Гиперспектральная визуализация геологических образцов путем объединения нескольких камер
Sandra Lorenz, Peter Seidel, Pedram Ghamisi, Laura Tusa
Аннотация
Быстрое, эффективное и воспроизводимое каротажное бурение является основой при поиске полезных ископаемых. В последние десять лет картографирование бурения скважин быстро развивалось, особенно с учетом достижений в гиперспектральной визуализации. В настоящее время доступен широкий спектр камер, стремительно увеличивается их спектральное и пространственное разрешение, а также охват. Тем не менее, объединение данных, полученных с помощью нескольких камер, является сложной задачей. В данной статье предлагается инновационное решение на основе последних разработок в области машинного обучения для интеграции таких гиперспектральных данных.
В статье демонстрируется процесс обработки данных, полученных с помощью пяти имеющихся в продаже гиперспектральных камер и пары камер формата RGB. Процедура оценивается на наборе геологических образцов. Полученные данные сравниваются с известными минералогическими данными. Предлагаемый процесс обеспечивает универсальное решение для интеграции гиперспектральных данных из нескольких источников в разнообразные геологические приложения. В этом исследовании демонстрируется прямая интеграция данных видимого / ближнего инфракрасного (VNIR), коротковолнового инфракрасного (SWIR) и длинноволнового инфракрасного (LWIR) данных для камер с разным пространственным и спектральным разрешением, что значительно улучшает картографирование буровой скважины.
1. Введение
Использование спектроскопической информации для оценки, классификации и сортировки больших количеств материала является стандартным подходом в промышленности и при добыче полезных ископаемых. Поскольку скорость, экономичность и надежность имеют решающее значение, настройки измерений обычно просты и в высокой степени адаптированы к конкретной проблеме сортировки. Алгоритмы часто опираются на двоичные решения (например, рудные отходы), основанные на пороговых значениях, полученных раннее, и позволяют проводить разделение на определенные классы объектов в соответствии с формой, размером или конкретным спектральным свойством [1]. В большинстве случаев высокое спектральное разрешение в большом спектральном диапазоне не требуется, так что полученный набор данных может быть ограничен несколькими спектральными полосами. Существуют гиперспектральные решения в ультрафиолетовом (UV), видимом / ближнем инфракрасном (VNIR) или коротковолновом инфракрасном (SWIR) диапазоне. На данный момент на рынке присутствуют несколько компаний, предлагающих коммерческие решения для гиперспектральной визуализации: LLA Instruments GmbH & Co.KG, Perception Park GmbH, Spectral Imaging Ltd. (Specim) и BK Instruments Inc.
Хотя эти подходы достаточны для широкого спектра применений, анализ спектрально и пространственно сложных образцов, таких как буровые скважины и другие геологические образцы, требует более высокого спектрального разрешения и более широкого спектрального диапазона. Для обеспечения полного спектрального анализа на достаточной скорости используется интеграция спектральной информации в большой пространственной области. Это особенно выгодно, если спектральный состав анализируемых образцов локально однороден и должны регистрироваться только крупномасштабные изменения состава. Наиболее известной гиперспектральной камерой является HyLogger [2,3], который объединяет спектр по нескольким измерениям и может охватывать VNIR, SWIR и длинноволновое инфракрасное излучение (LWIR). Он широко используется для бурения керна при разведке полезных ископаемых [4–7]. Спектральные данные часто сочетаются с другими параметрами, полученными такими методами, как рентгеновская флуоресценция [8], магнитная восприимчивость или ослабление гамма-излучения [9]. Однако эти методы обычно медленны и не всегда безопасны из-за использования излучения высокой энергии. Кроме того, были предложены подходы к интеграции гиперспектральной визуализации с RGB-изображениями для 2D-экстраполяции [10].
Гиперспектральный анализ в каротаже часто бывает недостаточен, когда требуется более детальный анализ минералогического состава, картирование текстур, структур, жил или местных минеральных ассоциаций в сложных месторождениях. Чтобы добавить локальный пространственный компонент, необходимо спектральное отображение с более высоким разрешением с соблюдением баланса между охватом, скоростью и стоимостью. Камера с технологией сканирования «push broom» является стандартным решением при получении гиперспектральных изображений путем перемещения образцов относительно камеры с постоянной скоростью. Это позволяет одновременно получать данные от различных последовательных камер, что приводит к высокой пропускной способности. Чаще всего используются одиночные или интегрированные сенсоры, охватывающие VNIR [11] и / или SWIR [12–16], в сочетании с данными изображения RGB.
Недавние исследования направлены на автоматическое извлечение жил из гиперспектральных изображений, для интерпретации их структурных особенностей на основе спектральных и пространственных характеристик [17]. Для обработки большого объема данных были применены подходы машинного обучения. Анализ минералов на основе сканирующей электронной микроскопии (СЭМ) с использованием программного обеспечения для анализа раскрытия минералов (АРМ) небольшого репрезентативного образца может быть объединен с гиперспектральным изображением и экстраполирован в большем масштабе путем определения минералогических значимых классов. Эти определенные классы могут использоваться в качестве данных для обучения и автоматической интерпретации большой выборки серии [18].
Возможности картирования минералов VNIR и SWIR камерами в основном ограничены оксидами и гидроксидами железа, филлосиликатами, гидратированными сульфатами и разновидностью редкоземельными элементами (РЗЭ) [19]. Картирование важных породообразующих минералов, таких как кварц и полевые шпаты, требует расширения спектрального диапазона до LWIR. В настоящее время используется гиперспектральная камера Specim AisaOWL для исследований в диапазоне LWIR. Сканирующая камера AisaOWL использует охлажденный детектор на основе теллурид ртути и кадмия (MCT) и интегрирована в сканер бурового керна Specim SisuROCK [20]. Поле зрения (FOV) AisaOWL идентично другим камерам, используемым в SisuROCK, что позволяет осуществлять прямую совместную регистрацию данных RGB, VNIR, SWIR и LWIR [21,22], однако, только при определенном пространственном разрешении (~ 1.6 мм в настройке SisuROCK). Гиперспектральная ИК-камера Hyper-Cam Telops предлагает альтернативу: сканер с инфракрасной спектрометрией с Фурье-преобразованием (FTIR), он обеспечивает более точное пространственное и спектральное разрешение при сопоставимой спектральной чувствительности. Насколько известно, никаких публикаций по его использованию для лабораторного анализа минералогических проб или сканирования буровых кернов не существует.
Интеграция данных LWIR с данными VNIR / SWIR для комбинированной интерпретации представляет собой сложную задачу, главным образом из-за различной природы возникающих спектроскопических характеристик. Спектральные поглощения во VNIR и SWIR обычно обусловлены процессами переноса электронов и обертонами колебательных связей [19]. Результирующие характеристики выглядят как довольно дискретные, узкие и зависящие от длины минимумы. Напротив, связанные с поглощением характеристики в LWIR выглядят как широкие, гладкие и сильно перекрывающиеся максимумы отражательной способности [23]. Обычно данные VNIR / SWIR и LWIR интерпретируются отдельно, и только в нескольких исследованиях описан интегрированный анализ. Были опубликованы два типа подходов; (1) независимый анализ каждого набора данных и последующая интеграция данных с помощью геологически направленных логических операторов или кластеризации [24,25]; и (2) одновременный анализ обоих наборов данных после анализа характеристик поглощения в диапазоне длин волн [26,27] или непрерывный вейвлет-анализ [28].
