CN113281276A - 一种矿石组分信息提取方法、设备及存储介质 - Google Patents
一种矿石组分信息提取方法、设备及存储介质 Download PDFInfo
- Publication number
- CN113281276A CN113281276A CN202110451055.4A CN202110451055A CN113281276A CN 113281276 A CN113281276 A CN 113281276A CN 202110451055 A CN202110451055 A CN 202110451055A CN 113281276 A CN113281276 A CN 113281276A
- Authority
- CN
- China
- Prior art keywords
- ore
- rock
- wave band
- data
- proportion
- 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.)
- Granted
Links
Images
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
-
- 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
- G01N21/84—Systems specially adapted for particular applications
Landscapes
- Physics & Mathematics (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)
- Spectroscopy & Molecular Physics (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本申请提供一种矿石组分信息提取方法、设备及存储介质,其中,方法包括:获取矿石实测高光谱数据和矿石的岩矿鉴定组分分析结果数据;连续统去除处理所述矿石实测高光谱数据;提取所述连续统去除处理后所述矿石实测高光谱数据中的矿石实测高光谱数据特征;查询矿石波段响应数据表,确定所述矿石的岩矿鉴定组分分析结果数据中与矿石特征最相关的三个波段范围;基于所述矿石实测高光谱数据特征,根据确定的所述与矿石特征最相关的三个波段范围构建矿石特征光谱参数等步骤。本申请能够基于三段波模型实现矿石组分信息提取,并实现提高三段波模型的模型效果。
Description
技术领域
本申请涉及高光谱识别矿物组分信息提取技术领域,具体而言,涉及一种矿石组分信息提取方法、设备及存储介质。
背景技术
传统的地学矿石组分提取的方法包括:岩矿薄片鉴定、岩矿粉末X射线衍射矿物分析、电子探针矿物分析、扫描电镜等。传统的矿物鉴定方法具有鉴定精度高等优点,但是也拥有许多缺点:(1)鉴定过程在实验室进行,具有环境局限性;(2)鉴定过程中需要对岩石、矿石进行一系列加工处理,在进行大量矿石鉴定时,成本消耗大;(3)鉴定过程复杂,需要耗费较长的鉴定时间,鉴定时效性差。
另一方面,遥感技术,特别是高光谱遥感技术的发展,为快速定性、半定量提取岩矿石组分信息提供了技术支持。目前针对遥感技术提取矿石组分信息的方法,主要是提取目标光谱的吸收峰和端元光谱特征,然后根据目标特征光谱维数对端元光谱库的端元特征,进行拟合并建立线性方程,根据输出端元组分的光谱及其含量,确定矿石组分的定量检测结果,但是该方法计算量大,且在建立矿物组分与光谱特征时,只有少部分特征光谱参加反演,影响反演的计算的准确性。
从光谱学角度来讲,矿石组分信息提取的目的在于确定其光谱信息与矿石中各组分含量之间的关系。然而,含量相同的矿物在不同的矿石中,由于受其他矿物的影响,往往表现出很大的波谱差异,如何反演不同矿石类型的矿物组分含量,以及“同物异谱、同谱异物”现象,仍是目前高光谱数据应用于矿石组分信息提取的难点。
再一方面,传统的基于线性模型建立光谱与矿物组分之间的联系,虽然能在一定程度上解决高光谱技术与矿石组分提取之间的关系,但是其模型相对单一,对矿石信息、光谱信息均存在遗失,因为矿物与光谱之间可能往往不是简单的线性关系,因此很有必要从非线性角度解决这一问题。当前在高光谱波段与地物信息方面也有尝试使用许多非线性方法,如约束能量最小化(CEM)、K簇聚类算法(k-AP),高维模型法等,模型效果良莠不齐。因此有必要建立一种能够提高模型普适性的方法。
发明内容
本申请实施例的目的在于提供一种矿石组分信息提取方法、设备及存储介质,用以基于三段波模型实现矿石组分信息提取,并实现提高三段波模型的模型效果。
为此,本申请第一方面公开一种矿石组分信息提取方法,所述方法包括:
获取矿石实测高光谱数据和矿石的岩矿鉴定组分分析结果数据;
连续统去除处理所述矿石实测高光谱数据;
提取所述连续统去除处理后所述矿石实测高光谱数据中的矿石实测高光谱数据特征;
