تقتصر عملية التعرف السريع على المعادن الطبيعية المجهولة في البيئات البرية بسبب ثلاثة مشاكل رئيسية: الفروقات في دقة أجهزة الطيف المختلفة، قلة حجم العينات مما يؤدي إلى ضعف قدرة التعميم للنماذج، والقدرة المحدودة على استخراج ميزات الطيف عالية الأبعاد والمعقدة. لحل هذه المشكلات، صممت هذه الدراسة ونفذت نموذج تصنيف Raman الطيفي باستخدام شبكة عصبية التلافيفية متعددة المقاييس مع توليد عينات طيفية، وتم دمجها مع مقياس طيف رامان المحمول لتحقيق التعرف السريع على المعادن المجهولة في الميدان. أولاً، تم استخدام خوارزمية تركيب الدوال ثلاثية الشرائح لتوفيق أبعاد الأطياف المجمعة من أجهزة مختلفة لإزالة فروقات دقة أخذ العينات بين أجهزة الطيف المختلفة. ثانياً، تم إدخال مكتبة الأطياف المعدنية العالمية التي تحتوي على 5668 عينة تمثل 1648 نوعًا من المعادن إلى شبكة توليد الخصومة لتدريبها وإنتاج 15000 عينة موسعة، مما يخفف من مشكلة ندرة البيانات التي تؤثر على أداء تصنيف النموذج. بالإضافة إلى ذلك، تم استخدام شبكة تلافيفية عميقة متعددة المقاييس لاستخراج ميزات القمم العريضة والضيقة في طيف رامان بشكل متزامن لتعزيز قدرة تمثيل الأطياف المعقدة. في التجارب، تم مقارنة أداء النموذج المقترح مع نماذج تعلم آلي تقليدية مثل الجيران الأقرب (k-NN)، آلة الدعم الناقل (SVM) والغابات العشوائية (RF) في التعرف على المعادن المجهولة. أظهرت النتائج أن نموذج الشبكة العصبية التلافيفية متعدد المقاييس مع توليد العينات الطيفية الذي تم اقتراحه يتفوق بشكل ملحوظ في دقة التمييز لطيف رامان الخاص بالمعادن المجهولة، مع دقة top-1 وtop-3 تبلغ 93.26% و98.94% على التوالي. باستخدام النموذج المقترح مع نظام طيف رامان المحمول تم التعرف على 50 نوعًا من عينات المعادن الطبيعية المجهولة بدقة تصل إلى 100%، وكانت مدة التعرف على عينة واحدة فقط بين 1 إلى 2 دقيقة، مما يعكس مزايا هذه الطريقة من حيث السرعة والدقة وعدم الحاجة لأخذ عينات أو تحضيرها.

طيف رامان; التعرف على المعادن; طريقة إعادة أخذ العينات; الشبكة التلافيفية متعددة المقاييس; شبكة الخصومة التوليدية الشرطية (CGAN) توليد العينات