一种基于光谱增强的矿物信息识别系统与方法与流程

1.本发明属于矿物识别技术领域，特别是涉及一种基于光谱增强的矿物信息识别系统与方法。


背景技术：

2.高光谱分辨率遥感采用窄而连续的光谱通道对地物持续遥感成像，在可见光到短波红外波段其光谱分辨率高达纳米数量级，通常具有波段多的特点，光谱通道数多达数十甚至数百个以上，而且各光谱通道间往往是连续的，高光谱遥感是在电磁波谱的可见光、近红外、中红外和热红外波段范围内，获取许多非常窄的光谱连续的影像数据的技术。其成像光谱仪可以收集到上百个非常窄的光谱波段信息，相较于普通光谱图像，高光谱的成像通道大大增加，光谱的可选择性变得灵活和多样化，极大增加了通过遥感手段进行分析矿物类型的可能。但高光谱图像往往存在空间分辨率较低、数据量复杂的劣势，导致其在矿物识别的应用中难以确保识别精度。


技术实现要素：

3.本发明的目的是提供一种基于光谱增强的矿物信息识别系统，以解决上述现有技术存在的问题。
4.一方面为实现上述目的，本发明提供了一种基于光谱增强的矿物信息识别系统，包括光谱数据采集子系统、矿物信息识别子系统、识别评价子系统、数据存储子系统；
5.所述光谱数据采集子系统用于获取包括不同矿物类型的光谱数据，并对所述光谱数据进行光谱增强处理；
6.所述矿物信息识别子系统用于对增强后的光谱数据进行分解与分析，识别所述光谱数据中的矿物信息，获取识别结果；
7.所述识别评价子系统用于采用卷积神经网络，并根据所述光谱数据对所述识别结果进行评价，获取评价结果；
8.所述数据存储子系统用于对相同时间下的识别结果与评价结果进行存储。
9.可选地，所述光谱数据采集子系统包括相连接的光谱采集单元与光谱增强单元，所述光谱采集单元包括光谱仪，所述光谱仪用于对不同类型的矿石进行光谱测量，获取光谱数据；所述光谱增强单元用于对所述光谱数据添加高斯噪声，对所述光谱数据中不同类型的矿物光谱进行增强，获取高光谱数据。
10.可选地，所述矿物信息识别子系统包括数据分解模块与识别模块，所述数据分解模块用于对所述高光谱数据进行处理，获取稀疏矩阵；所述识别模块用于根据所述稀疏矩阵识别矿物的光谱数据；
11.所述数据分解模块用于对所述高光谱数据进行降维处理，获取二维矩阵，并设置最大秩数、最大迭代次数、矩阵稀疏度，根据最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵；
12.所述识别模块根据待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据所述稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距离，根据所述矢量积和欧式距离计算矿物类型，获取识别结果。
13.可选地，所述识别评价子系统采用卷积神经网络构建矿物识别模型，将所述光谱数据输入所述矿物识别模型，通过卷积层对所述光谱数据进行特征提取，并构建损失函数，根据所述损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练；根据训练完成后的矿物识别模型对所述光谱数据进行分类，输出分类结果，将所述分类结果与所述矿物信息识别子系统的识别结果进行对比，对所述识别结果进行评价。
14.可选地，所述数据存储子系统根据历史存储数据与实时获取的光谱数据的时序关系构建数据存储框架，根据所述数据存储框架对实时获取的光谱数据进行存储；
15.所述数据存储框架为xml架构，在所述xml架构中，按照数据获取时间的递进顺序，并将获取时间作为约束条件，将所述光谱数据作为时间下的详细描述，同时根据所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。
16.另一方面为实现上述目的，本发明提供了一种基于光谱增强的矿物信息识别方法，包括以下步骤：
17.对不同类型的矿石进行光谱测量，获取光谱数据；
18.对所述光谱数据进行光谱增强，获取高光谱数据；
19.将所述高光谱数据分解为稀疏矩阵，基于所述稀疏矩阵判断矿物类型，获取矿物识别结果；
20.基于卷积神经网络构建矿物识别模型，对所述矿物识别模型进行训练，基于训练后的矿物识别模型与所述光谱数据进行矿物分类，获取分类结果，并基于所述分类结果对所述矿物识别结果进行评价；
21.按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储。
22.可选地，将所述高光谱数据分解为稀疏矩阵的过程包括：
23.对所述高光谱数据进行降维处理，获取二维矩阵；
24.设置最大秩数、最大迭代次数、矩阵稀疏度，基于所述最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵。
25.可选地，基于所述稀疏矩阵判断矿物类型的过程包括：
26.基于待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据所述稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距离；
27.基于所述矢量积和所述欧式距离计算矿物类型，获取识别结果。
28.可选地，对所述矿物识别模型进行训练的过程包括：
29.将所述光谱数据输入所述矿物识别模型，通过卷积层对所述光谱数据进行特征提取，通过输出层输出特征提取结果；
30.构建损失函数，基于所述损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练。
31.可选地，按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储的过程包括：
32.按照数据获取时间的递进顺序，将获取时间作为约束条件；
33.基于所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。
34.本发明的技术效果为：
35.本发明通过获取不同类型矿石的光谱数据，并对光谱数据进行光谱增强，根据高光谱数据计算欧式距离，完成矿物类型的识别，同时采用卷积神经网络，结合原始光谱数据进行矿物类型分类，并与识别结果进行对比评价，保证识别精确性，最后通过数据存储架构对识别与评价结果进行存储，便于研究人员进行数据参考。
附图说明
