张哲远　陈立辉　张新阳

【摘 要】基于支持向量機（SVM）学习方法，通过对白云岩、鲕粒灰岩、花岗岩、石英砂岩这四种岩石进行镜下识别，对比总结了6类常见造岩矿物的镜下识别特征，并据此提出了首先进行大量常见造岩单矿物识别训练，其次再建立常见矿物镜下识别特征数据库，然后对造岩矿物的载体岩石进行机器学习训练，最后形成可以通过人工智能技术进行高质量高效率岩石镜下鉴别的模式。

【关键词】岩石鉴定;镜下识别;SVM;人工智能

中图分类号： P585.1 文献标识码： A 文章编号： 2095-2457（2019）36-0027-002

DOI：10.19694/j.cnki.issn2095-2457.2019.36.012

0 引言

在地质工作中，岩石野外初步鉴定是其中极为重要的一步，在野外通常是通过肉眼并借助放大镜等工具进行初级鉴定。但由于肉眼鉴定的结果往往不够准确，通常需要将样品采集回来磨制成薄片后再作进一步的镜下岩石显微鉴定，观察其矿物成分、组构特征以及相对含量，并结合野外对其观察的记录来进一步确定岩石的详细种类以及相关的成因信息，这是对岩石所在区域进行深入地质研究的基础。因此，对于地质工作者和学习者来说，在镜下对岩石薄片进行鉴定就成为了一项必备的专业技能。但是目前来看岩石的镜下鉴定由人工进行观察有一定的难度，首先鉴定人员在前期需要大量的学习准备时间以确保有足够的岩石知识储备，其次岩石镜下显微鉴定的工作量大、耗时长，再者还会因为每个人的不同认定标准而使鉴定结果有一定的差异存在。

如今，人工智能技术（AI）迅速发展，在各大领域基本都有应用，在最近几年，也推出了地质大数据、智能地质学等概念。周永章等[1]指出地质大数据正在以指数形式增长，大量应用于地质各领域，在这个大数据背景下人工智能地质学的迅速发展改变着传统地质。张杰等[2]运用了支持向量机法，对岩石薄片图像进行分割，有效的解决了岩石颜色多样和岩石边缘模糊等问题，相对于传统机器学习方法有着明显的优势。程国建等[3]将岩石薄片图像的颜色、空间、纹理及形态特征，结合支持向量机（SVM）学习方法，在实验中获得了较好的效果。一旦将人工智能运用于地质岩石薄片鉴定分析中，可以极大地减轻人工的工作量。刘烨等[4]结合薄片颜色空间和形态梯度等参数，运用向量机方法对铸体薄片图像进行分类识别，获得了95%以上的识别正确率，说明了将深度学习应用于岩石图像分类是有效的、可行的。在国外，Singh N等[5]针对不同地区玄武岩岩石薄片图像的纹理特征进行了参数提取，再由神经网络将参数与岩石类别相联系，最终获得高于92%的识别准确率。Marmo R等[6]采用不同海洋环境下的碳酸盐岩薄片图像来提取纹理特征，结合多感知器神经网络，使得不同碳酸盐岩的纹理能够准确的被识别出，效果十分显著，推动了智能地质学的发展。

1 岩石镜下识别的特点

进行岩石镜下鉴定需要确定其矿物组合、结构构造和岩石的其他特征及成因分析，对其进行综合命名并完成详细的鉴定报告。由于岩石的多样性（物源多样性、成岩作用多样性、形成环境多样性、后期改造多样性）导致了岩石薄片研究的复杂性以及多解性，对人工鉴定岩石薄片种类大大地增加了难度，同时也使得人工鉴定岩石薄片的准确性不易提高。

一般透明矿物（由于偏光显微镜自身的特点本次研究所提到的矿物均不包含矿物中的不透明矿物部分）在偏光显微镜镜下的系统鉴定可分为三种，分别是单偏光下的初步鉴定、正交偏光下的进一步鉴定和锥光下的深入鉴定。不同的透明矿物在这三种情况下可以表现出不同的性质特征，能够辅助我们确定岩石中矿物的种类，从而确定矿物共生组合，同时是进一步研究其所在岩石薄片的基础。在单偏光下通常需要对矿物的形态、突起等级等方面进行鉴定;在正交偏光下需要对矿物的（最高）干涉色、消光类型（消光角）、双晶类型（如有）等进行鉴定;在锥光下则是对矿物的轴性和光性符号进行鉴定。由于单偏光下的数据图像颜色较浅、矿物轮廓不清晰以及物镜放大倍数等因素的影响，以及锥光下不易操作的特点，此次研究中选取的是正交偏光下10X的岩石薄片镜下图像。根据所收集获得的岩石薄片图片数据，选取了图片数量相对较多的岩石种类来进行实验。本次研究选取了下面四种岩石（表 1）。

表1 岩石分类表

具体的岩石种类是白云岩、鲕粒灰岩、花岗岩、石英砂岩四种，它们在10X的正交偏光下的岩石薄片图像及描述如表2。

由表2中的描述可知这四类岩石的组成矿物主要有斜长石、黑云母、方解石、白云石等六种，它们的部分常见光学性质如表3所示。

2 基于SVM的模式探究

一般意义上的的矿物分类是根据矿物的化学组分而划分的，即可划分为单质和化合物，其中化合物类矿物又可按其内部化学键的类型再作进一步细分。到目前为止人类发现的矿物种数已有3000余种，但如表 3所示本次研究中的岩石组分中，出现频率较高的只有6种，故根据这个特征可以将矿物分为造岩矿物和非造岩矿物，而自然界中常见的造岩矿物仅占一小部分，如表3中所提到的石英、长石、黑云母等，其余的则称非造岩矿物。

根据上述特点，可以结合支持向量机（SVM）学习方法，对常见造岩矿物从颜色特征、空间特征、形状特征等方面进行大量的识别训练，进而提高机器镜下识别矿物的准确率，再通过建立常见造岩矿物数据库为岩石镜下鉴定奠定基础，接着以这些造岩矿物组成的不同岩石为载体进行大量的训练，以提高镜下多种矿物共存状态下的识别准确性，最后达到岩石镜下高质量高效率机器识别的目的。

岩石的镜下图像特征非常丰富，各个特征之间也有着密切联系，这为运用支持向量机学习方法进行岩石的镜下识别提供了有利条件。设想通过训练算法，学习算法步骤，对常见的造岩矿物进行反复训练，建立造岩矿物镜下特征数据库，在此基础上进行岩石薄片的相关鉴定识别工作或能取得更为显著的成果。

图1 基于SVM的岩石镜下鉴定模式示意图

【参考文献】

[1]周永章，王俊，左仁广，肖凡，沈文杰，王树功.地质领域机器学习、深度学习及实现语言[J].岩石学报，2018，34（11）：3173-3178.

[2]张杰，滕奇志，王正勇.基于支持向量机的岩石薄片图像分割[J].成都信息工程学院学报，2007（02）：186-189.

[3]程国建，殷娟娟.基于SVM的岩石薄片图像分类[J].科技创新与应用，2015（01）：38.

[4]刘烨，程国建，马微，郭超.基于铸体薄片图像颜色空间与形态学梯度的岩石分类[J].中南大学学报（自然科学版），2016，47（07）：2375-2382.

[5]夏克文，董瑶，杜红斌.基于改进PSO算法的LS-SVM油层识别模型[J].控制与决策，2007（12）.

[6]Singh N，Singh TN，Tiwary A，et al.Textural identification of basaltic rock mass using image processing and neural network[J].COMPUTERS & GEOSCIENCES，2010，14（2）：301-310.

[7]Marmo R，Amodio S，Tagllaferri R，et al.Textural identification of carbonate rocks by image processing and neural network： Methodology proposal and examples[J].COMPUTERS & GEOSCIENCES，2014，31（5）：649-659.