Быстрая идентификация природных неизвестных минералов в полевых условиях ограничена тремя проблемами: различиями в разрешении различных спектральных аппаратов, недостатком количества образцов, что приводит к слабой способности модели к обобщению, а также ограниченными возможностями извлечения высокоразмерных сложных спектральных признаков. Для решения этих проблем в данной работе разработана и реализована модель классификации рамановских спектров, основанная на мульти масштабной сверточной нейронной сети в сочетании с генерацией спектральных образцов, а также в связке с портативным рамановским спектрометром реализована быстрая идентификация неизвестных минералов в полевых условиях. Во-первых, алгоритм сплайновой аппроксимации третьего порядка использовался для согласования размерности спектров, собранных разными устройствами, чтобы устранить различия в разрешении дискретизации между разными спектральными приборами. Во-вторых, глобальная библиотека минералов содержит 5668 спектральных образцов 1648 классов минералов, которые были поданы на обучение в генеративно-состязательную сеть для создания 15 000 дополнительных образцов, что смягчило проблему нехватки данных, ограничивающую производительность классификации модели. Кроме того, новая мульти масштабная глубокая сверточная сеть использовалась для синхронного извлечения широких и узких пиков рамановских спектров, что повысило способность представления сложных спектров. В эксперименте предложенная модель была сравнена с классическими моделями машинного обучения, такими как k-ближайших соседей (k-NN), опорные векторные машины (SVM) и случайный лес (RF), по показателям распознавания неизвестных минералов. Результаты показали, что предложенная мульти масштабная сверточная нейронная сеть в сочетании с генерацией спектральных образцов значительно превосходит другие традиционные модели машинного обучения в точности распознавания рамановских спектров неизвестных минералов, с точностью top-1 и top-3, равной 93,26% и 98,94% соответственно. С использованием предложенной модели в связке с портативной рамановской системой было распознано 50 классов неизвестных природных минералов с точностью 100%, время распознавания одного образца составило всего от 1 до 2 минут, что демонстрирует преимущества данного метода в скорости, точности и отсутствии необходимости отбора проб и подготовки образцов.

Раман спектроскопия; идентификация минералов; методы повторной выборки; мульти масштабные сверточные сети; условные генеративно-состязательные сети (CGAN) генерация образцов