基于共焦LIBS技术结合机器学习的矿石分类识别方法

作者：苏云鹏; 贺春景; 李昂泽; 徐可米; 邱丽荣; 崔晗^*

来源：光谱学与光谱分析, 2023, 43(03): 692-697.

• 激光诱导击穿光谱
• 共焦LIBS
• 主成分分析
• 机器学习

矿物分类与识别是地质研究领域的重要内容，对地质勘探和环境演化的研究具有重要意义。然而，传统的矿石分类识别方法依靠专业人员通过矿石的外形及物理性质进行人工鉴定，主观性强，准确率低，激光诱导击穿光谱技术(LIBS)由于其元素“指纹”特性、灵敏度高以及快速在线检测的特点，非常适合用于地质研究领域。利用共焦激光诱导击穿光谱技术与机器学习结合，提高了矿石分类识别的精准度，利用共焦LIBS系统获得8种天然矿石样品(金矿、铜矿、银辉矿、赤铁矿、铝矿、方铅石、磷灰石以及闪锌矿)的光谱数据，采用主成分分析方法(PCA)对数据进行降维处理，并对降维后的数据采用线性判别分析(LDA)、最邻近规则(KNN)以及支持向量机(SVM)三种方法进行特征谱线的高精准分类识别。首先，采用标准铜片作为样品，对比了非共焦LIBS系统和共焦LIBS系统的稳定性及其对PCA主成分累计贡献率的影响，结果表明与非共焦LIBS系统相比，共焦LIBS系统的稳定性提升了63.75%,主成分累计贡献率提高了17.81%;然后，采用共焦LIBS系统获取上述8种矿石样品的光谱信息，并进行去噪等预处理，采用PCA对矿石特征数据进行提取，并保留累计贡献率达到99.4%的前10维特征空间；最后，将特征数据分别与LDA, KNN以及SVM结合构建分类模型，进行种类识别。结果表明，PCA方法与LDA和KNN方法结合的分类准确度分别为95.78%和92.58%,而与SVM相结合的方法，准确率可达到97.89%。因此，采用共焦激光诱导击穿光谱技术与PCA和SVM相结合的方法，可为地质勘探和矿物识别领域提供一种快速、高准确度的分类识别方式，具有广阔的应用前景。

• 单位
  北京理工大学