查询矿石波段响应数据表,确定所述矿石的岩矿鉴定组分分析结果数据中与矿石特征最相关的三个波段范围;
基于所述矿石实测高光谱数据特征,根据确定的所述与矿石特征最相关的三个波段范围构建矿石特征光谱参数;
根据所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型;
设置预设第二比例的所述矿石的岩矿鉴定组分分析结果数据与预设第二比例的所述矿石实测高光谱数据,并将所述预设第二比例的所述矿石的岩矿鉴定组分分析结果数据与所述预设第二比例的所述矿石实测高光谱数据代入所述关系模型中进行计算;
获取所述关系模型计算后的预测矿石的岩矿鉴定组分含量。
在本申请第一方面中,作为一种可选的实施方式,所述获取所述关系模型计算后的预测矿石的岩矿鉴定组分含量的步骤之后,所述方法还包括:
验证所述矿石的岩矿鉴定组分分析结果数据与所述预测矿石的岩矿鉴定组分含量之间的线性关系,以确定所述关系模型的可行性;
若,所述验证结果未满足预设条件,则执行建立所述高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤;
若,所述验证结果满足预设条件,则输出所述关系模型。
在本申请第一方面中,作为一种可选的实施方式,所述验证所述矿石的岩矿鉴定组分分析结果数据与所述预测矿石的岩矿鉴定组分含量之间的线性关系的方法采用线性回归R2和T检验方式。
在本申请第一方面中,作为一种可选的实施方式,所述预设条件为所述模型能够通过T检验且R2>0.7。
在本申请第一方面中,作为一种可选的实施方式,所述连续统去除处理所述矿石实测高光谱数据的步骤,包括:
所述矿石实测高光谱数据除以矿石实测高光谱的连续统。
在本申请第一方面中,作为一种可选的实施方式,所述预设第一比例与所述预设第二比例之和为100%。
在本申请第一方面中,作为一种可选的实施方式,所述根据确定的所述与矿石特征最相关的三个波段范围构建矿石特征光谱参数的步骤,包括:
设置所述与矿石特征最相关的三个波段范围为第一波段范围、第二波段范围以及第三波段范围;
获取所述第一波段范围中的波段光谱反射率平均值、所述第二波段范围中的波段光谱反射率平均值、所述第三波段范围中的波段光谱反射率平均值以及所述第三波段范围内的所有反射率值;
根据所述第一波段范围中的波段光谱反射率平均值、所述第二波段范围中的波段光谱反射率平均值、所述第三波段范围中的波段光谱反射率平均值以及所述第三波段范围内的所有反射率值构建矿石特征光谱参数。
在本申请第一方面中,作为一种可选的实施方式,所述根据所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤,包括:
基于极限学习机的方法,训练所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据结合的数据集;
根据所述训练后的数据集建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型。
本申请第二方面公开一种矿石组分信息提取方法设备,所述设备包括:
处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行本申请第一方面的矿石组分信息提取方法。
本申请第三方面公开一种存储介质,所述存储介质存储有计算机程序,所述计算机程序被处理器执行本申请第一方面的矿石组分信息提取方法。
在本申请中,通过上述步骤能够的获取与矿石组分最有关的波段,避免了因为辐射误差、噪声等对波谱反射率数据的影响;通过建立三波段模型使得与矿石组分相关的每一段光谱数据,都参与到矿石组分反演中来,增加了光谱信息的有效使用率。另一方面,本申请通过寻找矿石中与某一特定组分相关性最高的光谱段,进而因为有波谱区间的限定,尽可能避免了出现“异物同谱”的现象。再一方面,本申请改进了传统模型,多维光谱与多维组分之间复杂的映射关系时,必须对一个端元进行数据降维的弊端,保证的数据信息的最大利用。又一方面,在本申请中,极限学习使用单层前馈神经网络的思想,对传统神经网络的误差反向传播的方式进行了改进,进而增大了计算效率,减小了计算时间。又一方面,本申请在模型拟合过程中采用了迭代的方法,寻找最优的、最接近实际的模型,提高了矿石组分信息提取的精度。
综合所述,本申请首先获得目标矿石在高光谱数据上的特征吸收位置,然后,通过将影像上的特征吸收位置,与每种矿石的矿物组分端元进行耦合,寻找出矿石组分端元与矿石高光谱反射率之间的关系并建立模型。之后当再次输入某种矿物的光谱信息时,便可以根据其波段特性,确定出矿石的组分信息。本方法更加注重与矿物组分高相关性的波段,降低了“同谱异物”的可能性,同时采用的极限学习机法,建立了矿石光谱信息与组分信息之间的非线性关系,减少了部分矿石组分识别周期长、组分分析困难的问题,更加有利于矿物组分信息的提取。
附图说明