36.构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
37.图1为本发明实施例中的基于光谱增强的矿物信息识别系统结构示意图；
38.图2为本发明实施例中的基于光谱增强的矿物信息识别方法流程图。
具体实施方式
39.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
40.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
41.实施例一
42.如图1所示，本实施例中提供一种基于光谱增强的矿物信息识别系统，包括光谱数据采集子系统、矿物信息识别子系统、识别评价子系统、数据存储子系统；其中，光谱数据采集子系统用于获取包括不同矿物类型的光谱数据，并对光谱数据进行光谱增强处理；矿物信息识别子系统用于对增强后的光谱数据进行分解与分析，识别光谱数据中的矿物信息，获取识别结果；识别评价子系统用于采用卷积神经网络，并根据光谱数据对所述识别结果进行评价，获取评价结果；数据存储子系统用于对相同时间下的识别结果与评价结果进行存储。系统各部分具体功能如下所示：
43.光谱数据采集子系统中包括相连接的光谱采集单元与光谱增强单元，光谱采集单元包括光谱仪，通过光谱仪对不同类型的矿石进行光谱测量，获取光谱数据；光谱增强单元用于对光谱数据添加高斯噪声，对所述光谱数据中不同类型的矿物光谱进行增强，从而获取高光谱数据。
44.矿物信息识别子系统包括数据分解模块与识别模块，数据分解模块用于对高光谱数据进行降维处理，获取二维矩阵，并设置最大秩数、最大迭代次数、矩阵稀疏度，根据最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵；
45.光谱分解完成后，识别模块根据待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距
离，根据所述矢量积和欧式距离计算矿物类型，获取识别结果。
46.识别评价子系统采用卷积神经网络构建矿物识别模型，将最初获取的光谱数据输入矿物识别模型，通过卷积层对光谱数据进行特征提取，并构建损失函数，根据损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练；根据训练完成后的矿物识别模型对所述光谱数据进行分类，输出分类结果，将所述分类结果与所述矿物信息识别子系统的识别结果进行对比，对所述识别结果进行评价。
47.数据存储子系统应用根据历史存储数据与实时获取的光谱数据的时序关系构建数据存储框架，根据数据存储框架对实时获取的光谱数据进行存储；
48.具体地，所述数据存储框架为xml架构，在xml架构中，按照数据获取时间的递进顺序，并将获取时间作为约束条件，将所述光谱数据作为时间下的详细描述，同时根据所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。
49.本领域内的技术人员应明白，本发明的实施例可提供为系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
50.本发明是参照根据本发明实施例的计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
51.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
52.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
53.实施例二
54.如图2所示，本实施例中提供一种基于光谱增强的矿物信息识别方法，包括以下步骤：
55.对不同类型的矿石进行光谱测量，获取光谱数据；
56.对所述光谱数据进行光谱增强，获取高光谱数据；
57.将所述高光谱数据分解为稀疏矩阵，基于所述稀疏矩阵判断矿物类型，获取矿物识别结果；
58.基于卷积神经网络构建矿物识别模型，对所述矿物识别模型进行训练，基于训练
后的矿物识别模型与所述光谱数据进行矿物分类，获取分类结果，并基于所述分类结果对所述矿物识别结果进行评价；
59.按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储。
60.作为本技术的一种较佳实施方式，将所述高光谱数据分解为稀疏矩阵的过程包括：
61.对所述高光谱数据进行降维处理，获取二维矩阵；
62.设置最大秩数、最大迭代次数、矩阵稀疏度，基于所述最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵。
63.作为本技术的一种较佳实施方式，基于所述稀疏矩阵判断矿物类型的过程包括：
64.基于待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据所述稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距离；
65.基于所述矢量积和所述欧式距离计算矿物类型，获取识别结果。
66.作为本技术的一种较佳实施方式，对所述矿物识别模型进行训练的过程包括：
67.将所述光谱数据输入所述矿物识别模型，通过卷积层对所述光谱数据进行特征提取，通过输出层输出特征提取结果；
68.构建损失函数，基于所述损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练。
69.作为本技术的一种较佳实施方式，按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储的过程包括：
70.按照数据获取时间的递进顺序，将获取时间作为约束条件；
71.基于所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。
72.本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的方法而言，由于其与实施例公开的系统相对应，所以描述的比较简单，相关之处参见系统部分说明即可。
73.以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。

