-
宣扬地学成果，传播勘查技术方法
-
点击上方“覆盖区找矿”，
关注
更精彩！
岩性识别：方法、现状及智能化发展趋势
许振浩
1,2
，马文
2
，李术才
1,2
，林鹏
2
，梁锋
3,4
，许广璐
2
，李珊
2
，韩涛
2
，石恒
1
1
山东大学岩土与结构工程研究中心
2
山东大学齐鲁交通学院
3
中国地质科学院
4
自然资源部深地科学与探测技术实验室
作者简介：
许振浩
，博士，教授，主要从事隧道与地下工程不良地质识别预报、灾害防控方面的研究。
通讯作者：林鹏
，博士，副研究员，主要从事隧道及地下工程不良地质识别方面的研究。
岩性识别是
基础地质调查、矿产勘查、水工环地质调查、岩土勘察
、岩石力学与工程
等各项地质工作中
一项基础性而又十分重要的工作
，
传统的手标本、光薄片鉴定和元素分析识别方法
需要有地质功底很强的
专业人士才能胜任
。
新近不断涌现
基于数据挖掘和图像识别的人工智能方法
，
准确率可达90%以上。
文中介绍了多种智能识别方法
。
基于岩石图像、镜下图像、图像与元素信息融合等的智能识别方法
将是未来岩性
自动化快速准确识别
的发展方向。
当前岩性智能化识别技术处于快速发展阶段
。
作者认为，
综合各类数据源的优势，
利用机器学习深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性
，有利于突破单源信息的局限性，
可实现岩性快速准确识别，是发展趋势
。
关键词：岩性识别；深度学习；人工智能；融合分析；图像识别
岩性识别历来是地质学、资源勘查、岩土勘察、岩石力学与工程等领域非常重要而基础的问题
，
是一个必不可缺的环节
。准确高效的识别岩性具有重要的应用价值。
在地球科学领域，认识地下岩性分布一直是地质学中的重要问题
。地层岩性识别对矿产、石油等资源勘探提供了强有力的支持。
同时，岩性识别对岩土与地下工程设计方案优化、安全评估与风险评价也具有重要的指导意义
。
目前，岩性识别
主要有手标本鉴定、薄片鉴定、元素测试和矿物测试等方法
，
还包括重磁技术、地震技术等其他间接辅助识别手段
。
手标本鉴定是最简单直接的岩性识别方法
，可在工程中快速提供初步的识别结果。
薄片鉴定是地质学中应用最早且较为普遍的岩石岩性鉴定方法之一
，对研究人员的专业知识和地质经验要求较高。
元素测试是直接通过测试元素种类及含量
，建立与岩性信息的相关模型进行岩性识别的方法；
或在获取元素信息的基础上，根据地球化学的规律求出矿物含量从而进行岩性识别
。
矿物测试是通过测定矿物种类及含量鉴定岩性的方法。
元素测试和矿物测试技术都需要经过实验获取数据，
再对数据进行处理分析进而得到最终岩性识别的结果
。
获取岩石元素、矿物种类及含量信息的方式很多，其中光谱技术是目前比较常用的手段
，将其应用于岩性识别也是该领域的重要成果之一。
X射线荧光分析技术(XRF)、X射线衍射技术(XRD)和高光谱技术
等是获得光谱信息的主要手段，
元素与矿物的定性定量识别是利用光谱技术进行岩性识别的切入点
。
XRF可对样品中的元素进行定性和定量分析
，利用元素与岩性之间的关系有效解决工程过程中对大量粉末状岩屑识别的难题，具有良好的工程适用性。
XRD可对样品中的矿物进行定性和定量的分析
，再通过地球化学规律对样品岩性进行识别，
结果准确、具有较高的参考价值
。
高光谱技术同样可对岩石样品中的矿物进行定性定量分析，
具有数据量丰富、测试速度快、无需制样等优势。虽然该技术起步较晚，
但是目前的研究也证明了应用高光谱技术
进行岩性识别的可行性与有效性
。
通过岩性识别技术获取到的数据众多
，如何利用这些数据快速准确的确定岩性具有重要的研究意义。