为了更清楚地说明本申请实施例的技术方案,下面将对本申请实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本申请的某些实施例,因此不应被看作是对范围的限定,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他相关的附图。
图1是本申请实施例公开的一种矿石组分信息提取方法的流程示意图;
图2是本申请实施例公开的一种斜长石的矿石组分实测与预估值对比图;
图3是本申请实施例公开的一种辉石的矿石组分实测与预估值对比图;
图4是本申请实施例公开的一种橄榄石的矿石组分实测与预估值对比图;
图5是本申请实施例公开的一种透辉石的矿石组分实测与预估值对比图;
图6是本申请实施例公开的一种角闪石的矿石组分实测与预估值对比图;
图7是本申请实施例公开的一种矿石组分信息提取设备的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行描述。
实施例一
请参阅图1,图1是本申请实施例公开的一种矿石组分信息提取方法的流程示意图。如图1所示,本申请实施例的方法包括步骤:
101、获取矿石实测高光谱数据和矿石的岩矿鉴定组分分析结果数据;
102、连续统去除处理矿石实测高光谱数据;
103、提取连续统去除处理后矿石实测高光谱数据中的矿石实测高光谱数据特征;
104、查询矿石波段响应数据表,确定矿石的岩矿鉴定组分分析结果数据中与矿石特征最相关的三个波段范围;
105、基于矿石实测高光谱数据特征,根据确定的与矿石特征最相关的三个波段范围构建矿石特征光谱参数;
106、根据矿石特征光谱参数、预设第一比例的矿石的岩矿鉴定组分分析结果数据以及预设第一比例的矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型;
107、设置预设第二比例的矿石的岩矿鉴定组分分析结果数据与预设第二比例的矿石实测高光谱数据,并将预设第二比例的矿石的岩矿鉴定组分分析结果数据与预设第二比例的矿石实测高光谱数据代入关系模型中进行计算;
108、获取关系模型计算后的预测矿石的岩矿鉴定组分含量。
在本申请实施例中,作为一个示例,关系模型计算后的预测矿石的岩矿鉴定组分含量可以如图2-6所示,其中虚线表示计算后的预测矿石的岩矿鉴定组分含量,实线表示真实值。
在本申请实施例中,从岩矿鉴定角度来讲,矿石的组分信息,即组成矿石各矿物的相对含量信息,能够运用各种矿物学原理与方法,通过矿物的光、电、声、热、磁、重、硬度、气味等以及其主要的化学成分特征,对岩石、矿物样品、进行观察、鉴定以区别其矿物类别,以及研究岩石、矿石的主要矿物组成、矿物成生序列,结构、构造、岩(矿)石类型。
在本申请实施例中,根据矿物的电磁波谱特征探索矿物组分、结构特征的研究方法称为谱学法,包括电子顺磁共振波谱学法、核磁共振波谱学法、核四极共振波谱学法、穆斯鲍尔谱学法、X射线电子能谱学法,紫外光谱学法、可见-近红外光谱学法及红外光谱学法等。矿物在外场或无外场时,其内部的电子、原子、分子、甚至原子核与不同波长的电磁辐射相互作用,可产生各自特征的吸收谱、发射谱或反射谱;对这些特征谱参数进行测定和解释,有助于阐明它们与晶体结构、矿物成分及性质间的关系。
在本申请实施例中,高光谱数据,在对目标的空间特征成像的同时,对每个空间像元经过色散形成几十个乃至几百个窄波段以进行连续的光谱覆盖,其波长范围覆盖可见光、近红外、以及部分红外波段。能够捕捉到更多的地物发射和吸收光谱信息,高光谱技术更有利于寻找不同矿物之间,特征的吸收谱、发射谱或反射谱。
在本申请实施例中,作为一个示例,对所采集到的该地区的32块铁绿泥石进行光谱测量、矿石组分测量。首先,使用ASD光谱仪,对该地区采集到的32块铁绿泥石进行光谱测量,每个矿石从4个角度测量,每个角度测量三次,然后求取该矿石多条波普的平均值为该矿石的波普数据。其中,矿石组分数据依据岩矿鉴定实验室,岩矿鉴定分析报告数据。最终,依次统计铁绿泥石中斜长石、角闪石、辉石、斜方辉石、角闪石等矿物组分含量信息。
在本申请实施例中,通过上述步骤能够尽可能多的获取与矿石组分有关的波段反射率,避免了因为辐射误差、噪声等对波谱反射率数据的影响;通过建立三波段模型使得矿石得每一组分数据,都参与到与高光谱反射率数据建立关系中来,增加了光谱信息的有效使用率。另一方面,本申请通过寻找矿石中与某一特定组分相关性最高的光谱段,进而因为有波谱区间的限定,可避免了出现“异物同谱”的现象。再一方面,本申请改进了传统模型,多维光谱与多维组分之间复杂的映射关系时,必须对一个端元进行数据降维的弊端,保证的数据信息的最大利用。又一方面,在本申请中,极限学习使用单层前馈神经网络的思想,对传统反向传播思想进行了改进、大大减小了计算效率。又一方面,本申请在模型拟合过程中采用了迭代的方法,寻找最优的、最接近实际的模型,提高了矿石组分信息提取的精度。
