La reconnaissance rapide des minéraux naturels inconnus en environnement extérieur est limitée par trois problèmes : la différence de résolution entre différents équipements spectrals, la faible quantité d’échantillons entraînant une faible capacité de généralisation des modèles, et la capacité limitée d’extraction des caractéristiques spectrales complexes et de haute dimension. Pour résoudre ces problèmes, cet article conçoit et implémente un modèle de classification des spectres Raman combinant un réseau de neurones convolutionnel multi-échelle avec la génération d’échantillons spectraux, et intègre un spectromètre Raman portable pour réaliser la reconnaissance rapide des minéraux inconnus sur le terrain. Tout d’abord, un algorithme de spline cubique est utilisé pour adapter la dimension des spectres collectés par différents appareils, éliminant ainsi les différences de résolution d’échantillonnage entre les différents équipements. Ensuite, une bibliothèque mondiale des spectres minéraux contenant 5668 échantillons répartis en 1648 catégories minerales a été utilisée pour entraîner un réseau génératif antagoniste, produisant 15000 échantillons augmentés afin d’atténuer la contrainte liée à la rareté des données sur la performance de classification du modèle. De plus, un nouveau réseau convolutionnel profond multi-échelle est utilisé pour extraire simultanément les caractéristiques des pics larges et étroits des spectres Raman, renforçant ainsi la capacité de représentation de spectres complexes. Lors des expériences, les performances du modèle proposé ont été comparées à celles de modèles classiques d’apprentissage automatique tels que k-plus proches voisins (k-NN), machine à vecteurs de support (SVM) et forêt aléatoire (RF) dans la reconnaissance des minéraux inconnus. Les résultats montrent que le modèle de réseau neuronal convolutionnel multi-échelle combiné à la génération d’échantillons spectraux proposé dépasse nettement les autres modèles traditionnels d’apprentissage automatique en précision de discrimination des spectres Raman des minéraux inconnus, avec des précisions top-1 et top-3 respectivement de 93.26% et 98.94%. L’utilisation du modèle proposé combiné au système portable de spectromètre Raman a permis la reconnaissance de 50 catégories d’échantillons minéraux naturels inconnus avec une précision atteignant 100%, et le temps de reconnaissance pour un seul échantillon est seulement de 1 à 2 minutes, démontrant les avantages de cette méthode en rapidité, précision et absence de préparation d’échantillons.

Spectroscopie Raman; Reconnaissance des minéraux; Méthode de suréchantillonnage; Réseau convolutionnel multi-échelle; Réseau antagoniste génératif conditionnel (CGAN) Génération d’échantillons