随着技术的进步，人工智能技术开始应用于岩性识别方面，
基于数据挖掘和图像识别等技术的岩性智能化识别方法不断涌现
。
数据挖掘是
从大量数据中揭示隐含的并具有潜在价值信息的方法。
在岩性识别领域，
主要通过分析元素数据、矿物数据及测井数据等
，
从中寻找其与岩石岩性的规律
，包括关联分析、聚类分析、分类分析和异常分析等
。图像识别是利用计算机对图像进行处理、分析和理解的过程，以识别不同目标为任务
，通常会应用深度学习方法。
在基于图像进行岩性智能识别时
，选择岩石图像或镜下图像作为研究对象，
并利用提取到的图像特征与对应岩性关系形成映射
，
从而达到自动识别的目的。
人工智能技术的引入
提高了岩性识别的自动化程度
，
同时有利于提高结果的客观性
。但是在面对数据与岩性之间的复杂关系时，
仅利用岩石单一特征，容易产生错分及漏分现象，
导致岩性识别误差较大、岩性解译精度较低等问题。
所以如何更好地协同各种信息
，充分实现“1+1>2”的效应成为当今需要关注的问题。总体而言，
岩性识别已经逐步从传统识别技术向智能化识别方法过渡
，且已经取得了较大进展。
但还存在一系列关键问题亟待解决
，例如缺少通用测量设备与技术，尚未建立统一数据库，算法模型需要提高泛化能力和鲁棒性等。
本文在课题组研究的基础上，
通过大量的国内外文献调研对岩性识别的技术和数据统计与分析方法进行了总结，
阐述了课题组在岩性智能识别方面的新进展
，
并对未来的技术发展方向和趋势进行预测，
为岩性智能化识别领域的研究提供参考。
岩性识别技术主要分为：
手标本鉴定、薄片鉴定、元素测试、矿物测试及其他辅助识别技术。
不同的岩性识别技术适用于不同的应用场景
，需基于实际需求，选择相应的岩性识别技术。
图1
岩石图像；(a)粉砂岩；(b)橄榄岩；(c)花岗岩；(d)辉绿岩；(e)流纹岩；(f)正长岩
手标本鉴定
主要是根据岩石的
颜色、组构、矿物成分及其他特征
对岩石进行识别与分类(图1)。
例如通过不同的结晶程度、矿物形态等特征
可以对火成岩
进行岩性判别
。
变质岩则可通过其组构、成分等
进行基础的分类命名
。
对于沉积岩，
可通过
岩样的结构、大地构造和颜色等特征进行岩性识别
。
Zhang
Guohua等(2018)认为岩石的宏观描述
对于岩性鉴别具有重大意义，
结合颜色、破碎程度等特征更容易对岩石进行鉴别
；Rigopoulos等(2015)在对超镁铁岩样的研究中
通过岩石结构、破碎形态等特征
对不同岩性进行辅助识别
。宏观判别在地质相关工作中得到了广泛的应用，但该方法难以对矿物成分进行准确定量，且识别结果主观性强，易受地质工作者的经验影响。
薄片鉴定
是一种较为传统的岩性识别技术，该技术通过将岩石制成岩石薄片，
利用偏光显微镜观测样品薄片中的矿物的晶体特性以及光学特性
，确定岩石类型及成因特征，从而实现岩性识别 (图2)。
薄片鉴定是地质找矿工作中进行岩性识别的重要技术，
细致地展现岩石的微观特征和结构，
在岩性识别研究方面具有其他技术无法取代的优势
，
但受限于实验条件的苛刻和对岩石样品薄片加工的要求
，
薄片鉴定技术通常是在实验室内进行的。
图2
岩石薄片镜下图像：(a)粗粒花岗岩；(b)花岗伟晶岩
利用薄片鉴定技术
，陆旭康等(2021)针对地质条件
复杂的惠州凹陷A井区采用薄片鉴定法对71个样品进行鉴定
，准确识别泥岩、粉砂岩、石英砂岩和长石砂岩等岩性，
实现了地层的准确划分
；张乃丹(2021)针对乍得Bongor盆地的315个岩芯薄片进行鉴定，分析得到组成潜山的岩性达40多种；
梁久红等(2020)利用薄片鉴定结合元素分析、宏观观察等方法
建立页岩油岩性识别组合技术
，对于岩性组合复杂的松辽盆地古龙页岩油储层