综合,本申请首先获得目标矿石在高光谱数据上的特征吸收位置,然后,通过将影像上的特征吸收位置,与每种矿石的矿物组分端元进行耦合,寻找出矿石组分端元与矿石高光谱反射率之间的关系并建立模型。之后当再次输入某种矿物的光谱信息时,便可以根据其波段特性,确定出矿石的组分信息。本方法更加注重与矿物组分高相关性的波段,降低了“同谱异物”的可能性,同时采用的极限学习机法,建立了矿石光谱信息与组分信息之间的非线性关系,减少了部分矿石组分识别周期长、组分分析困难的问题,更加有利于矿物组分信息的提取。在本申请第一方面中,作为一种可选的实施方式,对矿石实测高光谱数据进行连续统去除的处理公式为:
Rcr=R/Rc
其中Rcr为连续统去除后的光谱数据,R为原始光谱数据,Rc为原始光谱的连续统。
在本申请实施例中,作为一种可选的实施方式,获取关系模型计算后的预测矿石的岩矿鉴定组分含量的步骤之后,本申请实施例的方法还包括:
验证矿石的岩矿鉴定组分分析结果数据与预测矿石的岩矿鉴定组分含量之间的线性关系,以确定关系模型的可行性;
若,验证结果未满足预设条件,则执行建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤;
若,验证结果满足预设条件,则输出关系模型。
在本申请第一方面中,作为一种可选的实施方式,验证矿石的岩矿鉴定组分分析结果数据与预测矿石的岩矿鉴定组分含量之间的线性关系的方法采用线性回归R2和T检验方式。
在本申请第一方面中,作为一种可选的实施方式,预设条件为模型能够通过T检验且R2>0.7,进一步地,模型的拟合优度R2检验及预测值与实际值的T检验可作为模型的检验分,其中,根据输入已知矿物的反射率信息可计算出模线预测矿物组分信息,并将改信息作为预测值。
在本申请第一方面中,作为一种可选的实施方式,连续统去除处理矿石实测高光谱数据的步骤,包括:
矿石实测高光谱数据除以矿石实测高光谱的连续统。
在本申请第一方面中,作为一种可选的实施方式,预设第一比例与预设第二比例之和为100%,具体地,在本实施例中第一比例为70%、第二比例为30%,所以先用第一比例70%进行高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型建立,再用第二比例30%对关系模型的可行性进行验证,周而复始,则得出高准确率的关系模型,以便于后续获取所述关系模型计算后的预测矿石的岩矿鉴定组分含量,当然第一比例也可为60%,第二比例为40%,即在本实施例中当预设第一比例与预设第二比例之和为100%时即可成立。
在本申请第一方面中,作为一种可选的实施方式,根据确定的与矿石特征最相关的三个波段范围构建矿石特征光谱参数的步骤,包括:
设置与矿石特征最相关的三个波段范围为第一波段范围、第二波段范围以及第三波段范围;
获取第一波段范围中的波段光谱反射率平均值、第二波段范围中的波段光谱反射率平均值、第三波段范围中的波段光谱反射率平均值以及第三波段范围内的所有反射率值;
根据第一波段范围中的波段光谱反射率平均值、第二波段范围中的波段光谱反射率平均值、第三波段范围中的波段光谱反射率平均值以及第三波段范围内的所有反射率值构建矿石特征光谱参数。
在本可选的实施方式,矿石特征最相关的三个波段范围分别为b1、b2、b3,以及,矿石特征光谱参数的表达式为
其中,F1表示b1范围的波段光谱反射率平均值,F2是b2范围的波段光谱反射率平均值,F3是b3范围的波段光谱反射率平均值,T3是b3波段范围之内所有反射率值。
在可选实施方式中,波段b1为[2210-2294nm]、波段b2为[2294-2418nm]、波段b3为[450-650nm]。
在本申请实施例中,矿石波段响应数据表如表1所示,
表1
在本申请第一方面中,作为一种可选的实施方式,根据矿石特征光谱参数、预设第一比例的矿石的岩矿鉴定组分分析结果数据以及预设第一比例的矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤,包括:
基于极限学习机的方法,训练矿石特征光谱参数、预设第一比例的矿石的岩矿鉴定组分分析结果数据以及预设第一比例的矿石实测高光谱数据结合的数据集;
根据训练后的数据集建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型。
在本可选的实施方式中,极限学习机使用单层前馈神经网络的结构,具体地,该神经网络包括输入层、隐含层和输出层,其中,隐含层的输出函数具体定义为:
这里x为神经网络的输入、β为输出权重,h(x)被称为特征映射或激励函数,其作用是将输入层的数据由其原本的空间映射到ELM的特征空间:
h(x)=G(ai,bi,x);
式中ai和bi是特征映射的参数,在ELM研究中也被称为节点参数,其中ai为输入权重。由于ELM中输入层至隐含层的特征映射是随机的或人为给定的且不进行调整,因此ELM的特征映射是随机的。依据通用近似定理,特征映射可以是任意非线性的片段连续函数,常见的有:三角函数、高斯函数、径向基函数、双曲正弦函数、Sigmoid函数、硬限幅函数。不同的隐含层节点可以有不同的映射函数。
进一步地,关于三角函数、高斯函数、径向基函数、双曲正弦函数、Sigmoid函数、硬限幅函数的计算公式可参考表2:
表2
