야외 환경에서 천연 미지 광물의 빠른 식별은 서로 다른 분광 장비의 해상도 차이, 샘플 수 부족으로 인한 모델 일반화 능력 약화, 고차원 복잡한 분광 특징 추출 능력 제한이라는 세 가지 문제에 의해 제한된다. 이러한 문제를 해결하기 위해 본 논문에서는 다중 스케일 합성곱 신경망과 분광 샘플 생성을 결합한 라만 분광 분류 모델을 설계 및 구현하였으며, 휴대용 라만 분광기와 연계하여 야외 미지 광물의 빠른 식별을 실현하였다. 우선, 서로 다른 장비에서 수집된 분광의 차원 매칭을 위해 삼차 스플라인 곡선 피팅 알고리즘을 적용하여 분광 장비 간 샘플링 해상도 차이를 제거하였다. 둘째, 전 세계 광물 분광 데이터베이스에 포함된 1648종 5668개의 광물 분광 샘플을 생성적 적대 신경망에 입력하여 훈련하고 15,000개의 증강 샘플을 생성함으로써 데이터 부족이 모델 분류 성능에 미치는 제약을 완화하였다. 또한, 새로운 다중 스케일 깊은 합성곱 신경망을 사용하여 라만 분광의 넓은 피크와 좁은 피크 특징을 동시에 추출하여 복잡한 분광 표현 능력을 강화하였다. 실험에서는 제안된 모델과 k-최근접 이웃(k-NN), 서포트 벡터 머신(SVM), 랜덤 포레스트(RF) 등 여러 고전적 기계 학습 모델을 미지 광물 식별 성능 측면에서 비교하였다. 결과는 제안된 다중 스케일 합성곱 신경망과 분광 샘플 생성 결합 분류 모델이 미지 광물 라만 분광 판별 정확도에서 기존 전통 기계 학습 모델을 훨씬 능가하며, top-1 및 top-3 정확도가 각각 93.26%, 98.94%임을 보여준다. 제안된 모델과 휴대용 라만 분광 시스템을 결합하여 50종 미지 천연 광석 샘플을 식별하였으며, 정확도는 100%에 달하고 단일 샘플 식별 시간은 1~2분에 불과하여 본 방법의 빠르고 정확하며 샘플링 및 시료 준비 불필요한 장점을 입증하였다.

라만 분광; 광물 식별; 재샘플링 방법; 다중 스케일 합성곱 네트워크; 조건부 생성 적대 신경망(CGAN) 샘플 생성