CN109959624A - 基于反射光谱的矿物识别方法 - Google Patents
基于反射光谱的矿物识别方法 Download PDFInfo
- Publication number
- CN109959624A CN109959624A CN201910115299.8A CN201910115299A CN109959624A CN 109959624 A CN109959624 A CN 109959624A CN 201910115299 A CN201910115299 A CN 201910115299A CN 109959624 A CN109959624 A CN 109959624A
- Authority
- CN
- China
- Prior art keywords
- sample
- mineral
- spectrum
- trough
- waveform
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/3103—Atomic absorption analysis
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于矿物识别技术领域,提出了基于反射光谱的矿物识别方法,包括以下步骤:S1、数据测量,用光谱仪对样品中的若干取样点进行测量,得到测量值;S2、数据处理,根据S1中每个取样点的测量值得出每个取样点的光谱波形,进行拼接校正后再进行均值化,得出样品的光谱波形;S3、矿物识别,先将S2中样品的光谱波形数据计算出特征波谷的位置,然后根据特征波谷处波长与光谱库中典型矿物进行标准匹配,得到匹配矿物,再将匹配矿物的光谱波形与样品的光谱波形进行对比,得出样品中可能存在的矿物;S4、数据计算,对S3中可能存在的矿物进行拟合计算,得出样品中的矿物组成及各组分的相对含量。本发明解决了现有技术中识别精度低、识别时间长的问题。
Description
技术领域
本发明属于矿物识别技术领域,涉及基于反射光谱的矿物识别方法。
背景技术
目前,对于矿床围岩蚀变而言,流行的研究方法为:(1)肉眼观察+显微镜下鉴定,但是这种方法对于细粒、微粒的蚀变矿物如高岭土、伊利石、绢云母等难以准确有效识别;(2)利用X射线衍射、电子显微探针的手段对需检测的样品进行分析,虽然精确但样品处理复杂且费用高。
相比于上述方法,近年来快速发展的反射光谱识别方法具有快速、有效、费用低且便于实地观测的特点,获得了快速发展及应用。但是在使用时会出现光谱不连续出现断点而导致识别的精度低。在进行矿物识别时,通过对比波形的方法,误差较大,且对比过程耗时较长,会导致测定的样品各个组分相对含量精度较低。
发明内容
本发明提出基于反射光谱的矿物识别方法,解决了现有技术中矿物组分识别精度低、识别时间长的问题。
本发明的技术方案是这样实现的:
基于反射光谱的矿物识别方法,包括以下步骤:
S1、数据测量,使用光谱仪对样品中的取样点进行测量,得到样品原始光谱波形;
S2、数据处理,对S1中样品原始光谱波形的断点处进行预处理,得到样品预处理后光谱波形数据;
S3、矿物识别,将S2中样品预处理后光谱波形数据利用二阶导数计算出样品特征波谷位置及相应的反射率大小,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,得到与样品特征波谷特征一致的匹配矿物,将匹配矿物的光谱波形与样品预处理后光谱波形数据的相似程度进行对比,得出样品中可能存在矿物;
S4、数据计算,对S3得出的样品中可能存在矿物的光谱与样品的光谱进行拟合计算,得出样品中的矿物组成及各组分的相对含量。
作为进一步的技术方案,步骤S4中进行拟合计算时,利用如下公式:
其中:Riλ为各组分的综合光谱反射率;fki第k个矿物组分所占的分量值;Ckλ为第k个矿物组分的光谱反射率;εiλ为残余误差值;n为矿物组分的数目。
作为进一步的技术方案,步骤S3中的光谱库具体包括USGS光谱库、ASD光谱库、JPL光谱库。
作为进一步的技术方案,步骤S3中在进行标准匹配时,若样品的光谱波形具有若干个特征波谷,每一个特征波谷均进行标准匹配。
作为进一步的技术方案,步骤S2中预处理具体包括如下步骤:
S21、拼接校正,对每个取样点的样品原始光谱波形断点处均进行拼接校正;
S22、均值化,将拼接校正后每个取样点的样品原始光谱波形进行均值化,得到样品预处理后光谱波形数据。
作为进一步的技术方案,S21中拼接校正具体包括如下步骤:
S211、确定样品原始光谱波形的断点,得出断点两侧综合光谱反射率的数值;
S212、确定校正位置,取S211中得出的断点两侧数值的平均值或断点两侧数值之间的一个数值作为基准数值;
S213、进行校正,断点两侧的整体波形均向S212中得出的平均值处或基准数值处上下平移。
作为进一步的技术方案,步骤S1具体包括如下步骤:
S11、样品处理,将采集到的样品用清水冲洗,并用软刷去除表面杂尘,放在通风处阴干72~80小时;
S12、安装预热,打开光谱仪,安装高密度探头,并预热30~45分钟;
S13、参数设置,设置光谱平均次数、暗电流平均次数、白板采集平均次数,以及光谱数据的保存路径;