Эти очевидные пробелы в лабораторной мультисенсорной интеграции гиперспектральных изображений побудили авторов данной статьи к исследованию; (1) интегрируемость и значимость мультисенсорных наборов данных, полученных в различных экспериментальных установках, для достижения оптимальных условий; (2) объединение мультисенсорных данных для более надежного обнаружения минералов с использованием сложных алгоритмов машинного обучения; (3) оценка используемых камер для применения в поиске полезных ископаемых. Были получены изображения набора геологических образцов с различной минералогией, используя стереоизображения RGB, а также пять гиперспектральных камер с различными характеристиками с точки зрения конструкции сенсора, скорости сбора данных, пространственного разрешения и спектрального диапазона. Для проверки была получена минералогическая информация в виде карт на базе СЭМ и измерение спектральных точек, охватывающих весь электромагнитный спектр в диапазоне длин волн от 0.35 до 15.39 мкм. Были совместно зарегистрированы наборы данных с использованием автоматически извлеченных ключевых точек. Была рассчитана модель поверхности на основе стерео RGB-данных и извлечена информация о высоте и контуре, чтобы разделить образцы пикселей и фон во всех наборах данных. Использовался метод извлечения признаков ортогонального общего вариационного компонента (OTVCA), чтобы выбрать от пяти до семи наиболее вариативных элементов в каждом наборе данных, уменьшая общую размерность и размер данных. Этот шаг необходим не только для сокращения общего времени обработки и избыточности данных, но также для устранения «явления Хьюза» [29], также известного как «проклятие размерности». Это относится к снижению точности классификации, которое может быть вызвано увеличением числа спектральных полос, в то время как количество обучающих выборок остается ограниченным. Использовались извлеченные функции в качестве входных данных для классификации машин опорных векторов с ядром радиальной базисной функции (SVM-RBF) для отображения минералогических классов. Рабочий процесс иллюстрируется двумя примерами подмножеств; (1) со спектрально чистыми и четко определенными, но пространственно сильно несбалансированными классами, и; (2) с пространственно сбалансированными, но спектрально смешанными, переменными и разреженными классами. Мы сравниваем точность классификации нескольких входов с одним и несколькими камерами и обсуждаем влияние характеристик камеры на результат классификации.
2. Материалы и методы
2.1. Экспериментальная установка и параметры камеры
Были использованы несколько гиперспектральных камер (VNIR, SWIR и LWIR ) для проверки возможностей анализа геологических образцов. Дополнительные важные параметры, такие как пространственное и спектральное разрешение, скорость сбора данных и обработка данных, оцениваются путем сравнения различных камер, работающих в одинаковых диапазонах длин волн. Важные параметры спецификации и эксперимента используемых камер показаны в таблицах 1 и 2. В частности, отметим различия в пространственном разрешении и поле зрения (FOV), которые не позволяют осуществлять совместную регистрацию путем простого наложения. Датчики используются при определенных настройках, которые обеспечивают оптимальные условия для каждого сбора данных (см. Рисунок 1 для всех настроек системы) и демонстрируют интеграцию данных независимо от изменения внешних условий.
Камеры Specim AisaFENIX (далее FENIX) и Specim sCMOS (далее sCMOS) используются в системе сканирования Specim SisuRock. Из-за меньшего значения поля зрения sCMOS по сравнению с FENIX в используемой установке необходимы два отдельных сканирования, чтобы покрыть набор образцов с помощью sCMOS. Данные FENIX и sCMOS собираются отдельно при различном расположении ящика с образцами.
Таблица 1 - Обзор камер и их технические характеристики
|
Камера |
Спектральный диапазон |
Спектральное разрешение (FWHM ) |
Отношение сигнал/шум |
Размер изображения (пикселей) |
Поле зрения |
Пространственное разрешение |
|
Teledyne Dalsa C4020 (2x) |
RGB (Bayer) |
|
- |
4000 x 2000 кадр |
54.6о x 27.3о |
0.15 нм |
|
Specim sCMOS |
VNIR: 0.40 – 1.00 мкм |
2.9 нм |
170:1 |
2185 линия |
15о |
0.08 нм |
|
Specim FX10 |
VNIR: 0.40 – 1.00 мкм |
5.5 нм |
600:1 |
1024 линия |
54о |
0.58 нм |
|
Specim FX17 |
VNIR: 0.90 – 1.70 мкм |
8 нм |
1000:1 |
640 линия |
75о |
0.96 нм |
|
Specim AisaFENIX |
VNIR: 0.38 – 0.97 мкм SWIR:0.97 – 2.50 мкм |
3.5 нм; 12 нм |
600 - 1000:1 1050:1 |
384 линия |
32.3о |
1.54 нм |
|
Telops Hyper-Cam |
LWIR: 1300 – 881 см-1/ 7.70 – 11.80 мкм |
6 см-1/ 36 – 76 нм |
250:1 |
320 x 256 кадр |
6.4о x 5.1о |
0.62 нм |
|
Spectral Evolution PSR-3500 |
VNIR: 0.35 – 1.00 мкм SWIR:1.00 – 2.50 мкм |
3.5 нм; 7 - 10 нм
|
600:1 |
Точечные измерения |
- |
5.00 нм |
|
Agilent 4300 FTIR |
SWIR -LWIR: 4500 – 650 см-1/ 2.22 – 15.39 мкм |
2 см-1/ 1 – 47 нм |
|
Точечные измерения |
- |
2.00 нм |
Камера Specim FX10, FX17 и две камеры Teledyne Dalsa RGB (отсюда FX10, FX17 и RGB) используются в специальной установке над конвейерной лентой, но также могут быть установлены в системе сканирования SisuRock. В обеих установках равномерное освещение соответствующей области изображения достигается двумя (SisuRock) или четырьмя (установка конвейерной ленты) широкополосными кварцево-вольфрамовыми галогенными лампами (без защитного стеклянного покрытия), покрывающими диапазон VNIR и SWIR. Для всех линейных сканеров изображения создаются путем сканирования образцов.
Таблица 2 - Параметры настройки для каждой камеры, используемой для исследования
|
Камера |
Расстояние от камеры до образца |
Время экспозиции |
Частота кадров |
Скорость конвейера |
Биннинг (пространственное/ спектральное) |
Объём данных (150 x 240 мм) |
|
Teledyne Dalsa C4020 (стерео) |
60 см |
1 мсек |
8 Гц (кадр) |
13 см/сек. |
- |
75 Мбайт |
|
Specim sCMOS |
65 см |
10 мсек |
60 Гц |
0.8 см/сек |
2/1 |
5600 Мбайт |
|
Specim FX10 |
58 см |
4 мсек |
240 Гц |
13 см/сек |
1/2
|
133 Мбайт |
|
Specim FX17 |
40 см |
4 мсек |
140 Гц |
13 см/сек |
1/1 |
50 Мбайт |
|
Specim AisaFENIX |
102 см |
VNIR: 14 мсек SWIR: 14 мсек |
30 Гц |
5 см/сек |
VNIR: 2/2; SWIR: 1/1 |
37 Мбайт |
|
Telops Hyper-Cam |
177 см |
0.25 мсек |
0.08 Гц (кадр) |
- |
- |
31 Мбайт |
Камера Hyper-Cam Telops (далее HC) работает на отдельном испытательном стенде, что позволяет легко регулировать расстояние между камерой и образцом (см. рис. 1).