实现了岩性精细识别
。薄片鉴定作为一种传统的岩性识别技术广泛应用于岩性定名，
但受主观因素影响较大且费时费力
。
岩石岩性与元素组成紧密相关
，不同岩性的岩石
其元素种类与含量也不同
。基于这一理论，
可通过对岩石样品进行元素测试
，获得元素的种类及含量信息，
以此为基础进行岩性识别
。
目前，基于元素信息解释岩性的方法主要分为两类：
第一类通过元素信息反演矿物信息，
再利用反演得到的矿物信息进行岩性识别
，利用元素信息反演矿物信息常用的方法有CIPW标准矿物计算等，如图3所示；
第二类基于元素信息与岩性信息建立模型，
通过元素信息直接获得岩性识别结果
。
路远发(2004)
基于地球化学工作中常用的参数计算及图解绘制工作，
开发了地球化学工具软件包Geokit
，可进行地球化学散点图绘制、稀土元素分布模式图及参数计算、微量元素比值蛛网图、CIPW标准矿物计算、Pb—Sr—Nd同位素参数计算等工作，
可实现岩石分类及岩石和矿床成因判别
；
席辉等(2020)利用第一类方法
在鄂尔多斯盆地陇东板块X井，
建立了以矿物为过渡阶段的元素与岩性之间的关系模型
，取得了良好的识别效果；
尹平等(2017)使用第二类方法
，通过研究川渝地区4口典型井，基于不同岩性岩石主要元素含量也不相同的理论，划分不同岩性的特征元素组合，
建立了川渝地区岩浆岩和沉积岩岩性分区识别板块
。
通过元素测试可量化岩石的元素成分，提供精确的成分分析和岩性识别结果
，有效地指导科研和工程领域的工作。
图3
CIPW标准矿物计算法流程图
矿物测试是通过获取岩石矿物信息直接进行岩石定名
，或结合其他物化信息建立模型，再进行岩性识别的技术，
是岩性识别的重要手段之一
。
矿物测试的技术和途径包含多种
，常见的有：X射线衍射技术(XRD)(图4)、高光谱技术(图5)、矿物综合分析系统(TIMA)等。
不同的技术有其自身的优势或不足
，
如XRD获取的矿物数据较准确
，但需要进行制样操作且数据测试分析速度较慢；
高光谱技术无需制样、测试速度快，
在测试数据量大时优势明显，但识别准确率相比于XRD仍有较大提升空间；TIMA通过结合背散射电子(BSE)和二次电子信息(SEM)，利用多个能谱探测仪(EDS)以高计数率实现对矿物成分、颗粒大小的精确测量。因此，
要根据实际需要选择合适的矿物测试技术
。
图4
岩石样品X射线衍射谱图
图5
浊沸石光谱曲线
赵贤正等(2017)通过测井曲线标准化并与X-射线衍射分析实测矿物含量定量关系拟合
，计算无取心段/井矿物含量，
从而进行岩性识别
，他还提出了在以薄片鉴定和XRD测试的基础上，
结合测井资料定量计算细粒沉积矿物含量的简易方法
，
建立岩性快速识别的模式
。
黄照强等(2010)利用热红外遥感数据
，通过比值法和光谱角制图法(SAM)
实现了对石英、砂岩和硅酸盐岩类等造岩矿物在西藏冈底斯东段泽当矿田的大尺度识别
。
矿物分析可为岩性识别提供直观、精确且定量化的识别依据，
综合考虑矿物识别准确率和速度对于实际工程的影响，
XRD技术和高光谱技术的综合应用是一个未来值得深入研究的方向。
除了上述岩性识别技术，
重磁技术、地震技术、电子探针技术等可作为岩性识别的辅助技术
。重磁技术的理论基础是通过不同地层的各岩石种类物理性质的差异，分析不同岩性与对应的磁化率和密度组合特征和逻辑关系，
以先验信息作为约束条件，实现岩性信息的反演
；地震技术主要通过不同岩性地震属性的差异预测不同岩性的发育带；
电子探针技术通过分析显微镜下的微小区域成分，获取该区域全部的元素种类及含量，判识分析速度快且无需标定
。
王财富等(2019)在东坪—冷湖地区开展了CEMP勘探工作，
结合重磁勘探资料开展了侏罗系分布研究和基岩岩性预测；