S14、光谱测量,测量样品的若干个取样点,得到每个取样点的样品原始光谱波形。
作为进一步的技术方案,步骤S3中,确定匹配矿物时,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,结合样品对应矿区的产出规律进行,产出规律的获得包括以下步骤;
S31、根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,得到与样品特征波谷特征一致的初次匹配矿物及其对应的反射率;
S32、将初次匹配矿物的反射率作为分析因子进行两两相关性分析,得到产出规律。
作为进一步的技术方案,步骤S32中,相关性分析具体为Pearson相关性分析。
作为进一步的技术方案,步骤S32中,分析因子进行降维分析,降维分析利用以下因子,
第一因子:阳起石、角闪石、黑云母;
第二因子:斜长石、绿泥石、钾长石;
第三因子:方解石、白云母;
第四因子:钾长石、白云石;
第五因子:高岭土、碳酸盐;
第六因子:重晶石。
本发明使用原理及有益效果为:
1、本发明中在使用光谱仪对样品测定之前,应首先对样品进行清洁处理,用清水冲洗,并用软刷去除表面杂尘,以防止对样品表面造成损坏,在清洗完后,再放置于通风处进行阴干。
光谱仪在使用之前需进行预热,本发明中在对样品进行测定时,可以选用地物光谱仪(FIELDSPEC 3),信噪比较高,完全可以满足光谱测量及识别的需要。在进行参数设置之后就可以对样品进行测定了。在测定时,每个样品均测量若干个取样点,且至少测量六个点,以最大程度地避免由于样品非均值性导致的偏差,提高了本发明中测定结果的准确性。
2、本发明中在对样品进行测量后,会对每个取样点的光谱波形数据求平均值,作为样品的光谱波形数据,就可以最大程度的避免由于样品的非均值性导致光谱波形数据的偏差,得出被测样品更加精确的光谱波形。
光谱仪的内部设置有三个棱镜,因此会由于棱镜折射的原因,导致波长在1000nm、1830nm两处存在不连续,出现断点,影响后期的识别,因此对这两处进行拼接校正,消除断点,更好的反映样品的光谱波形,以便于更加准确地与光谱库中典型矿物的标准光谱波形进行拟合。在拼接校正时,首先确定断点两侧的数值,在确定两个数值的平均值或两个数值之间的一个基准数值,确定断点两侧光谱曲线的连接位置,断点两侧的光谱曲线向上或向下移动,在连接位置处重新连接,得到连续平滑的光谱曲线,有利于特征波谷匹配及光谱波形拟合,提高了本发明的可靠性。
3、在进行矿物识别时,首先利用二阶导数计算出光谱波形中特征波谷的位置,再根据特征波谷的波长与光谱库中典型矿物的特征波谷波长进行对比,找出在特征波谷出具有相同吸收特征的矿物,再通过进一步对比找出矿物的整个光谱波形与被测样品的光谱波形的相似度及趋势,初步确定可能与被测样品相吻合的矿物组分。通过先由特征波谷筛选出特征波谷特征一致的匹配矿物,再在匹配矿物中对比整个光谱波形找出所有可能存在的矿物,相较于直接将样品的光谱波形与光谱库中所有典型矿物的光谱波形进行对比识别,精确度更高、识别时间更短,解决了识别精度低、识别时间长的问题。
在测定样品的光谱曲线后,若该样品的光谱曲线有多个特征波谷,则每个特征波谷均可用于进行标准匹配,这样可以更加全面、更加准确的找出在特征波谷处具有相同吸收特征的矿物,以进行下一步对整个波形进行拟合,获得样品内的矿物组分。
4、对比出可能存在的矿物后,再对可能存在的矿物组分进行拟合计算,从而确定样品中存在的矿物,并计算出各组分的相对含量,实现矿物的识别及确定各组分的相对含量,保障了本发明实施的可靠性,提高了本发明的利用价值。
在对可能存在的矿物进行拟合计算时,首先根据测得样品的光谱波形数据计算出特定波长范围内各个组分的综合光谱反射率,再将每个组分的光谱反射率乘以其所占分量值的所得值加上残余误差值即等于综合光谱反射率,各个组分所占分量值之和为1。又因为综合光谱反射率、各个矿物组分的光谱反射率是确定得出的,所以可以通过拟合计算得出样品中各个矿物组分及各个组分的相对含量。
在拟合计算时利用的是线性光谱混合模型,即某一光谱范围内的反射率是由各基本组分的反射率及其所占比例权重系数的线性组合。通过拟合计算而得出样品中矿物组分及组分的相对含量,极大的提高了识别的准确度及测定各组分相对含量的精确度,保证了本发明实施时的可靠性。
5、本发明中所利用的USGS光谱库、ASD光谱库、JPL光谱库都是由高光谱成像光谱仪在一定条件下测得的各类地物反射光谱数据的集合。光谱库对准确、快速地实现与未知地物的匹配起到至关重要的作用。通过特征波谷筛选出光谱库中符合的典型矿物后,利用筛选后典型矿物的标准光谱波形与被测样品的光谱波形进行拟合,确定被测样品内含有的矿物组分,然后再获得各矿物的相对含量。实现了高效、快速且准确的确定样品内的矿物组分及各矿物组分的相对含量。
6、本发明中利用Pearson相关性分析,将敏感矿物信息转化为蚀变岩信息,岩石是由矿物组成的,不同的矿物以不同的结构和构造组合到一起,构成了不同的蚀变岩类型,而不同类型的蚀变岩、不同的蚀变强度及不同的分带模式对矿床成因及矿山深边部预测的指示也是不一样的。之前是通过了解主要的蚀变岩类型,然后从中选择对反射光谱敏感的指示矿物,然后利用指示矿物的光谱特征来代表某种蚀变岩类型。但往往会出现不同蚀变类型的蚀变岩中存在相同的敏感矿物,如绿泥石带、青磐岩化带、绢英岩化带中都存在绿泥石,这种情况下仅仅利用敏感矿物来表征蚀变岩信息就不够全面,因此利用Pearson相关性分析,将敏感矿物信息转化为蚀变岩信息可以更加全面具体的表征蚀变岩信息。