Рис.1. Схематическая иллюстрация экспериментальной установки (не в масштабе). Подробные параметры установки можно найти в Таблице № 2.
Площадка в установке с HC освещается двумя керамическими инфракрасными кварцевыми излучателями, которые обеспечивают максимально возможное излучение без насыщения сигнала датчика над диффузными отражателями. Из-за короткой, но заметной фазы предварительного нагрева устройства остаются включенными в течение всего эксперимента; образцы перемещаются в площадку только непосредственно перед получением изображения. Поскольку излучательная способность образца не увеличивалась с течением времени измерения, мы пренебрегаем нагревом образца. Для вычитания окружающего излучения и коэффициента излучения, связанного с температурой, в дополнение к каждому освещенному изображению получается «темная» сцена без инфракрасного освещения. Диффузная алюминиевая панель с высокой отражательной способностью (~ 83%) используется в качестве диффузного отражателя для получения чистого сигнала освещенности. Небольшое поле зрения используемой линзы и расстояние между образцом и детектором, равное 1.77 м, обеспечивают высокое пространственное разрешение, но явно ограничивают зону охвата изображения. По этой причине четыре отдельных изображения необходимы для покрытия серии образцов.
Все камеры используются при отсутствии или минимальном биннинге, для получения максимального значения пространственного и спектрального разрешение. Время экспозиции и частота кадров сбалансированы для достижения отклика сигнала на приемлемой скорости конвейера. Вся серия измерений проводится при направленном искусственном освещении. Ненаправленное окружающее освещение было уменьшено, чтобы избежать шума из-за неустойчивого или мерцающего лучистого потока от потолочных ламп или дневного света (особенно в диапазонах VNIR и SWIR). Расстояние между датчиком и образцом определяется в первую очередь минимальным фокусным расстоянием, но также корректируется для обеспечения хорошего пространственного разрешения и покрытия.
2.2. Анализируемые образцы
Исследована партия образцов с различными спектральными, текстурными и пространственными характеристиками. Образцы состоят из нескольких срезанных пород и толстых срезов (толщиной ~ 2 мм) из различных месторождений полезных ископаемых, двух половин бурового керна (режущая поверхность, одна вверх и одна вниз), образец горной породы размером около 75x100x25 мм, а также трех дисков из эпоксидной смолы с минералами, содержащими редкоземельные элементы (РЗЭ), из важных месторождений по всему миру (см. рис.2).
Рис. 2. Изображение формата RGB анализируемых образцов, включая толстые и тонкие срезы, буровые керны, образец горной породы размером около 75x100x25 мм и редкоземельные минералы, залитые эпоксидной смолой. Образцы, подробно проанализированные и помечены.
Образцы располагаются и фиксируются на поддоне, чтобы избежать каких-либо изменений положения между отдельными измерениями. Поясним, образцы, отмеченные белыми рамками на рис. 2 будут отображены в текущем исследовании. Подробное описание минералов приведено в таблице № 3.
Таблица 3 - Обзор проанализированных образцов: происхождение, обработка поверхности и состав. Позиции образцов отмечены на рис. 2.
|
Номер образца |
Происхождение |
Обработка |
Минералогический состав1 / Редкоземельный элемент (если это применимо) 2 |
|
NA-RZ2 |
Карбонатит, Намибия |
Крупный обломок породы, чистый срез |
Cal, Ms, Ab, Ap, Fl / La, Ce, Nd |
|
TS4-802 |
Медно-золотой порфирий, Румыния |
Ms, Ab, Qz, Gp, Or, Fe-Oxide, An70, Chm, Chl, Hbl, Ilt | |
|
TS4-863 |
Qz, Ms, Py, Or, Gp | ||
|
TS4-1551 |
Qz, Ms, Ank, Or, Gp, Hbl | ||
|
TS4-1900 |
Qz, Ab, Ms, An70, Gp, Or, Chm, Hbl, Py, Ilt | ||
|
DT-B3 |
Смешанное |
Встроенные минеральные зерна, полированный |
Паризит / La, Ce, Pr, Nd, Sm, Y Бастнезит / La, Ce, Pr, Nd, Sm |
1 Карта международной минералогической (КММ) ассоциации > 1% площадь, в порядке убывания, минералы сокращены согласно КММ.
2 Редкоземельный элемент > 0,1 %,определялся с помощью электронного микрозондового анализа.
2.3. Предварительная обработка данных
2.3.1. RGB Камера Teledyne Dalsa
Изображения формата RGB получают для обеспечения пространственной основы высокого разрешения для всех наборов данных и в качестве входных данных для фотограмметрической модели поверхности. Мы получаем важную информацию о форме, текстуре и топографии наблюдаемых образцов. Необработанные изображения сохраняются в виде 8-битных кадров Байера, где индивидуальная информация для красного, зеленого и синего каналов сохраняется рядом в одном канале в виде сетки (рис. 3, слева / в середине). Зная цветовую последовательность, RGB изображение можно рассчитать путем соответствующей интерполяции всех красных, зеленых и синих пикселей как новые каналы отдельного изображения (рис. 3, справа)
Рис. 3. Слева: схемат RGB матрицы Байера; посередине: примерное RGB изображение в байере, и справа: соответствующее RGB изображение после дебайеризации (восстановление данных из мозаичного цифрового изображения, полученного через фильтр Байера).
Полученное RGB-изображение должно подвергаться последующей балансировке белого, что достигается с помощью эталонной мишени из белого или серого политетрафторэтилена (ПТФЭ). Высокая частота кадров и установка двух камер под разным углом позволяют получить изображения под разным ракурсом. Этот набор данных может быть использован для получения модели поверхности образцов (рис. 4).
Рис. 4. Структура образцов после 2.5D реконструкции. (a) Текстурированная модель набора образцов, (b) вид сбоку для демонстрации артефактов в скрытых областях и прозрачных объектов (маркеров), (c, d) увеличение областей, отмеченных на (a).
Авторы статьи используют структуру из технологического процесса движения-мульти-просмотра (SfM-MVS) [30,31], реализованного в Agisoft PhotoScan Professional 1.2.5. Все параметры обработки настраиваются для достижения максимальной точности сопоставления и качества модели. Полученная модель обрезается до размера набора образцов. Ортофотоизображение и цифровая модель поверхности (DSM) в реальном цвете экспортируются с размером пикселя 0.05 мм. Маркеры интервала сцены с известными пространственными отношениями используются для ссылки на экспортированные данные в истинном масштабе. Для локализации позиции мы используем негеографическую декартову систему отсчета.
2.3.2. Гиперспектральная камера Specim
Предварительная обработка всех данных от камер сканирующего типа аналогична. Перед каждым измерением несколько линий регистрируется с закрытым затвором для вычитания темнового тока и с открытым затвором с трем калибровочным целям ПТФЭ (белый: Spectralon; серый и черный: SphereOptics ZenithLite). Цели имеют известные спектры отражения, усредненные при> 99%, 50% и 6% отражательной способности во VNIR и> 95%, 46% и 6% в SWIR диапазонах, соответственно. Все наборы калибровочных данных усредняются по направлению сканирования и используются для преобразования необработанного цифрового числа (DN) по яркости в коэффициент отражения. Излучение извлекается путем вычитания длины волны в зависимости от строки темнового тока из необработанного изображения и последующего умножения на калибровочную матрицу для конкретного сенсора. После этого шага битые и горячие пиксели отображаются на датчике как отдельные неопределенные или бесконечные значения. Они автоматически обнаруживаются и впоследствии заменяются интерполяцией ближайшего соседа. Белые, серые и черные калибровочные данные цели преобразуются в интенсивность, такой же способ используется в эмпирическом линейном подходе для преобразования изображения в коэффициент отражения. В полученном отражающем изображении можно обнаружить оставшиеся боковые различия освещенности в распределении отражательной способности по калибровочным целям. В данной статье эти различия используются для коррекции по ряду для достижения равномерного освещения.