严加永等(2015)通过统计磁化率、密度与岩性之间的逻辑对应关系，构建逻辑判别表达式
，
从而实现三维岩性填图
；黄凤祥等(2016)利用地震技术得到均方根振幅属性对岩性相对敏感的特征，
进行基性侵入岩的识别预测
；匡立春等(2013)利用电子探针技术并结合岩芯观察和薄片鉴定等方法分析了吉木萨尔凹陷芦草沟组致密油储层岩性以致密砂岩、云质岩为主。
大量的工程研究与应用验证了这些方法的可行性与有效性。
岩性特征众多，包括颜色、成分、结构、构造等
，
参数众多且各参数与岩性之间存在着复杂的非线性关系
。为了深度挖掘岩性特征和岩性间的关系，
大量统计分析方法被应用于岩性识别
。本部分主要介绍常用的图解法和当前最热门的机器学习方法。
图解法识别三大岩是借助散点图、线形图、交互图等
，来分析不同岩性对应的特征参量和逻辑关系，进而判断和识别岩性。
该方法可以直观反映岩性分区情况，是识别岩性简单有效的方法。
本部分主要介绍QAPF图解分类法和交会图法。
QAPF图解分类法是国际地科联(IUGS)火成岩分类学会委员会推荐的一个火成岩分类方案。
此方法以矿物含量为基础，
首先将矿物分为5大类：
石英(Q)、碱性长石(A)、斜长石(P)、副长石(F)和铁镁矿物组(M)；
对于暗色矿物(M)等含量小于90%的岩石
，需要根据Q、A、P、F矿物含量比进一步划分。
分类采用双等边三角形图解，
如图6所示。QAPF图解分类法适用于能够确定矿物含量的火成岩分类。
韩琳等(2010)将元素俘获谱测井(ECS)元素测井数据转化为矿物含量后
，结合QAPF图
实现了对火成岩岩性的划分
；林楠等(2014)将反演出的氧化物含量转化为矿物含量后，
采用QAPF图解分类法确定了火成岩的岩性
。
图6
QAPF双三角图解
交会图法是一种测井资料解释方法
，将测井数据在平面图上交会，
根据交会点坐标定出关键参数分布特征
。交会图种类众多，包括GR—RT交会图、DEN—GR交会图、中子—密度交会图以及M—N交会图等。
为了准确识别岩石，通常需要采用多种交会图
。
寇彧等(2010)依据含油气盆地常规测井曲线编制了DEN—RT、DEN—GR岩性识别交会图
(图7)。张大权等(2015)利用准噶尔盆地测井资料建立了GR—DEN、GR—AC等交会图版。
徐德龙等(2012)结合测井资料建立了
GR—BK、GR—NGR、NGR—BK、PHIE—SW交会图版，
实现了中亚地区油田岩性的准确识别
。
交会图法是一种简单有效的方法
，但交会图法受限于测井曲线数据，岩性界限划分没有具体标准，且存在人为影响较大、工作量大等问题。
图7
DEN
—
RT
、
DEN
—
GR
交会图版
机器学习能够深度挖掘数据和岩性的关系，识别准确率较高
，已经得到广泛应用。本部分主要介绍贝叶斯分析法、主成分分析法、聚类分析法、支持向量机、
神经网络和集成学习法
。
贝叶斯分析法是一种概率计算方法，
对于多类别岩性，
将先验信息与样本信息综合，计算样品类别概率，
核心公式如下：
其中，
p
(
x
|
π
t
=
f
j
)表示样品点为岩相
f
j
对应得
x
的概率密度函数；
p
(
π
t
=
f
j
)表示岩相类型
f
j
的概率，
即先验概率密度函数
。
陈军等(2007)、孙健等(2009)
将测井信息作为输入，
使用贝叶斯分析法实现了岩性的自动分类
。
主成分分析法
是
一种数据降维统计分析方法
，可把原来众多具有相关性的岩性参数降维成互相无关的少量参数。
在识别岩性时，主成分分析法通常需要和其他方法结合，
如最小二乘法、支持向量机、交会图法、神经网络等。
主成分分析法能简化数据维度、有效降低数据复杂度
，
在岩性识别上起到了重要作用。