7、本发明中的分析因子可以将空间上分布复杂的各因子综合成少数几个因子,每个因子均可代表特定的地质意义。第一因子可以看做是阳起石、角闪石、黑云母矿物组合,代表弱蚀变围岩;第二因子代表的是斜长石、绿泥石及部分钾长石组合,代表强蚀变围岩或矿体外围蚀变带;第三因子代表的是方解石和白云母(绢云母),是绢云母化组合;第四因子代表的是钾长石和白云石化(黄铁矿化),代表钾长石化;第五因子是高岭土化和碳酸盐化的代表;第六因子代表的是重晶石化。
本发明对识别的各蚀变矿物进行因子分析,并利用因子所得分值绘制各因子的空间分布,以期获得各蚀变矿物的空间分布情况。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明中样品一的原始光谱波形图;
图2为本发明中样品一拼接校正后的光谱波形图;
图3为本发明中样品一的均值化后的光谱波形图;
图4为本发明中样品二的原始光谱波形图;
图5为本发明中样品二拼接校正后的光谱波形图;
图6为本发明中样品二的均值化后的光谱波形图。
图7为本发明中绢云母2200nm波长位置等值线剖面图。
图8为本发明中绿泥石2250nm波长位置等值线剖面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1~图6所示,本发明提出的基于反射光谱的矿物识别方法,包括以下步骤:
S1、数据测量,将采集到的样品用清水冲洗,并用软刷去除表面杂尘,放在通风处阴干72~80小时;
再打开光谱仪,安装高密度探头,并预热30~45分钟,其后设置光谱仪的光谱平均次数、暗电流平均次数、白板采集平均次数相关参数以及光谱数据的保存路径,最后测量样品的若干个取样点,得到每个取样点的样品原始光谱波形;
本发明中在使用光谱仪对样品测定之前,应首先对样品进行清洁处理,用清水冲洗,并用软刷去除表面杂尘,以防止对样品表面造成损坏,在清洗完后,再放置于通风处进行阴干。
光谱仪在使用之前需进行预热,本发明中在对样品进行测定时,可以选用地物光谱仪(FIELDSPEC 3),信噪比较高,完全可以满足光谱测量及识别的需要。在进行参数设置之后就可以对样品进行测定了。在测定时,每个样品均测量若干个取样点,且至少测量六个点,以最大程度地避免由于样品非均值性导致的偏差,提高了本发明中测定结果的准确性。
S2、数据处理,对每个取样点的样品原始光谱波形断点处进行预处理,确定样品原始光谱波形中的断点位置,得出断点两侧综合光谱反射率的数值,并取断点两侧数值的平均值或断点两侧数值之间的一个数值作为基准数值,将断点两侧的整体波形均向得出的平均值处或基准数值处上下平移,得到拼接校正后样品原始光谱波形数据;将拼接校正后每个取样点的样品原始光谱波形进行均值化,得到样品预处理后光谱波形数据;
本发明中在对样品进行测量后,会对每个取样点的光谱波形数据求平均值,作为样品的光谱波形数据,就可以最大程度的避免由于样品的非均值性导致光谱波形数据的偏差,得出被测样品更加精确的光谱波形。
光谱仪的内部设置有三个棱镜,因此会由于棱镜折射的原因,导致波长在1000nm、1830nm两处存在不连续,出现断点,影响后期的识别,因此对这两处进行拼接校正,消除断点,更好的反映样品的光谱波形,以便于更加准确地与光谱库中典型矿物的标准光谱波形进行拟合。在拼接校正时,首先确定断点两侧的数值,在确定两个数值的平均值或两个数值之间的一个基准数值,确定断点两侧光谱曲线的连接位置,断点两侧的光谱曲线向上或向下移动,在连接位置处重新连接,得到连续平滑的光谱曲线,有利于特征波谷匹配及光谱波形拟合,提高了本发明的可靠性。
S3、矿物识别,将S2中样品预处理后光谱波形数据利用二阶导数计算出样品特征波谷位置及相应的反射率大小,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,寻找在同一位置与样品有相同特征波谷的矿物,得到与样品特征波谷特征一致的匹配矿物,将匹配矿物的光谱波形与样品预处理后光谱波形数据的相似程度及趋势进行对比,得出样品中可能存在矿物,若样品的光谱波形具有若干个特征波谷,每一个特征波谷均进行标准匹配;
在进行矿物识别时,首先利用二阶导数计算出光谱波形中特征波谷的位置,再根据特征波谷的波长与光谱库中典型矿物的特征波谷波长进行对比,找出在特征波谷出具有相同吸收特征的矿物,再通过进一步对比找出矿物的整个光谱波形与被测样品的光谱波形的相似度及趋势,初步确定可能与被测样品相吻合的矿物组分。通过先由特征波谷筛选出特征波谷特征一致的匹配矿物,再在匹配矿物中对比整个光谱波形找出所有可能存在的矿物,相较于直接将样品的光谱波形与光谱库中所有典型矿物的光谱波形进行对比识别,精确度更高、识别时间更短,解决了识别精度低、识别时间长的问题。
在测定样品的光谱曲线后,若该样品的光谱曲线有多个特征波谷,则每个特征波谷均可用于进行标准匹配,这样可以更加全面、更加准确的找出在特征波谷处具有相同吸收特征的矿物,以进行下一步对整个波形进行拟合,获得样品内的矿物组分。