Для камер FENIX требуются дополнительные геометрические поправки, чтобы устранить влияние дифракции сигнала на щель сенсора и бочкообразное искажение в направлении сканирования. Соответствующие поправочные коэффициенты предоставляются производителем.
2.3.3. Камера Telops Hyper-Cam
Если освещенность на образце является приемлемой, но излучательная способность образца мала или незначительна, коэффициент отражения R в данных диапазона LWIR может быть непосредственно получен из набора данных следующим образом:
где Lill и Ldark- измерения яркости с и без освещения соответственно, а DRill и
DRdark спектры диффузного отражателя при одинаковых условиях. Это требует сбора как минимум двух наборов данных на анализ (темных и освещенных), где диффузный отражатель должен находиться в пределах сцены для каждого набора данных. Наборы изображений для каждого условия освещения сшиваются для двух отдельных мозаик изображений, которые впоследствии совместно регистрируются и вычитаются друг из друга. Спектры Drill и DRdark рассчитываются как среднее значение по отраженному диффузному отражателю.
2.3.4. Cовместная регистрация
Последовательная ориентация всех гиперспектральных камер в самой низшей точке позволяет получить схожий вид на образцы, несмотря на различные принципы захвата изображений, пространственное разрешение и поле зрения. Это позволяет автоматически регистрировать изображения и ортотрансформировать их с ортофото формата RGB с географической привязкой с помощью алгоритмов обнаружения точек и сопоставления. Мы используем масштабное инвариантное преобразование объектов (SIFT) [32] для извлечения надежных ключевых точек и быструю библиотеку для приближенных ближайших соседей (FLANN) [33] для сопоставления точек. Вычисленные опорные точки затем используются для применения полиномиального преобразования второго или третьего порядка на соответствующем изображении.
Мы убедились, что в экспериментах с очень темными или спектрально безликими образцами наборов соответствий происходят сбои и требуются дополнительные корректировки параметров, которые продлевают общее время обработки. Для повышения точности, надежности и скорости сопоставления рекомендуется использование дополнительные искусственные ключевые точки в пределах сцены. Особенно в комбинированной установке с камерами, высококонтрастные маркеры на конвейере облегчают регистрацию наборов данных, обеспечивая стабильные и легко обнаруживаемые контрольные точки.
2.3.5. Пример отделения фона от образца и использования масок
Разделение образца и фона является необходимой задачей как для уменьшения размера данных, так и для повышения производительности извлечения характерных признаков. В частности, для больших количеств образцов неправильной формы ручная маскировка невозможна в течение требуемого времени. Автоматизированная классификация, основанная на спектральных особенностях или интенсивности отражения, обычно терпит неудачу всякий раз, когда спектральный отклик фона подобен образцу. Это происходит, например, когда лоток для образцов пыльный, с темными образцами или образцами без характерных черт. Вычитание, основанное только на информации о высоте, также ненадежно, поскольку границы очень плоских образцов, таких как тонкие участки, можно легко принять за фон и, наоборот, откос или артефакты на заднем плане за образцы (см рис. 5 слева)
Рис. 5. (Слева): высота (относительная высота от лотка для образцов); (в центре): первая производная (наклон) изображения высоты; (справа): двоичная маска, основанная как на контурах наклона, так и на высоте
Чтобы все учесть и компенсировать все это, мы предлагаем выборку фонового разделения на основе контуров высот и значений. Оба могут быть получены из данных RGB высокого разрешения. В текущей ситуации сначала рассчитывается карта наклона из ранее предоставленной фотограмметрической цифровой модели поверхности, указывающей на резкие изменения в высоте из-за очевидных образцов по увеличенными значениями (Рис. 5, посередине). Эти изменения могут быть извлечены как контуры, например, с использованием подхода Suzuki и Abe [34], который реализован в наборе инструментов OpenCV [35]. Затем средние значения высоты в пределах каждого контура сравниваются с ожидаемым фоновым уровнем. Всякий раз, когда это значение превышает определенную пороговую высоту, конкретный контур идентифицируется как образец. При таком подходе обнаруживаются даже прозрачные, плоские или соседние образцы, в то время как артефакты высот или маркеры в областях, не являющихся образцами, игнорируются (рис. 5, справа). Затем конечная маска пересэмплируется и применяется к любому совместно зарегистрированному набору данных.
2.3.6. Эффекты освещения
Слегка отклоненный от низшей точки монтаж осветительных приборов во всех измерительных установках обеспечивает равномерное освещение исследуемых образцов и предотвращает появление основных теней. Оставшиеся отклонения отражательной способности из-за освещения в основном связаны с отбрасываемыми тенями вблизи острых границ объекта, когда один из источников освещения блокируется. Когда используются два источника освещения, например, в установке FENIX, это приводит к теням вдоль направления сканирования, тогда как с четырьмя блоками освещения, например, RGB, FX10, FX17, можно наблюдать тени как вдоль, так и поперек направления сканирования. Проявление теней в наборах данных дополнительно зависит от относительного положения сенсора и единиц освещения, что приводит к различным шаблонам теней в каждом наборе данных. Поскольку тени влияют в основном на лоток для образцов, а не на сами образцы, влияние различий в освещении в этом исследовании можно пренебречь.
2.3.7. Валидация (Проверка работоспособности)
Для проверки спектра все образцы анализируются в одних эталонных точках с использованием Spectral Evolution PSR-3500 (далее PSR) и портативного ИК-спектрометра Agilent 4300 FTIR с диффузной ячейкой отражения (далее FTIR). Технические характеристики каждого датчика приведены в таблице 1. Каждый PSR спектр является результатом 10 последовательных усредненных измерений. Для преобразования коэффициента отражения используется панель из ПТФЭ с коэффициентом отражения более 99% во VNIR и коэффициентом отражения более 95% в SWIR диапазоне. Каждое FTIR-сканирование создается 32 последовательными усредненными измерениями и преобразуется в коэффициент отражения с использованием диффузного золотого стандарта. При использовании этого подхода каждая контрольная точка характеризуется непрерывным спектром отражения высокого разрешения в диапазоне от 0.35 мкм (ближний УФ) до 15.4 мкм (LWIR). Из всех разрезов существуют минералогические карты высокого разрешения, которые были получены из анализа минералов на основе сканирующей электронной микроскопии путем выделения минералов. Данные анализа выделения минералов пересчитываются до размера пикселя 0.15 мм, чтобы соответствовать размеру пикселя RGB-датчиков Teledyne. Во время повторной выборки пропорция площади для каждой минеральной фазы в одном выходном пикселе определяется и сохраняется как значение пикселя в отдельном канале выходного изображения. Таким образом создается куб данных отдельных минеральных карт, поддерживающий информацию обо всех минеральных фазах и позволяющий визуализировать относительное содержание конкретных минеральных фаз. Впоследствии, все карты анализа выделения минералов (АВМ) геометрически привязаны к набору данных, чтобы обеспечить валидацию 2D карты минералов для результатов гиперспектральной визуализации. Ссылка делается вручную. На некоторых образцах АВМ был проведен на аналогах изображенных образцов. Из-за материала образца, который был потерян во время процесса резки и полировки, данные АВМ этих образцов показывают небольшие отклонения к поверхности образцов в наборе данных. Особенно в очень разнородных образцах это может привести к большим визуальным различиям, усложнить сравнение с картами, полученными из изображений, и вызвать ошибки во время проверки.