在本申请实施例中,通过上述步骤能够的获取与矿石组分最有关的波段,避免了因为辐射误差、噪声等对波谱反射率数据的影响;通过建立三波段模型使得与矿石组分相关的每一段光谱数据,都参与到矿石组分反演中来,增加了光谱信息的有效使用率。另一方面,本申请通过寻找矿石中与某一特定组分相关性最高的光谱段,进而因为有波谱区间的限定,尽可能避免了出现“异物同谱”的现象。再一方面,本申请改进了传统模型,多维光谱与多维组分之间复杂的映射关系时,必须对一个端元进行数据降维的弊端,保证的数据信息的最大利用。又一方面,在本申请中,极限学习使用单层前馈神经网络的思想,对传统神经网络的误差反向传播的方式进行了改进,进而增大了计算效率,减小了计算时间。又一方面,本申请在模型拟合过程中采用了迭代的方法,寻找最优的、最接近实际的模型,提高了矿石组分信息提取的精度。
综合,本申请首先获得目标矿石在高光谱数据上的特征吸收位置,然后,通过将影像上的特征吸收位置,与每种矿石的矿物组分端元进行耦合,寻找出矿石组分端元与矿石高光谱反射率之间的关系并建立模型。之后当再次输入某种矿物的光谱信息时,便可以根据其波段特性,确定出矿石的组分信息。本方法更加注重与矿物组分高相关性的波段,降低了“同谱异物”的可能性,同时采用的极限学习机法,建立了矿石光谱信息与组分信息之间的非线性关系,减少了部分矿石组分识别周期长、组分分析困难的问题,更加有利于矿物组分信息的提取。
实施例二
请参阅图7,图7是本申请实施例公开的一种矿石组分信息提取设备的结构示意图。如图7所示,本申请实施例的设备包括:
处理器201;以及
存储器202,配置用于存储机器可读指令,指令在由处理器201执行时,使得处理器201执行本申请实施例一的矿石组分信息提取方法。
本申请实施例的设备通过执行上述步骤能够尽可能多的获取与矿石组分有关的波段反射率,避免了因为辐射误差、噪声等对波谱反射率数据的影响;通过建立三波段模型使得矿石得每一组分数据,都参与到与高光谱反射率数据建立关系中来,增加了光谱信息的有效使用率。另一方面,本申请实施例通过寻找矿石中与某一特定组分相关性最高的光谱段,进而因为有波谱区间的限定,可避免了出现“异物同谱”的现象。再一方面,本申请实施例改进了传统模型,多维光谱与多维组分之间复杂的映射关系时,必须对一个端元进行数据降维的弊端,保证的数据信息的最大利用。又一方面,在本申请实施例中,极限学习使用单层前馈神经网络的思想,对统神经网络的误差反向传播的方式进行了改进、大大减小了计算效率。又一方面,本申请实施例在模型拟合过程中采用了迭代的方法,寻找最优的、最接近实际的模型,提高了矿石组分信息提取的精度。
综合,本申请实施例首先获得目标矿石在高光谱数据上的特征吸收位置,然后,通过将影像上的特征吸收位置,与每种矿石的矿物组分端元进行耦合,寻找出矿石组分端元与矿石高光谱反射率之间的关系并建立模型。之后当再次输入某种矿物的光谱信息时,便可以根据其波段特性,确定出矿石的组分信息。本方法更加注重与矿物组分高相关性的波段,降低了“同谱异物”的可能性,同时采用的极限学习机法,建立了矿石光谱信息与组分信息之间的非线性关系,减少了部分矿石组分识别周期长、组分分析困难的问题,更加有利于矿物组分信息的提取。
实施例三
本申请实施例公开一种存储介质,存储介质存储有计算机程序,计算机程序被处理器执行本申请实施例一的矿石组分信息提取方法。
本申请实施例的存储介质通过执行上述步骤能够尽可能多的获取与矿石组分有关的波段反射率,避免了因为辐射误差、噪声等对波谱反射率数据的影响;通过建立三波段模型使得矿石得每一组分数据,都参与到与高光谱反射率数据建立关系中来,增加了光谱信息的有效使用率。另一方面,本申请实施例通过寻找矿石中与某一特定组分相关性最高的光谱段,进而因为有波谱区间的限定,可避免了出现“异物同谱”的现象。再一方面,本申请实施例改进了传统模型,多维光谱与多维组分之间复杂的映射关系时,必须对一个端元进行数据降维的弊端,保证的数据信息的最大利用。又一方面,在本申请实施例中,极限学习使用单层前馈神经网络的思想,对传统神经网络的误差反向传播的方式进行了改进、大大减小了计算效率。又一方面,本申请实施例在模型拟合过程中采用了迭代的方法,寻找最优的、最接近实际的模型,提高了矿石组分信息提取的精度。
综合,本申请实施例首先获得目标矿石在高光谱数据上的特征吸收位置,然后,通过将影像上的特征吸收位置,与每种矿石的矿物组分端元进行耦合,寻找出矿石组分端元与矿石高光谱反射率之间的关系并建立模型。之后当再次输入某种矿物的光谱信息时,便可以根据其波段特性,确定出矿石的组分信息。本方法更加注重与矿物组分高相关性的波段,降低了“同谱异物”的可能性,同时采用的极限学习机法,建立了矿石光谱信息与组分信息之间的非线性关系,减少了部分矿石组分识别周期长、组分分析困难的问题,更加有利于矿物组分信息的提取。
在本申请所提供的实施例中,应该理解到,所揭露装置和方法,可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,又例如,多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