S4、数据计算,对S3中得出的样品中可能存在矿物的光谱与样品的光谱进行拟合计算,若计算结果中两种矿物同属同一矿物种,可以进行合并,最终获得样品中的矿物组成及各组分的相对含量;
在进行拟合计算时,利用如下公式:
其中:Riλ为各组分的综合光谱反射率;fki第k个矿物组分所占的分量值;Ckλ为第k个矿物组分的光谱反射率;εiλ为残余误差值;n为矿物组分的数目。
对比出可能存在的矿物后,再对可能存在的矿物组分进行拟合计算,从而确定样品中存在的矿物,并计算出各组分的相对含量,实现矿物的识别及确定各组分的相对含量,保障了本发明实施的可靠性,提高了本发明的利用价值。
在对可能存在的矿物进行拟合计算时,首先根据测得样品的光谱波形数据计算出特定波长范围内各个组分的综合光谱反射率,再将每个组分的光谱反射率乘以其所占分量值的所得值加上残余误差值即等于综合光谱反射率,各个组分所占分量值之和为1。又因为综合光谱反射率、各个矿物组分的光谱反射率是确定得出的,所以可以通过拟合计算得出样品中各个矿物组分及各个组分的相对含量。
在拟合计算时利用的是线性光谱混合模型,即某一光谱范围内的反射率是由各基本组分的反射率及其所占比例权重系数的线性组合。通过拟合计算而得出样品中矿物组分及组分的相对含量,极大的提高了识别的准确度及测定各组分相对含量的精确度,保证了本发明实施时的可靠性。
进一步,S3中的光谱库具体包括USGS光谱库、ASD光谱库、JPL光谱库。
本发明中所利用的USGS光谱库、ASD光谱库、JPL光谱库都是由高光谱成像光谱仪在一定条件下测得的各类地物反射光谱数据的集合。光谱库对准确、快速地实现与未知地物的匹配起到至关重要的作用。通过特征波谷筛选出光谱库中符合的典型矿物后,利用筛选后典型矿物的标准光谱波形与被测样品的光谱波形进行拟合,确定被测样品内含有的矿物组分,然后再获得各矿物的相对含量。实现了高效、快速且准确的确定样品内的矿物组分及各矿物组分的相对含量。
进一步,S3中,确定匹配矿物时,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,结合样品对应矿区的产出规律进行,产出规律的获得包括以下步骤;
S31、根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,得到与样品特征波谷特征一致的初次匹配矿物及其对应的反射率;
S32、将初次匹配矿物的反射率作为分析因子进行两两相关性分析,得到产出规律,相关性分析具体为Pearson相关性分析。
本发明中利用Pearson相关性分析,将敏感矿物信息转化为蚀变岩信息,岩石是由矿物组成的,不同的矿物以不同的结构和构造组合到一起,构成了不同的蚀变岩类型,而不同类型的蚀变岩、不同的蚀变强度及不同的分带模式对矿床成因及矿山深边部预测的指示也是不一样的。之前是通过了解主要的蚀变岩类型,然后从中选择对反射光谱敏感的指示矿物,然后利用指示矿物的光谱特征来代表某种蚀变岩类型。但往往会出现不同蚀变类型的蚀变岩中存在相同的敏感矿物,如绿泥石带、青磐岩化带、绢英岩化带中都存在绿泥石,这种情况下仅仅利用敏感矿物来表征蚀变岩信息就不够全面,因此利用Pearson相关性分析,将敏感矿物信息转化为蚀变岩信息可以更加全面具体的表征蚀变岩信息。
进一步,S32中,分析因子进行降维分析,降维分析利用以下因子,
第一因子:阳起石、角闪石、黑云母;
第二因子:斜长石、绿泥石、钾长石;
第三因子:方解石、白云母;
第四因子:钾长石、白云石;
第五因子:高岭土、碳酸盐;
第六因子:重晶石。
本发明中的分析因子可以将空间上分布复杂的各因子综合成少数几个因子,每个因子均可代表特定的地质意义。降维方式可以根据组分之间的关联性进行,本实施例中第一因子可以看做是阳起石、角闪石、黑云母矿物组合,代表弱蚀变围岩;第二因子代表的是斜长石、绿泥石及部分钾长石组合,代表强蚀变围岩或矿体外围蚀变带;第三因子代表的是方解石和白云母(绢云母),是绢云母化组合;第四因子代表的是钾长石和白云石化(黄铁矿化),代表钾长石化;第五因子是高岭土化和碳酸盐化的代表;第六因子代表的是重晶石化。通过对识别的各蚀变矿物进行因子降维分析,将空间上分布复杂的各因子综合成少数几个因子,综合后的因子在用于样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,会初步得出样品中的可能包括的具有参考价值的匹配矿物,将得到的匹配矿物根据矿物组分与各个因子之间的相关性关系,能够进一步确定样品中所包含的矿物组分,使得识别过程更加简便、精确,方便了矿物识别,并能够利用因子所得分值绘制各因子的空间分布,以期获得各蚀变矿物的空间分布情况。
利用上述样品测量方法,对一个待测定的样品一进行了测量,在样品一中取了六个取样点,所测定的光谱波形如图1所示,在图1中可以明显的表明,光谱波形在1000nm和1830nm处存在不连续,会影响到后期的识别,因此需要进行拼接校正,拼接校正后的光谱波形如图2所示,在图2中可以明显看出,光谱波形连续且平滑,利于后续的矿物识别。在拼接校正后,对于光谱波形数据进行均值化,所得到的光谱波形,如图3所示,利用图3中的光谱波形的特征波谷与光谱库中典型矿物的特征波谷进行匹配,选择出与图3中光谱波形特征波谷特征一致的典型矿物,进一步对比整个光谱波形,经过计算机拟合计算得出样品一中的矿物组分及相对含量。所得结果如下表表1所示:
表1
由上表可以看出,样品一中含有阳起石、钠长石、辉石、黑云母、方解石、绿泥石、白云石、白云母、黄铁矿、石英这10种矿物,因此可以表明,本发明中的矿物识别方法对于矿物组分的识别及矿物组分的相对含量测定更加简便直观,识别时间短。
使用相同的测定方法,对另一个待测定的样品二进行了测量,在样品二中取了8个取样点,所测定的光谱波形如图4所示,在图4中可以明显的表明,光谱波形在1000nm和1830nm处同样存在不连续,会影响到后期的识别,因此利用与实施例一相同的方法进行了拼接校正,拼接校正后的光谱波形如图5所示,在图5中可以明显看出,样品二的光谱波形连续且平滑,利于后续的矿物识别。在拼接校正后,对于光谱波形数据进行均值化,所得到的光谱波形,如图6所示,利用图6中的光谱波形的特征波谷与光谱库中典型矿物的特征波谷进行匹配,选择出与图6中光谱波形特征波谷特征一致的典型矿物,进一步对比整个光谱波形,经过计算机拟合计算得出样品二中的矿物组分及相对含量。
所得结果如下表表2所示:
表2
由表2可以看出,样品二由阳起石、钠长石、重晶石、黑云母、方解石、绿泥石、白云石、白云母这8种矿物组成,进一步表明了,本发明中的矿物识别方法对于各种矿物均有较高的识别准确性,且对于被测样品内各种矿物组分的相对含量的测定更加简便直观,识别时间短,保障了本发明实施时的可靠性及提高了本发明实施的价值。
使用相同的测定方法,对另一个待测定的样品三进行了测量,经过计算机拟合计算得出样品三中的矿物组分及相对含量,利用Person相关性分析方法,对提取的样品三中的矿物组分进行相关性进行分析,结果如下表表3所示:
表3
由表3可以看出:(1)暗色矿物相关性较好,如角闪石、阳起石、黑云母,角闪石与钾长石含量间相关性也较好,应该代表的是阜平群团泊口组蚀变围岩(黑云斜长片麻岩、钾长浅粒岩为代表)的特征;
(2)绢云母与高岭土、方解石的含量呈正相关,说明粘土化与绢云母化、碳酸盐化间有内在联系,绢云母与斜长石呈负相关,说明绢云母化与斜长石含量密切相关;
(3)绿泥石与角闪石、黑云母呈负相关,绿泥石与石英含量间呈正相关,说明绿泥石化应是在热液蚀变过程中由围岩中暗色矿物交代蚀变而来,并有硅化作用伴生;
(4)重晶石、黄铁矿相对独立,两者与其它成分间相关性较差。
通过表3中的数据得出各个矿物组分之间的相关性数据信息,将相关性数据信息分析得出以上四项结果,以上四项结果表明了样品三中矿物信息与蚀变岩信息之间的联系,实现了将敏感矿物信息转化为蚀变岩信息,得出了样品三对应矿区的产出规律,蚀变岩信息能够指示蚀变岩的类型、蚀变强度,产出规律能够应用于矿物识别过程中,在样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,会初步得出样品中的可能包括的具有参考价值的匹配矿物,结合样品对应矿区的产出规律进行,匹配矿物通过矿物组分之间的相关性,能够更加高效、更加准确的识别出样品中的各个矿物组分,产出规律还有助于分析矿床成因,实现对矿山深边部矿物进行预测的效果。
产出规律还可以通过以下方式得到,首先对样品的光谱求导,例如提取各光谱在2200nm附近和2250nm附近的波长位置,前者代表的是绢云母八面体为Al-OH的强度,反应的是绢云母的种类(钠云母-钾云母-多硅白云母),后者则代表的是绿泥石的种类(铁绿泥石或是镁绿泥石),通过各个组分得出产出规律,再将产出规律用于矿物识别,识别过程更加简便,识别结果更加精确。
光谱特征的空间变化往往是不同期次或不同阶段成矿流体多次叠加的结果。对光谱在2200nm附近和2250nm的参数进行提取,并按照其空间分布绘制等值线图,结果见图7和图8。
由图7和图8可以看出,提取的2200nm和2250nm附近的光谱参数等值线图空间分布规律基本类似,明显表现为两个部分,一是13勘探线以北,二是在17勘探线以南,说明在成矿蚀变过程中形成的绢云母和绿泥石空间上并不一致,因此可以表明由图7和图8中的蚀变围岩光谱特征可以很好地表征工业矿体的空间展布规律,结合空间展布规律,进一步增强了对矿物识别的准确性。
对上述提取的蚀变矿物样品三进行降维分析,再进行相关性分析,降维分析利用以下因子,第一因子:阳起石、角闪石、黑云母;第二因子:斜长石、绿泥石、钾长石;第三因子:方解石、白云母;第四因子:钾长石、白云石;第五因子:高岭土、碳酸盐;第六因子:重晶石。结果如下表表4所示:
表4
蚀变矿物样品三的反射光谱光谱识别结果以Promax斜交旋转矩阵模式显示在表4中,由表4可以得出蚀变矿物中各个因子所占比值,将空间上分布复杂的各因子综合成少数几个因子,综合后的因子在用于样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,当确定了某一矿物组分时,根据矿物组分与因子之间的相关性,有助于矿物识别过程其他矿物组分的确定,使矿物识别更加简便,识别结果更加精确,方便了矿物识别,还可以利用因子所占比值绘制各因子的空间分布,获得各蚀变矿物的空间分布情况,实现测定蚀变岩类型及预测矿山深边部蚀变矿物组分的效果。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于反射光谱的矿物识别方法,其特征在于,包括以下步骤:
S1、数据测量,使用光谱仪对样品中的取样点进行测量,得到样品原始光谱波形;
S2、数据处理,对S1中样品原始光谱波形的断点处进行预处理,得到样品预处理后光谱波形数据;
S3、矿物识别,将S2中样品预处理后光谱波形数据利用二阶导数计算出样品特征波谷位置及相应的反射率大小,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,得到与样品特征波谷特征一致的匹配矿物,将匹配矿物的光谱波形与样品预处理后光谱波形数据的相似程度进行对比,得出样品中可能存在矿物;
S4、数据计算,对S3得出的样品中可能存在矿物的光谱与样品的光谱进行拟合计算,得出样品中的矿物组成及各组分的相对含量。
2.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S4中进行拟合计算时,利用如下公式:
其中:Riλ为各组分的综合光谱反射率;fki第k个矿物组分所占的分量值;Ckλ为第k个矿物组分的光谱反射率;εiλ为残余误差值;n为矿物组分的数目。
3.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S3中的光谱库具体包括USGS光谱库、ASD光谱库、JPL光谱库。
4.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S3中在进行标准匹配时,若样品的光谱波形具有若干个特征波谷,每一个特征波谷均进行标准匹配。
5.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S2中预处理具体包括如下步骤:
S21、拼接校正,对每个取样点的样品原始光谱波形断点处均进行拼接校正;
S22、均值化,将拼接校正后每个取样点的样品原始光谱波形进行均值化,得到样品预处理后光谱波形数据。
6.根据权利要求5所述的基于反射光谱的矿物识别方法,其特征在于,S21中拼接校正具体包括如下步骤:
S211、确定样品原始光谱波形的断点,得出断点两侧综合光谱反射率的数值;
S212、确定校正位置,取S211中得出的断点两侧数值的平均值或断点两侧数值之间的一个数值作为基准数值;
S213、进行校正,断点两侧的整体波形均向S212中得出的平均值处或基准数值处上下平移。
7.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S1具体包括如下步骤:
S11、样品处理,将采集到的样品用清水冲洗,并用软刷去除表面杂尘,放在通风处阴干72~80小时;
S12、安装预热,打开光谱仪,安装高密度探头,并预热30~45分钟;
S13、参数设置,设置光谱平均次数、暗电流平均次数、白板采集平均次数,以及光谱数据的保存路径;
S14、光谱测量,测量样品的若干个取样点,得到每个取样点的样品原始光谱波形。
8.根据权利要求1所述的基于反射光谱的矿物识别方法,其特征在于,步骤S3中,确定匹配矿物时,根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配时,结合样品对应矿区的产出规律进行,产出规律的获得包括以下步骤;
S31、根据样品特征波谷处波长与光谱库中典型矿物的典型矿物特征波谷处波长进行标准匹配,得到与样品特征波谷特征一致的初次匹配矿物及其对应的反射率;
S32、将初次匹配矿物的反射率作为分析因子进行两两相关性分析,得到产出规律。
9.根据权利要求8所述的基于反射光谱的矿物识别方法,其特征在于,步骤S32中,相关性分析具体为Pearson相关性分析。
10.根据权利要求9所述的基于反射光谱的矿物识别方法,其特征在于,步骤S32中,分析因子进行降维分析,降维分析利用以下因子,
第一因子:阳起石、角闪石、黑云母;
第二因子:斜长石、绿泥石、钾长石;
第三因子:方解石、白云母;
第四因子:钾长石、白云石;
第五因子:高岭土、碳酸盐;
第六因子:重晶石。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115299.8A CN109959624A (zh) | 2019-02-15 | 2019-02-15 | 基于反射光谱的矿物识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910115299.8A CN109959624A (zh) | 2019-02-15 | 2019-02-15 | 基于反射光谱的矿物识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109959624A true CN109959624A (zh) | 2019-07-02 |
Family
ID=67023668