2.4. Извлечение признаков и классификация
Схематическая иллюстрация рабочего процесса интеграции данных показана на рис. 6.
Рис. 6. Предлагаемый рабочий процесс для объединения мультисенсорных данных гиперспектральных камер с использованием извлечения признаков OTVCA (метод анализа ортогональных полных вариационных компонент) и классификации SVM (метод опорных векторов)
Выделение признаков проводится с использованием метода анализа компонентов ортогональных полных вариаций (OTVCA [36], далее расширен для объединения данных с несколькими датчиками в Rasti et al. [37]). На основании исследований, проведенных в Ghamisi et al. [38], OTVCA превосходит несколько широко используемых контролируемых и неконтролируемые методов извлечения признаков с точки зрения точности классификации. Цель алгоритма состоит в том, чтобы найти лучшее представление входного пространства высокой размерности гиперспектра в области пространственных объектов с низкими размерами путем оптимизации функции “non-convex cost-function”. Чтобы сохранить пространственную структуру объектов, OTVCA решает функцию выбракованных наименьших квадратов с учетом общей вариации (TV), на которую накладывается ограничение ортогональности. Это ограничение позволяет учитывать информацию о пространственном соседстве во время извлечения признаков, что выгодно для классификации изображений с точным пространственным разрешением, имеющих однородные структуры. Из каждого набора данных с одним датчиком извлекается от пяти до семи спектрально и пространственно значимых признаков, чтобы достичь размерности, близкой к числу ожидаемых классов. Точное количество функций подтверждается визуальной проверкой. Результирующие характеристики изображения всех датчиков накладываются и передискретизируются во входной файл с наилучшим пространственным разрешением (здесь: sCMOS). Это создает пространственное изображение с высоким разрешением, содержащее наиболее важную спектральную информацию каждого входного набора данных, и в то же время демонстрирующее значительно уменьшенный размер данных.
Классификация проводится с использованием алгоритма машины опорных векторов (SVM, с использованием LibSVM от Chang & Lin [39]) с ядром радиальной базисной функции как на одном, так и на выбранных подмножествах мультисенсоров в наборе признаков изображения OTVCA. На основании исследований, опубликованных в Ghamisi et al. [40], SVM с ядром радиальной базисной функции может обеспечить точные результаты классификации стабильным способом по сравнению с другими продвинутыми классификаторами, такими как нейронная сеть обратного распространения, случайный лес, машины экстремального обучения и одномерная сверточная нейронная сеть, даже если доступно только ограниченное количество обучающих образцов. В основном это происходит из его концепции, которая основана на максимизации обучающих примеров, а не на статистических критериях. Это делает SVM выгодным для нашего набора данных, который характеризуется высокой размерностью входных данных благодаря мультисенсорному подходу, ограниченному количеству надежных обучающих данных и минералогически смешанных (гетерогенных) классов. Оптимальные параметры гиперплоскости C (параметр, который управляет величиной ошибки во время оптимизации SVM) и (разброс ядра радиальной базисной функции) были прослежены в диапазоне γ = 2x и C = 10y, с x в [-3, -2, -1,1, 0, 1, 2, 3, 4] и y в [-2, -1, 0, 1, 2, 3, 4], соответственно, с использованием пятикратной перекрестной проверки (сравните также Ghamisi et al. [38,40]). Как для изображения классификации, так и для оценки вероятности происходит извлечение. Точность классификации возвращается как общая точность (OТ) и средняя точность (СТ). В то время как ОТ возвращает процент всех истинных положительных значений от общего числа контрольных точек, СТ усредняет отдельные истинные положительные проценты всех классов. Сравнение обоих значений позволяет утверждать об однородности классовых погрешностей. Большое различие между ОТ и СТ указывает на недостаточную точность только одного или нескольких классов, в то время как аналогичные значения ОТ и СТ сообщают о сопоставимой точности классификации между всеми классами.
3. Результаты
3.1. Пространственная и спектральная интеграция набора данных от камер
Обзор обработанного и зарегистрированного мультисенсорного набора данных показан на рис. 7, демонстрирующий большие различия в пространственном разрешении. Совместная регистрация всех наборов данных позволяет сравнивать спектры, полученные разными камерами в одном и том же месте. Наилучшие результаты совместной регистрации достигаются, если спектральный диапазон или пространственное разрешение базы и набора данных для регистрации сопоставимы, что можно использовать для получения более быстрых и более надежных результатов сопоставления. Например, из-за их более сравнимого пространственного разрешения количество хороших совпадений между данными FX17 и FX10 намного выше, чем между FX17 и ортофотоизображением RGB. Напротив, данные FX10 могут быть хорошо сопоставлены с базой RGB из-за их перекрывающихся диапазонов длин волн и после регистрации служат новой базой для сопоставления данных FX17. Таким образом, мы можем быстро и автоматически зарегистрировать все наборы данных в общем и значимом справочном пространстве.
Рис. 7. Пространственный обзор полученных наборов данных, отображаемый в цвете RGB (длины волн указаны в скобках). Для каждого набора данных рядом с друг другом показаны общее изображение и увеличенное верхней половины образца TS4-1900 (отмечено белым прямоугольником).
Соответствующий спектральный анализ показан на рис. 8, демонстрируя покрытые спектральные диапазоны каждого датчика по сравнению с измерениями спектральных точек и информацией анализа высвобождения минералов для одного пятна образца. Все отображаемые спектры были получены из одной и той же пространственной позиции. Различия в форме спектра в основном обусловлены разным пространственным размером пикселя каждого датчика и небольшими пространственными отклонениями положения съемки во время измерений в точке спектрометра. Благодаря извлечению информации о анализе высвобождения минералов для каждой позиции и размера пятна, минеральная интерпретация наблюдаемых спектральных характеристик может быть подтверждена и проверена.
Рис. 8. Анализ спектров от разных камер в одной точке проверки на образце TS4-863. Вверху: объединенные точки проверки спектров и положение измеренного пятна; внизу: спектры изображения и информация анализа высвобождения минералов для одного и того же места.
Чтобы продемонстрировать влияние пространственного и спектрального разрешения камер, а также чувствительности, анализируется набор мелкозернистых минералов, содержащих РЗЭ, с использованием всех камер, охватывающих VNIR. Высокое содержание РЗЭ спектрально выражается рядом Nd3+ - характеристик поглощения (рис. 9, слева внизу, позиции поглощения, подтвержденные Turner [41]). Глубина самых выдающихся поглощений при 741 нм и 800 нм можно использовать для создания карт содержания РЗЭ для каждой камеры (Рис. 9, верхний ряд). Влияние пространственного разрешения очевидно, с очень подробными картами, полученными из sCMOS, разрешающими даже самые мелкие зерна вплоть до сильно смешанных пикселей FENIX, где несколько маленьких зерен слиты в один более крупный объект. Спектры самого большого минерального зерна были извлечены для каждой камеры в одной и той же позиции и сравнены со спектром проверки, полученным с помощью PSR (рис. 9, нижний ряд). Система sCMOS с самой высокой спектральной чувствительностью и разрешением (сравните таблицу 1) обеспечивает точный спектр, разрешающий даже мелкие детали. Помимо сниженного отношения сигнал / шум спектр не содержит артефактов. Более низкое спектральное разрешение FX10 приводит к потере спектральных деталей, однако интенсивность видимых спектральных характеристик сохраняется. Спектральные артефакты, рядом с 680 нм, усложняют надежный анализ мелких объектов. Из-за большого размера пространственного пикселя и результирующего увеличения спектрального микширования спектр FENIX показывает пониженную глубину видимых элементов РЗЭ при сходной общей интенсивности отражения. Тем не менее, отношение сигнал/шум и спектральное разрешение достаточно высоки, чтобы обеспечить четкий спектр, отображающий еще меньшие характеристики.
Рис. 9. Влияние спектрального и пространственного разрешения и чувствительности используемых камер VNIR диапазона на картирование мелкомасштабных поглощений на примере одиночных зерен РЗЭ. Верхний ряд: RGB-изображение и карты РЗЭ для конкретных камер (среднее значение глубины характеристического поглощения Nd3+ при 741 и 800 нм). Нижний ряд: однопиксельные спектры отражения одного и того же пятна (отмечены красным кружком) портативного спектрорадиометра (PSR, слева) и гиперспектральных камер. Позиции Nd3+ - характерные поглощения отмечены пунктирными серыми линиями.
3.2. Мультисенсорное объединение данных для классификации изображений
Для выделения и классификации признаков из репрезентативного набора образцов выбираются два репрезентативных подмножества выборок с различной минералогией и пространственным распределением классов (сравните также рис. 2): образец NA-RZ2 (далее RZ2); и образцы TS4-802, TS4-863, TS4-1551 и TS4-1900 (далее TS4). Все наборы данных с одним датчиком обрезаны до размеров RZ2 и TS4.
Для RZ2 на основе наблюдений анализ высвобождения минералов (АВМ) определены пять минералогически значимых классов: альбит, апатит, мусковит, фаза с преобладанием гетита (с небольшими количествами кальцита) и матрица с преобладанием кальцита (с небольшими количествами Fe и Si). Для последних двух классов размер отдельных минеральных зерен лежит ниже разрешения АВМ, поэтому их следует рассматривать как минералогически смешанные классы. Пространственные покрытия классов сильно разбалансированы, одна матрица составляет 75% площади выборки, в то время как остальные классы составляют около 5% каждый. Поскольку карта АВМ была взята с точной поверхности образца, возможна прямая проверка. Таким образом, информация АВМ используется для выбора наиболее минералогически чистых пикселей (около 50% всех пикселей) в качестве тестовых данных, из которых только 100 пикселей для каждого класса исключаются и используются в качестве обучающих данных (0,3% всех пикселей, см. таблицу № 4). Существенно более высокий объем обучающих данных не может быть достигнут для этой выборки из-за ее крайне несбалансированного пространственного распределения классов.
Таблица 4 - Обзор важных параметров наборов данных RZ2 и TS4 для классификации.
|
Набор данных |
Количество пикселей |
Количество классов |
Количество пикселей для обучения на класс |
Количество тестовых пикселей на класс |
|
RZ2 |
172 900 |
5 |
100 |
Изменяется в диапазоне (~100 – 85 000) |
|
TS4 |
657 150 |
6 |
25 |
25 |
Для TS4 определены шесть минералогически значимых классов: кварц, гипс, ангидрит, мусковит, полевые шпаты (ортоклаз, альбит, лабрадорит) и сульфиды (пирит, халькопирит). Из-за смещения материала между доступными картами проверки АВМ и отображаемой поверхностью возможна только визуальная проверка. Кроме того, АВМ не способен различать гипс и ангидрит, поскольку минералогическим отличием является содержание кристаллической воды. Таким образом, тренировочные данные TS4 выбираются вручную. Помимо карт АВМ, выбор основывается на характерных особенностях, проявляющихся в спектрах изображений и анализе спектров проверки в областях, однородных в пределах выделенных признаков OTVCA. Для каждого класса отбирается около 50 пикселей, которые случайным образом разделяются на наборы тестовых и обучающих данных по 25 пикселей на класс (Таблица № 4). По сравнению с RZ2 все классы приблизительно сбалансированы, однако встречаются субпиксельные смеси некоторых классов, в частности среди мусковита, кварца и полевых шпатов.
Рис. 10 Достигнутая точность классификации SVM для выборочных подмножеств RZ2 и TS4
На рис. 10 показаны OТ и СТ для нескольких попыток классификации, используя только функции OTVCA отдельных датчиков, а также конкретные комбинации нескольких датчиков. Полный мультисенсорный набор данных классифицируется двумя различными способами: (1) использование SVM на всех входных диапазонах, как в предлагаемом рабочем процессе (помечено «All») и (2) большинством голосов всех результатов SVM с одним датчиком (помечено «All-mean»). Для различных комбинаций датчиков соответствующие изображения классов и оценки вероятности каждого класса отображаются на рис. 11 для RZ2 и на рис. 12 для TS4 рядом с имеющимися картами минералов АВМ.
Рис. 11. Результаты SVM-картирования пяти наиболее распространенных минералов и минеральных групп в подмножестве выборок RZ2 с использованием выбранных мультисенсорных комбинаций по сравнению с доступной информацией о АВМ. Здесь показаны как категорированная карта (изображение класса), так и оценки вероятности для каждого класса. Оценки вероятности обозначаются соответствующей непрозрачностью цвета соответствующего класса между непрозрачностью (вероятность 0%) и полной непрозрачностью (вероятность 100%).
Рис. 12. Результаты SVM-картирования шести наиболее распространенных минеральных классов (помеченных доминантным минералом) в подмножестве образцов TS4 с использованием выбранных мультисенсорных комбинаций, визуализированных рядом с АВМ информация образца счетчика штук. Помните, что гипс и ангидрит не разделяются АВМ из-за их высокого сходства по химическому составу. Здесь показаны как категорированная карта (изображение класса), так и оценки вероятности для каждого класса. Оценки вероятности обозначаются соответствующей непрозрачностью цвета соответствующего класса между непрозрачностью (вероятность 0%) и полной непрозрачностью (вероятность 100%).