另外,作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
再者,在本申请各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
需要说明的是,功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
以上所述仅为本申请的实施例而已,并不用于限制本申请的保护范围,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (10)
1.一种矿石组分信息提取方法,其特征在于,所述方法包括:
获取矿石实测高光谱数据和矿石的岩矿鉴定组分分析结果数据;
连续统去除处理所述矿石实测高光谱数据;
提取所述连续统去除处理后所述矿石实测高光谱数据中的矿石实测高光谱数据特征;
查询矿石波段响应数据表,确定所述矿石的岩矿鉴定组分分析结果数据中与矿石特征最相关的三个波段范围;
基于所述矿石实测高光谱数据特征,根据确定的所述与矿石特征最相关的三个波段范围构建矿石特征光谱参数;
根据所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型;
设置预设第二比例的所述矿石的岩矿鉴定组分分析结果数据与预设第二比例的所述矿石实测高光谱数据,并将所述预设第二比例的所述矿石的岩矿鉴定组分分析结果数据与所述预设第二比例的所述矿石实测高光谱数据代入所述关系模型中进行计算;
获取所述关系模型计算后的预测矿石的岩矿鉴定组分含量。
2.如权利要求1所述的方法,其特征在于,所述获取所述关系模型计算后的预测矿石的岩矿鉴定组分含量的步骤之后,所述方法还包括:
验证所述矿石的岩矿鉴定组分分析结果数据与所述预测矿石的岩矿鉴定组分含量之间的线性关系,以确定所述关系模型的可行性;
若,所述验证结果未满足预设条件,则执行建立所述高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤;
若,所述验证结果满足预设条件,则输出所述关系模型。
3.如权利要求2所述的方法,其特征在于,所述验证所述矿石的岩矿鉴定组分分析结果数据与所述预测矿石的岩矿鉴定组分含量之间的线性关系的方法采用线性回归R2和T检验方式。
4.如权利要求3所述的方法,其特征在于,所述预设条件为所述模型能够通过T检验且R2>0.7。
5.如权利要求1所述的方法,其特征在于,所述连续统去除处理所述矿石实测高光谱数据的步骤,包括:
所述矿石实测高光谱数据除以矿石实测高光谱的连续统。
6.如权利要求1所述的方法,其特征在于,所述预设第一比例与所述预设第二比例之和为100%。
7.如权利要求1所述的方法,其特征在于,所述根据确定的所述与矿石特征最相关的三个波段范围构建矿石特征光谱参数的步骤,包括:
设置所述与矿石特征最相关的三个波段范围为第一波段范围、第二波段范围以及第三波段范围;
获取所述第一波段范围中的波段光谱反射率平均值、所述第二波段范围中的波段光谱反射率平均值、所述第三波段范围中的波段光谱反射率平均值以及所述第三波段范围内的所有反射率值;
根据所述第一波段范围中的波段光谱反射率平均值、所述第二波段范围中的波段光谱反射率平均值、所述第三波段范围中的波段光谱反射率平均值以及所述第三波段范围内的所有反射率值构建矿石特征光谱参数。
8.如权利要求1所述的方法,其特征在于,所述根据所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型的步骤,包括:
基于极限学习机的方法,训练所述矿石特征光谱参数、预设第一比例的所述矿石的岩矿鉴定组分分析结果数据以及预设第一比例的所述矿石实测高光谱数据结合的数据集;
根据所述训练后的数据集建立高光谱数据与矿石的岩矿鉴定组分含量之间的关系模型。
9.一种矿石组分信息提取方法设备,其特征在于,所述设备包括:
处理器;以及
存储器,配置用于存储机器可读指令,所述指令在由所述处理器执行时,使得所述处理器执行如权利要求1-8任一项所述的矿石组分信息提取方法。
10.一种存储介质,其特征在于,所述存储介质存储有计算机程序,所述计算机程序被处理器执行如权利要求1-8任一项所述的矿石组分信息提取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451055.4A CN113281276B (zh) | 2021-04-26 | 2021-04-26 | 一种矿石组分信息提取方法、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110451055.4A CN113281276B (zh) | 2021-04-26 | 2021-04-26 | 一种矿石组分信息提取方法、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113281276A true CN113281276A (zh) | 2021-08-20 |