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910115299.8A Pending CN109959624A (zh) | 2019-02-15 | 2019-02-15 | 基于反射光谱的矿物识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109959624A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111267984A (zh) * | 2020-01-21 | 2020-06-12 | 山东大学 | 基于高光谱技术分析的隧道内不良地质体识别系统与方法 |
CN113971747A (zh) * | 2021-12-24 | 2022-01-25 | 季华实验室 | 拉曼光谱数据处理方法、装置、设备与可读存储介质 |
CN114280684A (zh) * | 2021-12-24 | 2022-04-05 | 成都理工大学 | 基于白云母波长变化的热液型矿床找矿方法及系统 |
CN114295580A (zh) * | 2021-12-29 | 2022-04-08 | 四川启睿克科技有限公司 | 一种基于近红外光谱快速判别花椒品质的方法 |
CN115201140A (zh) * | 2021-04-13 | 2022-10-18 | 宁波大学 | 基于红外光谱测量的煤矸石识别方法及系统 |
CN116736381A (zh) * | 2023-06-14 | 2023-09-12 | 中国矿业大学 | 一种基于岩石物理建模的煤中镓元素丰度预测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595109A (zh) * | 2004-06-29 | 2005-03-16 | 中国国土资源航空物探遥感中心 | 基于光谱混合组成的高光谱矿物极大相关识别方法 |
CN102944524A (zh) * | 2011-08-14 | 2013-02-27 | 北京理工大学 | 一种用于油气勘探的光谱库的实现方法 |
-
2019
- 2019-02-15 CN CN201910115299.8A patent/CN109959624A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595109A (zh) * | 2004-06-29 | 2005-03-16 | 中国国土资源航空物探遥感中心 | 基于光谱混合组成的高光谱矿物极大相关识别方法 |
CN102944524A (zh) * | 2011-08-14 | 2013-02-27 | 北京理工大学 | 一种用于油气勘探的光谱库的实现方法 |
Non-Patent Citations (7)
Title |
---|
JINBAO LIU等: "Prediction of Soil pH Hyperspectral Spectrum in Guanzhong Area of Shaanxi Province Based on PLS", 《IOP CONFERENCE SERIES: MATERIALS SCIENCE AND ENGINEERING》 * |
MARTIN DANNER等: "EnMAP Field Guides Technical Report:Spectral Sampling with the ASD FIELDSPEC 4", 《ENMAP》 * |
X. YU 等: "METHODS TO AUTOMATICALLY SEPARATE ABNORMAL SIGNAL", 《XVI IMEKO WORLD CONGRESS》 * |
李 颖等: "氮磷互作水稻冠层氮素敏感光谱筛选研究", 《土壤》 * |
车永飞等: "光谱特征参量的高光谱遥感蚀变矿物提取与分析", 《地质论评》 * |
陈晓玲: "典型矿物发射光谱特征提取与岩石光谱解混方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
黄继武等: "《多晶材料X射线衍射-实验原理、方法与应用》", 30 September 2012 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111267984A (zh) * | 2020-01-21 | 2020-06-12 | 山东大学 | 基于高光谱技术分析的隧道内不良地质体识别系统与方法 |
CN115201140A (zh) * | 2021-04-13 | 2022-10-18 | 宁波大学 | 基于红外光谱测量的煤矸石识别方法及系统 |
CN113971747A (zh) * | 2021-12-24 | 2022-01-25 | 季华实验室 | 拉曼光谱数据处理方法、装置、设备与可读存储介质 |
CN114280684A (zh) * | 2021-12-24 | 2022-04-05 | 成都理工大学 | 基于白云母波长变化的热液型矿床找矿方法及系统 |
CN114280684B (zh) * | 2021-12-24 | 2023-06-16 | 成都理工大学 | 基于白云母波长变化的热液型矿床找矿方法及系统 |
