野外環境における天然未知鉱物の迅速な識別は、異なるスペクトル装置の分解能差、サンプル数の不足によるモデルの汎化能力の低さ、および高次元で複雑なスペクトル特徴の抽出能力の制限という三つの課題により制約されている。これらの課題を解決するために、本研究では、多スケール畳み込みニューラルネットワークとスペクトルサンプル生成を組み合わせたラマンスペクトル分類モデルを設計・実装し、携帯型ラマン分光計と連携して野外における未知鉱物の迅速識別を実現した。まず、異なる装置で収集されたスペクトルの次元を一致させるために、三次スプライン曲線補間アルゴリズムを用いて異なるスペクトル装置間のサンプリング解像度の差異を除去した。次に、全球鉱物スペクトルライブラリに含まれる1648種類の鉱物5668件のスペクトルサンプルを生成対抗ネットワークに入力して訓練し、15000件の増強サンプルを生成することで、データ不足がモデルの分類性能に及ぼす制約を緩和した。さらに、新たな多スケール深層畳み込みネットワークを用いて、ラマンスペクトルの広いピークと狭いピーク特徴を同時に抽出し、複雑なスペクトルの表現能力を強化した。実験では、提案モデルとk最近傍法（k-NN）、サポートベクターマシン（SVM）、ランダムフォレスト（RF）などのいくつかの古典的機械学習モデルとの未知鉱物識別性能を比較した。結果は、提案した多スケール畳み込みニューラルネットワークとスペクトルサンプル生成を組み合わせた分類モデルが、未知鉱物のラマンスペクトルにおける判別精度で他の従来の機械学習モデルを大幅に上回り、top-1およびtop-3精度はそれぞれ93.26%および98.94%であることを示した。提案モデルを携帯型ラマン分光計システムと組み合わせて、50種類の未知天然鉱石サンプルを識別したところ、精度は100%、単一サンプルの識別時間はわずか1～2分であり、本手法の迅速性、精度、および試料採取や試料作製が不要という利点を示している。

ラマンスペクトル;鉱物識別;リサンプリング法;多スケール畳み込みネットワーク;条件付き生成対抗ネットワーク（CGAN）サンプル生成