CN113281276B CN113281276B (zh) | 2022-12-13 |
Family
ID=77277417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110451055.4A Active CN113281276B (zh) | 2021-04-26 | 2021-04-26 | 一种矿石组分信息提取方法、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113281276B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551471A (zh) * | 2009-05-19 | 2009-10-07 | 中国国土资源航空物探遥感中心 | 一种高光谱遥感矿物含量定量反演方法 |
CN101887012A (zh) * | 2010-06-28 | 2010-11-17 | 中国国土资源航空物探遥感中心 | 基于光谱反射峰分解的高光谱遥感矿物含量定量反演方法 |
CN104537375A (zh) * | 2015-01-22 | 2015-04-22 | 西安煤航卫星数据应用有限公司 | 一种基于卫星遥感数据的褐铁矿化信息提取方法 |
CN107389571A (zh) * | 2017-07-21 | 2017-11-24 | 中国科学院遥感与数字地球研究所 | 一种矿物组分高光谱遥感精细鉴别方法 |
CN109557031A (zh) * | 2018-11-06 | 2019-04-02 | 核工业北京地质研究院 | 一种岩心高光谱蚀变信息提取方法 |
US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
-
2021
- 2021-04-26 CN CN202110451055.4A patent/CN113281276B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101551471A (zh) * | 2009-05-19 | 2009-10-07 | 中国国土资源航空物探遥感中心 | 一种高光谱遥感矿物含量定量反演方法 |
CN101887012A (zh) * | 2010-06-28 | 2010-11-17 | 中国国土资源航空物探遥感中心 | 基于光谱反射峰分解的高光谱遥感矿物含量定量反演方法 |
CN104537375A (zh) * | 2015-01-22 | 2015-04-22 | 西安煤航卫星数据应用有限公司 | 一种基于卫星遥感数据的褐铁矿化信息提取方法 |
CN107389571A (zh) * | 2017-07-21 | 2017-11-24 | 中国科学院遥感与数字地球研究所 | 一种矿物组分高光谱遥感精细鉴别方法 |
CN109557031A (zh) * | 2018-11-06 | 2019-04-02 | 核工业北京地质研究院 | 一种岩心高光谱蚀变信息提取方法 |
US20200384506A1 (en) * | 2019-06-05 | 2020-12-10 | X Development Llc | Determining ore characteristics |
Non-Patent Citations (1)
Title |
---|
刘庆杰 等: ""一种红外光谱免疫计算的矿物组分定量提取方法"", 《光谱学与光谱分析》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113281276B (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | DeepSpectra: An end-to-end deep learning approach for quantitative spectral analysis | |
Pořízka et al. | On the utilization of principal component analysis in laser-induced breakdown spectroscopy data analysis, a review | |
Feilhauer et al. | Multi-method ensemble selection of spectral bands related to leaf biochemistry | |
Yan et al. | A novel hybrid feature selection strategy in quantitative analysis of laser-induced breakdown spectroscopy | |