CN114295580A (zh) * | 2021-12-29 | 2022-04-08 | 四川启睿克科技有限公司 | 一种基于近红外光谱快速判别花椒品质的方法 |
CN116736381A (zh) * | 2023-06-14 | 2023-09-12 | 中国矿业大学 | 一种基于岩石物理建模的煤中镓元素丰度预测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109959624A (zh) | 基于反射光谱的矿物识别方法 | |
Rossel et al. | In situ measurements of soil colour, mineral composition and clay content by vis–NIR spectroscopy | |
Galvdo et al. | Relationships of spectral reflectance and color among surface and subsurface horizons of tropical soil profiles | |
Cheshire et al. | Assessing thermal maturity beyond the reaches of vitrinite reflectance and Rock-Eval pyrolysis: A case study from the Silurian Qusaiba formation | |
CN100523793C (zh) | 红木的近红外光谱识别方法 | |
Capobianco et al. | Chemometrics approach to FT-IR hyperspectral imaging analysis of degradation products in artwork cross-section | |
CN110967311B (zh) | 基于红外光谱和磁化率测量的斑岩矿床蚀变分带识别方法 | |
Dayet et al. | Manganese and iron oxide use at Combe-Grenal (Dordogne, France): A proxy for cultural change in Neanderthal communities | |
CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
CN108844941B (zh) | 一种基于拉曼光谱和pca-hca的不同品位磷矿的鉴别和分类方法 | |
CN107589094B (zh) | 基于光谱特征的鞍山式铁矿石类型确定方法 | |
CN110596028B (zh) | 一种沉积型稀土La元素含量的高光谱反演方法 | |
CN105136738A (zh) | 一种基于近红外识别桉木和相思木属间树种的方法 | |
CN109931053A (zh) | 砂泥岩-碳酸盐岩岩性的识别方法 | |
CN104965973A (zh) | 一种苹果霉心病多因子无损检测判别模型及其建立方法 | |
Capobianco et al. | Hyperspectral imaging-based approach for the in-situ characterization of ancient Roman wall paintings | |
Yang et al. | Mapping the chemical composition of nickel laterites with reflectance spectroscopy at Koniambo, New Caledonia | |
CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN114280684A (zh) | 基于白云母波长变化的热液型矿床找矿方法及系统 | |
Donais et al. | Evaluation of data processing and analysis approaches for fresco pigment studies by portable X-ray fluorescence spectrometry and portable Raman spectroscopy | |
CN106707355A (zh) | 一种沉积岩岩性自动识别方法 | |
CN107907490A (zh) | 基于室外降雨和室内土壤的土壤侵蚀高光谱反演方法 | |
CN117629971A (zh) | 一种提高激光诱导击穿光谱测量页岩中碳元素精度的方法 | |
CN113267458A (zh) | 甘薯可溶性蛋白质含量定量预测模型的建立方法 | |
CN113252600A (zh) | 反射光谱分析风化壳样品离子吸附态稀土含量的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190702 |