Оценка точности классификации RZ2 показывает высокую разницу между ОТ и СТ для большинства камер с одним сенсором и некоторыми камер с несколькими сенсорами. Основная причина - мелкозернистая текстура и несбалансированное распределение классов в образце. Четыре из пяти классов встречаются в точном распределении с размерами зерен ниже расстояния пространственной выборки большинства используемых датчиков. Несмотря на минералогически четко определенные данные тренировок и испытаний, соответствующие пиксельные спектры часто содержат смесь классов. Степень пространственно низших классов, таким образом, часто сильно преувеличена. Это отрицательно влияет на точность классификации класса с преобладанием кальцита, который охватывает большую часть выборки. Результирующая несбалансированная точность между отдельными классами становится видимой, как увеличенное смещение между ОТ и СТ. Сочетание наиболее чувствительных к спектру камеры (FENIX, Telops Hyper-Cam) с пространственно хорошо разрешенным входом (камеры sCMOS, FX) обеспечивает наилучшую точность классификации, визуальную оценку и разделение классов. Он даже допускает истинную положительную классификацию границ объектов, лежащих в подпиксельном пространстве некоторых наборов данных. Типовое подмножество TS4 обеспечивает лучший баланс между классами, однако, данные обучения более разрежены, а классы менее различимы. Например, содержание кварца, мусковита и полевого шпата часто коррелирует, что создает плавные переходы между классами, обозначенными как кварц, мусковит и полевой шпат соответственно. Тем не менее, предварительное извлечение признаков изображения и соответствующее назначение обучающих пикселей позволяет обеспечить надлежащую дискриминацию в классификации. Классы гипс и ангидрит, которые не могут быть разделены в анализе АВМ четко различаются в спектральных данных. В целом, точность классификации и визуальная проверка показывают, что использование данных с нескольких камер обеспечивает лучшую классификацию, чем использование данных с одной камеры. Сравнивая FX10 / FX17 и FX10 / FX17 / Telops Hyper-Cam, добавленная ценность данных LWIR для точного распознавания силикатов становится поразительной, особенно при сравнении карт оценки вероятности кварца и полевого шпата. Однако датчики FX уже могут дать справедливую оценку распределения этих классов, в частности, в отношении отсутствия растягивающих связей O-Si-O или обертонов Al-OH, Fe-OH или Mg-OH в их спектральном диапазоне.Здесь преимущество предшествующего извлечения признаков изображения заключается в том, что оно не ограничивает классификацию дискретными признаками поглощения, но позволяет распознавать общие спектральные и пространственные структуры.
Как и в примере RZ2, слияние спектрально значимых данных с пространственно разрешенными изображениями позволило отобразить объекты и структуры, лежащие в субпиксельной шкале более грубого разрешенного ввода. Таким образом, слияние данных FENIX с более точными данными Telops Hyper-Cam позволяет четко разделить жилы, ширина которых составляет всего половину размера пикселя FENIX. Как и ожидалось, дальнейшее включение пространственно высоко разрешенных данных VNIR и более низких значений SWIR (FX и sCMOS) позволило достичь высочайшей точности классификации среди всех тестов. Визуальная проверка также подтверждает его классификацию как общий лучший результат.
Оба набора данных показывают, что SVM для мультисенсорных данных («Все») достигает более высокой точности, чем усреднение / доминирование голосов ранее рассчитанного SVM с одним датчиком («Все средние»). Благодаря мультисенсорному входу возможна одновременная оценка характеристик нескольких входных данных, а несвязанная информация может быть исключена. Напротив, комбинация отдельных SVM-результатов может придать вес данным, неубедительным для оцениваемого класса, и тем самым снизить точность классификации. Перекрестная проверка на каждом выполненном SVM была замечена как важный шаг. Например, точность перекрестной проверки для набора данных с несколькими датчиками в TS4 может варьироваться от 8% до 99,3%, в зависимости от выбранных параметров.
4. Обсуждение
Предлагаемый алгоритм обеспечивает способ объединения данных нескольких камер независимо от их начальных пространственных и спектральных характеристик. Это позволяет одновременно анализировать спектральные и пространственные особенности одного минерального класса в разных диапазонах длин волн. Таким образом, пространственно разрешенные данные могут быть объединены со спектрально чувствительной и разнообразной сенсорной информацией для точного отображения даже небольших сложных минеральных структур. Прецедентное извлечение элементов изображения с использованием OTVCA уменьшает размерность и размер данных, и тем самым облегчает обработку данных с несколькими камерами. Весьма выгодной является возможность объединения информации из данных с очень разными спектроскопическими свойствами, таких как данные VNIR / SWIR и LWIR. Будущие исследования могут расширить входные данные за пределы данных отражательной способности и включать, например, информацию из экспериментов по фотолюминесценции или комбинационного рассеяния света.
Результаты показывают, что интеграция данных на основе методов машинного обучения позволяет выбирать меньшее количество камер, необходимых для решения конкретной задачи классификации. Минералогический состав большинства образцов оправдывает определение смешанных классов, выделяя скорее спектральные области, напоминающие характерные минеральные смеси, чем отдельные минералы. Используемый рабочий процесс позволяет основывать классификацию этих доменов не только на разных характеристиках поглощения, но и на разных спектральных и пространственных вариациях. Таким образом, мы можем различать минералы, которые не показывают конкретные спектральные особенности в используемом в настоящее время спектральном диапазоне. Например, данные FX позволили различить классы кварца, полевого шпата и сульфида, которые на самом деле не имеют четких спектральных характеристик в охватываемых диапазонах VNIR и SWIR. Даже если включение диапазона LWIR еще больше повысило точность классификации для этих минеральных доменов, результат данных FX является многообещающим. Это показывает, что с использованием передовых инструментов обработки изображений, камеры с уменьшенным спектральным диапазоном все еще могут обеспечить содержательную классификацию основных минеральных доменов, предлагая использовать довольно дешевые и быстрые датчики для классификации первого образца. Если требуется более подробный анализ выбранных образцов, можно применять камеры с оптимизированными характеристиками для текущей минералогии. Для успешной реализации этого подхода точная проверка имеет решающее значение. Требуется определить и интерпретировать минералогические классы, а также установить данные обучения и испытаний для самой классификации. Подтверждение может быть обеспечено подробным минералогическим анализом выбранных образцов и спектральной характеристикой возможных областей с использованием точных данных точечного спектрометра.
По результатам исследования можно оценить применимость используемых гипеспекральным камер для конкретных задач в лабораторном картировании минералов (см. также таблицу № 5).
Таблица 5 - Сравнение важных технических характеристик и оценка потенциальных областей применения используемых камер
|
Тип камеры |
Стоимость |
Скорость |
Пространственная детализация |
Обнаружение минералов |
Определяемые характеристика минералов |
Области применения |
|
RGB |
***** |
***** |
***** |
* |
Только формы и текстуры |
Фотограмметрия, сегментация, анализ текстуры |
|
FX |
**** |
**** |
*** |
*** |
Оксид железа, гипс, слюды, РЗЭ |
Быстрое картирование минеральных доменов (например, поток необработанного материала) |
|
sCMOS |
*** |
* |
***** |
** |
Оксид железа, РЗЭ |
Высокое пространственное и хорошее спектральное разрешение (например, низкоскоростное, но точное картирование минералов) |
|
FENIX |
** |
** |
* |
**** |
Глина, карбонат, РЗЭ, слюды |
Составление карт / характеризация минералов, но относительно медленное (подходит для сканирования буровых скважин) |
|
Telops Hyper-Cam |
* |
* |
*** |
**** |
Силикат, карбонат |
Составление карт / характеризация минералов, но относительно медленное (подходит для сканирования буровых скважин) |
Камера FENIX имеет самое грубое спектральное разрешение; однако он предлагает самый широкий спектральный диапазон и общее достаточное спектральное качество с высоким отношением сигнал/шум. Это единственная испытанная гиперспектральная камера, охватывающяя диапазон длин волн от 2000 до 2500 нм, который необходим для обнаружения минералов, содержащих группы AlOH, MgOH, FeOH или CO3, по их колебательным обертонам. FENIX в основном не способен пространственно разрешать узкие вены или отдельные минеральные зерна. Следовательно, тонкодисперсные минералы, представляющие интерес, могут быть не обнаружены, если интенсивности их спектральных характеристик не превышают уровень шума в спектре смешанного пикселя. Напротив, FENIX может предоставить обзор общего состава образца, выделить литологические зоны или крупные вены. Сбор и предварительная обработка данных бывают быстрыми и понятными и могут охватывать большие партии образцов в разумные сроки, что делает его идеальным инструментом для сканирования ядра бурового крена. Показано, что комбинация с камерой с более высоким пространственным разрешением частично преодолевает его пространственные ограничения и обеспечивает точную классификацию объектов с субпиксельным размером.