聚类分析
是一种将研究对象
分为相对同质的群组的统计分析方法
，包括层次聚类、K-means聚类和模糊聚类等。
寻知锋等(2008)利用层次聚类分析法和K-means聚类分析法
对测井数据进行了分析，
证明了此方法在岩性识别方面的实用价值
；王祝文等(2009)依据常规测井资料进行了K-means聚类分析，
证明了此方法进行岩性识别的有效性
；赵武生等(2010)运用聚类方法对岩性
测井信息进行了研究
，
岩性识别的结果均较为精准
。聚类分析用于岩性识别
存在一定的不稳定性
，当样本数据较多时，才会取得良好的效果。
支持向量机是一种快速的线性分类器
；在有限的数据量下性能较好；
因此能够应用到岩性识别领域
。宋延杰等(2007)借助支持向量机
建立了巴彦塔拉油田测井参数与岩性之间的映射关系
，实现了对油藏地质中复杂岩性的准确识别；
张翔等(2009)提出了一种基于模糊支持向量机的方法
并成功运用于岩性识别；
牟丹等(2015)依据岩芯分析和薄片资料、测井曲线
，通过支持向量机实现了
辽河盆地火山岩识别
。支持向量机能够快速、充分挖掘各参数与岩性之间的关系
并且在小样本情况下也能保证较稳定的准确率
，但是支持向量机在处理多分类问题、大规模数据时仍存在一定的困难。
神经网络是一种能进行分布式并行信息处理的数学算法
，能解决复杂的多维非线性问题，
近年来开始被用于岩性识别
。在数据挖掘方面，
安鹏等(2018)依据测井参数和地质约束变量
建立了预测岩性的深度神经网络模型
；Imamverdiyev等(2019)提出了一种依据常规测井数据的1D—CNN岩性识别模型，
结果表明神经网络能提高岩性识别的自动化程度
。在图像识别方面，
Singh等(2010)建立了基于玄武岩岩石薄片图像的纹理识别神经网络模型
；张野等(2018)基于Inception-v3深度卷积神经网络模型，
建立了基于岩石图像的迁移学习模型
；许振浩等(2021)采用卷积神经网络
提出了一种基于岩石图像深度学习的岩性智能识别方法
(图8)，
并均取得了非常好识别效果
。
图8
基于ResNet的迁移学习岩石图像识别流程图
利用神经网络识别岩性
具有自动化程度高、准确率优、能降低人工经验对识别结果的影响
等优点。但
现有模型存在参数量大、特征提取能力有限、识别结果易受数据影响等问题
。
集成学习是一种将多个识别结果组合起来提高准确率的一种方法
，能够克服单一模型对数据集要求高、泛化能力差以及识别精度低等缺点。
段友祥等(2020)利用支持向量机、XGBoost等模型建立了多层集成学习模型
，该模型能有效地用于油藏地质分析中的岩性识别；
邹琪等(2020)提出了一种基于Stacking集成学习的测井岩性识别方法，
岩性识别准确度得到了明显提升。
基于集成学习的岩性识别准确率优于单一机器学习模型，
推动了岩性识别往高准确率方向发展，具有很强的应用前景。
随着人工智能技术的进步
，
岩性识别的研究方向逐步向智能化识别发展
。本课题组结合图像识别技术提出了
基于岩石图像深度学习的岩性智能识别方法
，并结合对光谱信息的长期理论研究与工程实践，基于图像与光谱信息融合开展了前期调研与探索，
形成了初步的技术积累和储备
。最后，对多源信息集成技术的发展提出了展望。
在未来的研究中，
如何提高岩性识别的自动化程度将成为研究者攻关的重点和热点问题。
图9
岩石检测方法
岩石图像具有采集速度快、成本低等特点
，适用于室内识别、野外勘查等，
本课题组结合图像分类和目标检测技术，
提出了一种基于岩石图像深度学习的岩性识别智能方法。
图像分类技术可以对岩石类别进行预测，
而目标检测技术不仅可以获得岩石的岩性信息
，还可以获得其位置信息。
许振浩等(2021)提出的基于岩石图像分类的岩性智能识别技术
其核心是采用数据驱动的方式
，首先给岩石图像分配一个类别标签，
再采用ResNet建立岩石图像分类模型
。通过输入大量的图像，让模型不断学习每个类别的特征，从而返回一个将图像分类的标签，最终实现对岩性的智能识别。
具体过程如下：
①建立数据集。
包含岩石图像及每张图像对应的标签。
②训练模型。
使用训练集让模型学习每类岩石的特征(如果加入新类别则需要重新训练模型)。
③测试模型。
采用SoftMax分类器预测未学习过的图像进而评价分类器的质量，并将分类器预测的标签和图像真实的分类标签进行对比，具体公式如下：
其中，
x
表示输入向量，在给定
x
与参数
θ
时，
y
|
x
服从以
η
为变量的指数分布，公式(2)为广义线性函数。
p
表示标签为
y
时每一类别的概率，
i
表示类别个数。标签一致的情况越多，说明分类器的效果越好。
经过验证，该方法对于指定岩石的识别准确率可达90%以上。
图像分类技术可以判别是什么类别的目标
。而如果图像中存在多个目标且需要对其进行定位则需要采用目标检测技术。
Xu
Zhenhao等(2021a)提出的基于岩石目标检测的岩性智能识别技术
其核心是采用基于Faster
R-CNN和YOLO
v4的岩石检测模型
在图像中找出所有岩石目标，并确定它们的类别和位置。
具体流程如图9所示：
①标注数据集。
标注内容包括图像中的所有岩石类别和位置。
②训练模型
。划分数据集后，输入图像对岩石检测模型进行训练。训练时，在图像中生成候选框，可采用滑动窗口法或选择性搜索法(不同算法生成候选框的方法均不同)。
③预测结果。
经过训练的模型，可输出预测结果，包括置信概率，边框坐标和属于某个类别的概率。通过将预测结果和真实标签进行比较构建损失函数，损失函数由分类损失和回归损失两部分组成，具体公式如下：
其中，
N
cls
表示一个batch的大小
L
cls
p
i
,p
i
∗
表示分类的交叉熵损失，
N
reg
N
reg
表示锚点的总数，
L
reg
表示岩石的位置回归损失，
R
是smooth
L1函数，
λ
表示两种损失的平衡比例。
④评价模型。
使用平均准确度均值(mAP)、精确率(
P
)等指标来判断岩石检测模型的好坏。
经过验证，
基于Faster
R-CNN和YOLO
v4的岩石检测模型
对于指定岩石的识别的mAP分别可达99.19%和98.54%
。
该模型对部分岩石分类完全正确
(图10)，
精确度达到100%
。而对其他大部分岩石识别效果也比较好，
精确度可达95%以上。
图10
岩石检测结果
图中横坐标a1～c10分别代表不同岩性
：流纹岩、花岗岩、花岗伟晶岩、安山岩、闪长玢岩、正长岩、斜长岩、气孔状玄武岩、杏仁状玄武岩、辉绿岩、辉长岩、橄榄岩、火山角砾岩、火山凝灰岩、砾岩、粉砂岩、泥页岩、石灰岩、竹叶状灰岩、白云岩、黑色板岩、千枚岩、十字石片岩、花岗片麻岩、石榴子石麻砾岩、石英岩、蛇纹石化大理岩、云英岩、矽卡岩以及条带状混合岩。
镜下鉴定作为传统的岩性识别方法
，相较于直接采用岩石图像，
其结果更加准确
。但是对研究人员的
专业知识和经验要求更高，且耗时更长
。
本课题组提出了基于镜下图像深度学习的岩性智能识别方法
，
可以实现实验室对岩性的精细化识别
。镜下图像分类方法与岩石图像分类方法相同，
主要过程是将镜下图像作为输入并利用ResNet、DenseNet等
卷积神经网络构建图像分类模型，
使其学习每个类别的不同特征。
采用模型中的SoftMax分类器进行预测，
通过准确率(acc)和混淆矩阵等指标来评价模型的识别效果。
具体方法同岩石图像分类，此处不再赘述。