Bhargava | Towards a practical Fourier transform infrared chemical imaging protocol for cancer histopathology | |
EP2710353B1 (en) | SPECTROSCOPIC APPARATUS AND METHOD of DETERMINING COMPONENTS PRESENT IN A SAMPLE | |
US11493447B2 (en) | Method for removing background from spectrogram, method of identifying substances through Raman spectrogram, and electronic apparatus | |
US20090001262A1 (en) | System and Method for Spectral Analysis | |
JP2010527017A (ja) | 分光学的データを使用し、材料または化学物質の分類および混合物中の材料または化学物質の特性を定量化するカーネル型方法および装置 | |
EP2035793A1 (en) | Spectroscopic analysis methods | |
Pořízka et al. | Laser-Induced Breakdown Spectroscopy coupled with chemometrics for the analysis of steel: The issue of spectral outliers filtering | |
Bricklemyer et al. | Comparing vis–NIRS, LIBS, and combined vis–NIRS‐LIBS for intact soil core soil carbon measurement | |
CN112513616A (zh) | 用于根据电磁光谱信息表征物理样本中成分的方法和设备 | |
JP6676743B2 (ja) | 分光画像データ処理装置および2次元分光装置 | |
Martyna et al. | Hybrid approach combining chemometrics and likelihood ratio framework for reporting the evidential value of spectra | |
Pagnin et al. | Multivariate analysis and laser-induced breakdown spectroscopy (LIBS): a new approach for the spatially resolved classification of modern art materials | |
Yu et al. | Prediction of soil properties based on characteristic wavelengths with optimal spectral resolution by using Vis-NIR spectroscopy | |
Zhu et al. | Interval combination iterative optimization approach coupled with SIMPLS (ICIOA-SIMPLS) for quantitative analysis of surface-enhanced Raman scattering (SERS) spectra | |
Cooper et al. | Wavelet based Raman spectra comparison | |
Qin et al. | Non-destructive recognition of copy paper based on advanced spectral fusion and feature optimization | |
CN108827909B (zh) | 基于可见近红外光谱与多目标融合的土壤快速分类方法 | |
Finotello et al. | HyperPCA: A powerful tool to extract elemental maps from noisy data obtained in LIBS mapping of materials | |
CN113281276B (zh) | 一种矿石组分信息提取方法、设备及存储介质 | |
Moores et al. | Bayesian modelling and quantification of Raman spectroscopy | |
CN116026808A (zh) | 一种拉曼光谱判别方法和系统 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |