Die schnelle Identifizierung von unbekannten natürlichen Mineralien im Freiland wird durch drei Probleme eingeschränkt: Unterschiede in der Auflösung verschiedener Spektralgeräte, unzureichende Stichprobengröße, die zu einer schwachen Generalisierungsfähigkeit des Modells führt, und begrenzte Fähigkeiten zur Extraktion hochdimensionaler komplexer Spektralmerkmale. Um diese Probleme zu lösen, wurde in dieser Arbeit ein Raman-Spektralklassifikationsmodell entworfen und implementiert, das ein multiskaliges Faltungsneuronales Netz mit spektraler Stichprobengenerierung kombiniert, und in Kombination mit einem tragbaren Raman-Spektrometer wurde eine schnelle Identifikation unbekannter Mineralien im Feld realisiert. Zunächst wurde ein kubischer Spline-Algorithmus verwendet, um die Dimensionen der von verschiedenen Geräten gesammelten Spektren abzugleichen und so die Unterschiede in der Abtastauflösung zwischen den verschiedenen Spektralgeräten zu beseitigen. Zweitens wurde die globale Mineralienspektrumbibliothek, die 5668 Spektralproben von 1648 Mineralienklassen enthält, einem generativen gegnerischen Netzwerk zugeführt, um es zu trainieren und 15000 augmentierte Proben zu erzeugen, wodurch die Einschränkung durch Datenknappheit auf die Klassifikationsleistung des Modells gemildert wurde. Darüber hinaus wurde ein neues multiskaliges tiefes Faltungsnetz verwendet, um gleichzeitig breite und schmale Peak-Merkmale im Raman-Spektrum zu extrahieren und so die Repräsentationsfähigkeit komplexer Spektren zu erhöhen. In den Experimenten wurde die Leistung des vorgeschlagenen Modells mit klassischen Maschinenlernmodellen wie k-Nearest Neighbors (k-NN), Support Vector Machine (SVM) und Random Forest (RF) bei der Erkennung unbekannter Mineralien verglichen. Die Ergebnisse zeigen, dass das vorgeschlagene multiskalige Faltungsneuronale Netz mit spektraler Stichprobengenerierung die Erkennungsgenauigkeit der Raman-Spektren unbekannter Mineralien deutlich über andere traditionelle Machine-Learning-Modelle hinaus verbessert, mit top-1- und top-3-Genauigkeiten von jeweils 93,26 % und 98,94 %. Mit dem vorgeschlagenen Modell in Kombination mit dem tragbaren Raman-Spektrometersystem wurden 50 Klassen unbekannter natürlicher Minerale mit einer Genauigkeit von 100 % identifiziert, die Erkennungszeit für ein einzelnes Muster betrug nur 1 bis 2 Minuten, was die Vorteile dieser Methode in Bezug auf Schnelligkeit, Genauigkeit und Probenvorbereitungslosigkeit widerspiegelt.

Raman-Spektroskopie; Mineralienskennung; Resampling-Methode; Multiskaliges Faltungsnetz; Konditionale Generative Adversarial Network (CGAN) Mustergenerierung