经过验证，该方法对于文中的岩石识别的准确率可达95%以上，
显示出该方法具有较好的对岩性识别的能力。
现场图像采集条件复杂多变且存在光照不均等情况，
从而影响岩石的成像质量。
而自然风化也会损坏岩石的部分外观特征
。基于图像的岩性智能识别方法无法完全扭转现场采集的客观条件，导致实际应用中存在较大的挑战。因此，
本课题组提出了一种基于多源信息融合的岩性智能识别方法。
目前基于图像的识别方法的相关研究通常所用岩性种类有限
且不同岩性的外观特征也存在明显差异。
基于已有研究和大量实验，我们发现以下因素会影响基于图像的岩性识别结果的准确性
：
①相似的岩石成分或纹理特征
导致图像的相似性高；
②在特征提取中岩性的细小特征
容易丢失；
③风化或人类活动会破坏部分
可见岩石特征；
④由于拍摄条件限制或技术差异
导致成像质量较差。针对上述问题，
我们提出了一种基于图像与元素信息融合的岩性识别方法
。
如图11所示，
首先利用卷积层对岩石图像进行特征提取并将特征维度降至一维
。再借助全连接层从元素或矿物中提取岩性特征，
通过将提取自图像和元素的一维特征进行拼接后送入全连接层从而实现特征融合
。为了提高模型的非线性表达能力，并加快模型收敛速度，
我们在卷积层和全连接层中分别使用了ReLU和TanH激活函数，
且在激活函数前使用了批量归一化处理技术，公式如下：
图11
图像与元素信息融合模型
X
e
、
X
i
分别代表提取自元素和图像的岩性特征，
Conv和Fc分别代表卷积层和全连接层，Tan
H和ReLU为增加模型非线性表达能力的激活函数，
Norm为归一化处理函数。
基于XRF、XRD的元素或矿物含量检测技术
每次测试速度在2～5min，而图像采集速度快
(小于1s)，
这就导致了图像和元素信息数据量差异大。
模型对数据的高需求与元素、矿物数据采集的高成本间的矛盾
限制了该融合模型的识别性能
。为此，
我们提出了一种分步式模型训练方法。
首先利用图像训练模型中的图像特征提取部分，再训练整个融合模型。
图12为图像识别模型和融合模型在训练过程中识别准确率变化曲线
，其中红线为模型在测试集上的表现，黑线为模型在训练集上的表现。由图12红线可以看出，训练刚开始时，
随着训练的进行，识别准确率快速增加
，
但识别准确率增加速度逐渐降低。
当训练步数
在16000～20000时，图像识别模型的准确率基本不再变化，
说明已经接近图像识别模型的准确度极限，
图像识别模型最大识别准确度为84.99%。
在完成参数共享后利用训练集二训练融合模型，
融合模型的准确度继续上升，最后再次稳定，融合模型最大识别准确度为94.62%
，比图像识别模型的准确度高9.63%。
图12
图像模型和融合模型训练过程中准确率变化曲线
矿物的光谱特征同其内在的理化特性紧密相关
，奠定了现今矿物光谱分析的基础。
高光谱技术同传统的多光谱技术相比，具有光谱分辨率高、光谱通道数多、波段连续等明显优势
，
可以实现矿物的精细识别
，可以作为岩矿图像识别的有力补充，
改善因单一数据源造成的局限性
。成像高光谱技术因其测试速度快、数据获取量大、非接触式测量的优势在地质领域获得广泛应用，
但现有技术在岩矿识别时主要依靠光谱数据，图像数据的利用还不够充分
。
张良培等(2016)系统综述了遥感数据融合的进展与前瞻
，认为数据融合是提升遥感影像应用能力的重要手段，
将数据融合分为数据级融合、特征级融合和决策级融合3个层次
，与此类似，图像与光谱数据融合亦是未来岩性智能识别重要的发展方向和研究重点。
在实际应用中，
需要结合工程需要确定具体的融合方法。
数据级融合
是指对图像和光谱的原始数据进行融合，
生成新数据，通过分析新数据实现岩矿识别，如图13(a)。
