的机器学习分类模型，基于谱图图像输入的卷积神经网络对未知样本类别的预测更加准确，具有更强的泛化能力和鲁棒性。以上所述，仅是本发明的较佳实施例，并非对本发明做任何形式上的限制，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化，均落入本发明的保护范围之内。当前第1页12