FX10 и FX17 обеспечивают более экономичную альтернативу камере FENIX. Из всех протестированных датчиков они способны получать данные с максимальной скоростью, что позволяет в короткие сроки характеризовать большие количества материала, например, руду, движущуюся на конвейерной ленте. Выборка пикселей в текущей настройке была примерно в 1.7 (FX17) и в 2.7 (FX10) раз выше, чем у датчика FENIX, обеспечивая значительно более высокую детализацию. При скорректированной настройке измерения можно достичь еще более низких частот пространственной выборки, но за счет меньшего охвата области. Наблюдаемое отношение сигнал/шум FX10 ниже, чем у FENIX, что проявляется в полосатых областях и более шумных спектрах. При комбинированном диапазоне длин волн обоих камер серии FX от 400 до 1700 нм количество обнаруживаемых минеральных свойств, довольно ограничено, включая в основном фазы, несущие Fe3+ -, Fe2+ -, OH-- и РЗЭ3+. Принимая во внимание, что в установке с одной камерой это ограничивает точность классификации, комбинированная интерпретация обоих наборов данных FX способна достичь приемлемых результатов классификации даже для классов минералов, не демонстрирующих отчетливых характеристик поглощения в используемом спектральном диапазоне. В целом, камеры FX лучше всего подходят для высокоскоростного сканирования и категоризации образцов с высокой пространственной детализацией и ограниченной спектральной сложностью, таких как анализ смешанных потоков рудных отходов.
Подобно камере FX10, покрываемый диапазон длин волн датчика sCMOS ограничен VNIR, однако с использованием передней части объектива он обеспечил наивысшую пространственную и спектральную выборку и чувствительность датчиков среди всех гиперспектральных камер в текущей установке. Эта комбинация спецификаций работает при полном разрешении, что обеспечивает низкие скорости сканирования и экстремальные размеры данных. Мы рекомендуем использовать в этом режиме только для детального анализа только отобранных проб, для которых он является идеальным инструментом для точного картирования РЗЭ, даже при низких концентрациях и размерах принимающих минералов. Используя методы извлечения признаков изображения, размер данных может быть существенно уменьшен с небольшой потерей спектральной информации; например, извлечение пяти признаков OTVCA из набора выборок TS4 уменьшило размер данных в 45 раз, для 15 извлеченных признаков - в 16 раз. Извлеченные компоненты можно использовать в качестве дополнительного ввода для классификации мелкозернистых образцов. Несмотря на низкий вклад для спектральной интерпретации, данные sCMOS показали, что их пространственная информация существенно повышает точность классификации таких выборок.
Камера Telops Hyper-Cam - единственная протестированная гиперспектральная камера, охватывающий диапазон LWIR, позволяющий картировать многие важные породообразующие минералы, такие как кварц, полевые шпаты или карбонаты. Его высокое спектральное и пространственное разрешение позволяет детально картировать мелкие жилы и минеральные зерна. Отношение сигнал/шум достаточно для получения четких спектров при коротком времени освещения. Несмотря на то, что Hyper-Cam спроектирован как устройство формирования кадров, он также может работать как квазилинейный сканер. Сокращая количество одновременно полученных строк до минимума (от двух до восьми), можно достичь частоты кадров до 30 Гц. Соответствующая скорость сканирования является разумной для будущей интеграции камеры в совместную установку с формирователями изображения VNIR / SWIR. Однако высокие начальные капитальные затраты камеры ограничивают возможности его применения. Из-за широкого и плавного характера минеральных элементов в LWIR, узкополосный мультиспектральный датчик с аналогичным пространственным разрешением может быть преимуществом.
5. Заключение
Мы показали, что интеграция мультисенсорных данных с различным пространственным разрешением и спектральным диапазоном возможна и настоятельно рекомендуется при разведке полезных ископаемых в ближнем поле. Отдельные приобретения позволяют настраивать параметры эксперимента для конкретных камер и, таким образом, обеспечивают оптимальный результат и высокую гибкость используемых камер. Извлечение признаков с использованием OTVCA позволяет значительно уменьшить размерность и объем памяти каждого входного набора данных, сохраняя при этом большую часть его пространственной и спектральной информации. Это особенно полезно для камер с очень высоким пространственным и / или спектральным разрешением, но с низкой скоростью сканирования и большим объемом данных. Извлеченные признаки не связаны с появлением определенных особенностей поглощения, но распознают любые пространственные или спектральные узоры. Таким образом, мы можем преодолеть различия в конкретных характеристиках спектрального диапазона, например для объединения данных VNIR / SWIR и LWIR в комбинированном классификационном подходе с использованием SVM. Параллельно подход извлечения признаков позволяет дифференцировать классы с нечеткими или смешанными спектральными признаками. Эти минеральные домены могут различаться, даже если наиболее характерные спектральные особенности отдельных минералов не находятся в анализируемом спектральном диапазоне, что уменьшает количество камер, необходимых для общего обзора. Это наблюдение может представлять дополнительный интерес для применений вне лаборатории, где атмосферный вклад ограничивает наблюдаемые спектральные диапазоны и обычно уменьшает обнаруживаемость небольших спектральных особенностей.
Для более детального спектрального анализа могут быть полезны различные комбинации нескольких камер. Комбинация камер в диапазонах VNIR, SWIR и LWIR позволяет одновременно обнаруживать как измененные, так и породообразующие минералы и повышает надежность обнаружения некоторых минералов с особенностями в разных областях длин волн. Интеграция данных с очень высоким пространственным разрешением может использоваться для картирования минералогически сложных образцов с более высоким разрешением, чем предусмотрено спектральным набором данных. Представленный алгоритм позволяет картировать минеральные домены на категориальной основе и в качестве полуколичественной оценки относительной численности. При наличии достаточных данных для проверки можно найти корреляцию между оценками вероятности и существенным содержанием, чтобы получить количественные результаты.
В рамках данного исследования RGB камеры показали экономически эффективную возможность создания пространственных изображений высокого разрешения и моделей рельефа поверхности, которые можно использовать для подробного обзора образцов, совместной регистрации данных и обнаружения образцов / объектов. Благодаря высокому пространственному разрешению стереофонические данные RGB могут стать потенциальным источником для анализа шероховатости поверхности, классификации текстур и выделения областей в будущем. Подобные домены могут быть извлечены из любых других пространственно выразительных источников данных и могут быть включены в классификацию изображений для более четкого разграничения классов. Дальнейшая многообещающая информация для интеграции может быть получена из других подходов к картированию поверхности помимо данных об отражательной способности, таких как фотолюминесценция или комбинационное рассеяние.