特征级融合首先提取图像和光谱数据特征
，之后将所提取的图像特征和光谱特征进行融合处理，生成新的特征
，最后通过分析新生成的特征实现岩矿识别，得到识别结果
，如图13(b)。
决策级融合则分别分析不同的数据得到初步决策结果，再利用决策规则实现决策结果的融合，
如图13(c)。相关人员利用多源信息融合的方法开展岩矿识别的研究与应用，
取得了良好的效果
。张翠芬等(2017)通过图像纹理特征与光谱数据的协同识别，
将岩性识别精度提升6.9%
。韩玲等(2005)也验证了相比单源光谱信息，
综合纹理—光谱特征可以有效提升识别精度。
现有研究表明，融合图像与光谱信息实现岩性的综合识别，
是提升识别效果的有效手段。
目前，随着光谱研究的日趋成熟和隧道建设规模的不断扩大，
笔者等认为基于图谱融合技术的“天—空—地—隧—孔”
联合一体化地质识别将会成为隧道等工程建设的重要科研方向。
图13
图像与光谱融合的岩性识别方法：(a)数据级融合；(b)特征级融合；(c)决策级融合
不同类型的数据反映了目标地质体不同属性的信息，单源数据存在局限性
，针对单源数据进行分析，
结果存在不确定性、多样性和复杂性
。综合各类数据源的优势，
实现多源信息的融合识别，可以突破单源信息局限性
，是解决此类问题的有效途径。
岩石的元素信息、矿物信息、光谱信息和纹理信息同岩石岩性具有较强的内在关联性，
将关联性较强的数据进行融合；
基于融合数据进行岩矿识别可以有效提升识别精度。
通过采集岩石的XRF数据、XRD数据、高光谱数据和图像数据
，获取岩石元素信息、矿物信息、光谱信息和纹理信息，
经过处理、融合，得到岩石的融合特征，基于融合特征实现对岩石岩性的综合识别
，可以有效提升岩性识别的准确率(图14)。
从表面上看；多源信息融合的概念很直观
；但实际上要真正实现还比较困难的；但由于其在提升识别效果方面存在巨大的潜力，
通过多源信息融合实现岩性识别也将成为地质工作者研究的热点。
图14
多源信息融合
由于岩性识别在地质学、资源勘查、岩石力学与工程等领域中的重要作用
，该方面的研究一直备受重视。
笔者等基于大量的国内外调研和对智能化识别发展趋势的理解
，
得到主要结论如下：
(1)近几年随着人工智能的快速发展，涌现出了一批基于图像、钻井数据和光谱信息等的岩性智能识别方法。
岩性智能识别方法
识别速度快、准确率高，能降低岩性识别对工程经验、专业知识的依赖，
是未来岩性识别的发展方向。
(2)基于宏观岩石图像和微观镜下图像深度学习的岩性智能识别方法可以自动提取岩石特征，
对于指定岩性的
识别准确率分别可达90%以上和95%以上
，具有较好的泛化能力，可代替部分人工。
(3)基于图像与元素信息深度融合的岩性智能识别方法
及相应的分步式模型训练方法，
可以降低图像相似度高、风化破坏表观特征、小尺度岩性特征易丢失等因素
对识别准确度的影响
，能够实现工程现场岩性的高准确度识别。
(4)综合各类数据源的优势
，利用机器学习
深度挖掘岩石元素、矿物、光谱和表观特征间的内在关联性
，
可以突破单源信息的局限性
，提高岩性识别准确度，图像与光谱信息融合等基于多源信息融合的岩性智能识别、“天—空—地—隧—孔”联合一体化的岩性与不良地质智能识别是未来的发展方向。
原文来源：
《地质论评》2022年第6期P2290-2304页
导读评论和排版整理
：
《覆盖区找矿》公众号.
推荐读者
下载、阅读和引用原文！
------往期
精彩
回顾------
-
地球物理信号特征识别与解释的机器学习方法及其应用综述
-
3种机器学习算法提取异常信息对比研究
-
大数据信息化时代，地矿勘查数字化转型
---
关注
“覆盖区找矿”，拥有更多新方法
---
