A identificação rápida de minerais naturais desconhecidos em ambientes ao ar livre é limitada por três problemas: diferenças na resolução dos diferentes equipamentos espectrais, quantidade insuficiente de amostras que levam a uma fraca capacidade de generalização do modelo, e limitações na capacidade de extração de características espectrais complexas de alta dimensão. Para resolver esses problemas, este artigo projeta e implementa um modelo de classificação de espectros Raman que combina uma rede neural convolucional multiescala com geração de amostras espectrais, e o integra a um espectrômetro Raman portátil para realizar a identificação rápida de minerais desconhecidos em campo. Primeiramente, um algoritmo de ajuste por splines cúbicos foi utilizado para realizar o pareamento dimensional dos espectros coletados por diferentes dispositivos, eliminando assim as diferenças na resolução de amostragem entre os diferentes equipamentos espectrais. Em seguida, a biblioteca global de espectros minerais contendo 5668 amostras de 1648 classes de minerais foi usada para treinar uma rede generativa adversarial e produzir 15000 amostras aumentadas, mitigando a restrição da escassez de dados no desempenho da classificação do modelo. Além disso, uma nova rede convolucional profunda multiescala foi usada para extrair simultaneamente características de picos largos e estreitos dos espectros Raman, fortalecendo a capacidade de representação de espectros complexos. Nos experimentos, o desempenho do modelo proposto foi comparado com vários modelos clássicos de aprendizado de máquina, tais como k-vizinhos mais próximos (k-NN), máquina de vetor de suporte (SVM) e floresta aleatória (RF) para a identificação dos minerais desconhecidos. Os resultados mostram que o modelo de rede neural convolucional multiescala combinado com geração de amostras espectrais proposto supera amplamente outros modelos tradicionais de aprendizado de máquina na precisão de discriminação dos espectros Raman dos minerais desconhecidos, com valores de precisão top-1 e top-3 de 93,26% e 98,94%, respectivamente. Usando o modelo proposto em conjunto com o sistema portátil de espectroscopia Raman, 50 classes de amostras de minerais naturais desconhecidos foram identificadas com precisão de 100%, e o tempo de identificação para uma única amostra foi de apenas 1 a 2 minutos, mostrando as vantagens deste método em rapidez, precisão e dispensando a coleta e preparação de amostras.

Espectroscopia Raman; Identificação de minerais; Método de reamostragem; Rede convolucional multiescala; Rede generativa adversária condicional (CGAN) Geração de amostras