第４３卷，第３期光谱学与光谱分析Ｖｏｌ．４３，Ｎｏ．３，ｐｐ６９２－６９７２０２３年３月ＳｐｅｃｔｒｏｓｃｏｐｙａｎｄＳｐｅｃｔｒａｌＡｎａｌｙｓｉｓＭａｒｃｈ，２０２３基于共焦ＬＩＢＳ技术结合机器学习的矿石分类识别方法苏云鹏，贺春景，李昂泽，徐可米，邱丽荣，崔晗＊“复杂环境智能感测技术”工信部重点实验室，北京理工大学光电学院，北京１０００８１摘要矿物分类与识别是地质研究领域的重要内容，对地质勘探和环境演化的研究具有重要意义。然而，传统的矿石分类识别方法依靠专业人员通过矿石的外形及物理性质进行人工鉴定，主观性强，准确率低，激光诱导击穿光谱技术（ＬＩＢＳ）由于其元素“指纹”特性、灵敏度高以及快速在线检测的特点，非常适合用于地质研究领域。利用共焦激光诱导击穿光谱技术与机器学习结合，提高了矿石分类识别的精准度，利用共焦ＬＩＢＳ系统获得８种天然矿石样品（金矿、铜矿、银辉矿、赤铁矿、铝矿、方铅石、磷灰石以及闪锌矿）的光谱数据，采用主成分分析方法（ＰＣＡ）对数据进行降维处理，并对降维后的数据采用线性判别分析（ＬＤＡ）、最邻近规则（ＫＮＮ）以及支持向量机（ＳＶＭ）三种方法进行特征谱线的高精准分类识别。首先，采用标准铜片作为样品，对比了非共焦ＬＩＢＳ系统和共焦ＬＩＢＳ系统的稳定性及其对ＰＣＡ主成分累计贡献率的影响，结果表明与非共焦ＬＩＢＳ系统相比，共焦ＬＩＢＳ系统的稳定性提升了６３．７５％，主成分累计贡献率提高了１７．８１％；然后，采用共焦ＬＩＢＳ系统获取上述８种矿石样品的光谱信息，并进行去噪等预处理，采用ＰＣＡ对矿石特征数据进行提取，并保留累计贡献率达到９９．４％的前１０维特征空间；最后，将特征数据分别与ＬＤＡ，ＫＮＮ以及ＳＶＭ结合构建分类模型，进行种类识别。结果表明，ＰＣＡ方法与ＬＤＡ和ＫＮＮ方法结合的分类准确度分别为９５．７８％和９２．５８％，而与ＳＶＭ相结合的方法，准确率可达到９７．８９％。因此，采用共焦激光诱导击穿光谱技术与ＰＣＡ和ＳＶＭ相结合的方法，可为地质勘探和矿物识别领域提供一种快速、高准确度的分类识别方式，具有广阔的应用前景。关键词激光诱导击穿光谱；共焦ＬＩＢＳ；主成分分析；机器学习中图分类号：Ｏ４３３．１文献标识码：ＡＤＯＩ：１０．３９６４／ｊ．ｉｓｓｎ．１０００－０５９３（２０２３）０３－０６９２－０６收稿日期：２０２２－０１－１７，修订日期：２０２２－０...
