La identificación rápida de minerales naturales desconocidos en entornos al aire libre está limitada por tres problemas: diferencias en la resolución de diferentes equipos espectrales, insuficiencia en la cantidad de muestras que conduce a una débil capacidad de generalización del modelo, y limitaciones en la capacidad de extracción de características espectrales complejas y de alta dimensión. Para resolver estos problemas, este artículo diseña e implementa un modelo de clasificación de espectros Raman que combina una red neuronal convolucional multiescala con generación de muestras espectrales, y se integra con un espectrómetro Raman portátil para lograr la identificación rápida de minerales desconocidos en campo. Primero, se utilizó un algoritmo de ajuste de spline cúbica para lograr el emparejamiento dimensional de los espectros recolectados por diferentes dispositivos, eliminando así las diferencias en la resolución de muestreo entre diferentes equipos espectrales. Segundo, la biblioteca global de espectros de minerales que contiene 5668 muestras de 1648 clases de minerales se utilizó para entrenar una red generativa adversarial que produjo 15000 muestras aumentadas, mitigando así la restricción de la escasez de datos en el rendimiento de clasificación del modelo. Además, se utilizó una nueva red convolucional profunda multiescala para extraer simultáneamente las características de picos anchos y estrechos del espectro Raman, aumentando la capacidad de representación de espectros complejos. En los experimentos, el rendimiento del modelo propuesto se comparó con varios modelos clásicos de aprendizaje automático como k-vecinos más cercanos (k-NN), máquina de vectores soporte (SVM) y bosque aleatorio (RF) para la identificación de minerales desconocidos. Los resultados muestran que el modelo de red neuronal convolucional multiescala combinado con generación de muestras espectrales propuesto supera con creces a otros modelos tradicionales de aprendizaje automático en la precisión de discriminación de espectros Raman de minerales desconocidos, con valores de precisión top-1 y top-3 de 93,26% y 98,94% respectivamente. Usando el modelo propuesto junto con el sistema portátil de espectros Raman, se identificaron 50 clases de muestras de minerales naturales desconocidos con una precisión del 100%, y el tiempo de identificación para una sola muestra fue de solo 1 a 2 minutos, demostrando las ventajas de este método en términos de rapidez, precisión y sin necesidad de muestreo o preparación de muestras.

Espectroscopía Raman; Identificación de minerales; Método de remuestreo; Red convolucional multiescala; Red generativa adversaria condicional (CGAN) Generación de muestras