技术特征：
1.一种基于光谱增强的矿物信息识别系统，其特征在于，包括光谱数据采集子系统、矿物信息识别子系统、识别评价子系统、数据存储子系统；所述光谱数据采集子系统用于获取包括不同矿物类型的光谱数据，并对所述光谱数据进行光谱增强处理；所述矿物信息识别子系统用于对增强后的光谱数据进行分解与分析，识别所述光谱数据中的矿物信息，获取识别结果；所述识别评价子系统用于采用卷积神经网络，并根据所述光谱数据对所述识别结果进行评价，获取评价结果；所述数据存储子系统用于对相同时间下的识别结果与评价结果进行存储。2.根据权利要求1所述的基于光谱增强的矿物信息识别系统，其特征在于，所述光谱数据采集子系统包括相连接的光谱采集单元与光谱增强单元，所述光谱采集单元包括光谱仪，所述光谱仪用于对不同类型的矿石进行光谱测量，获取光谱数据；所述光谱增强单元用于对所述光谱数据添加高斯噪声，对所述光谱数据中不同类型的矿物光谱进行增强，获取高光谱数据。3.根据权利要求2所述的基于光谱增强的矿物信息识别系统，其特征在于，所述矿物信息识别子系统包括数据分解模块与识别模块，所述数据分解模块用于对所述高光谱数据进行处理，获取稀疏矩阵；所述识别模块用于根据所述稀疏矩阵识别矿物的光谱数据；所述数据分解模块用于对所述高光谱数据进行降维处理，获取二维矩阵，并设置最大秩数、最大迭代次数、矩阵稀疏度，根据最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵；所述识别模块根据待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据所述稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距离，根据所述矢量积和欧式距离计算矿物类型，获取识别结果。4.根据权利要求1所述的基于光谱增强的矿物信息识别系统，其特征在于，所述识别评价子系统采用卷积神经网络构建矿物识别模型，将所述光谱数据输入所述矿物识别模型，通过卷积层对所述光谱数据进行特征提取，并构建损失函数，根据所述损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练；根据训练完成后的矿物识别模型对所述光谱数据进行分类，输出分类结果，将所述分类结果与所述矿物信息识别子系统的识别结果进行对比，对所述识别结果进行评价。5.根据权利要求1所述的基于光谱增强的矿物信息识别系统，其特征在于，所述数据存储子系统根据历史存储数据与实时获取的光谱数据的时序关系构建数据存储框架，根据所述数据存储框架对实时获取的光谱数据进行存储；所述数据存储框架为xml架构，在所述xml架构中，按照数据获取时间的递进顺序，并将获取时间作为约束条件，将所述光谱数据作为时间下的详细描述，同时根据所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。6.一种基于光谱增强的矿物信息识别方法，其特征在于，包括以下步骤：对不同类型的矿石进行光谱测量，获取光谱数据；对所述光谱数据进行光谱增强，获取高光谱数据；
将所述高光谱数据分解为稀疏矩阵，基于所述稀疏矩阵判断矿物类型，获取矿物识别结果；基于卷积神经网络构建矿物识别模型，对所述矿物识别模型进行训练，基于训练后的矿物识别模型与所述光谱数据进行矿物分类，获取分类结果，并基于所述分类结果对所述矿物识别结果进行评价；按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储。7.根据权利要求6所述的基于光谱增强的矿物信息识别方法，其特征在于，将所述高光谱数据分解为稀疏矩阵的过程包括：对所述高光谱数据进行降维处理，获取二维矩阵；设置最大秩数、最大迭代次数、矩阵稀疏度，基于所述最大秩数、最大迭代次数、矩阵稀疏度对所述二维矩阵进行奇异值分解，将所述二维矩阵分解为稀疏矩阵。8.根据权利要求6所述的基于光谱增强的矿物信息识别方法，其特征在于，基于所述稀疏矩阵判断矿物类型的过程包括：基于待识别矿物的光谱数据获得诊断波谱特征增强的波谱向量，并根据所述稀疏矩阵以及所述波谱向量获取待识别矿物光谱数据矢量积和欧式距离；基于所述矢量积和所述欧式距离计算矿物类型，获取识别结果。9.根据权利要求6所述的基于光谱增强的矿物信息识别方法，其特征在于，对所述矿物识别模型进行训练的过程包括：将所述光谱数据输入所述矿物识别模型，通过卷积层对所述光谱数据进行特征提取，通过输出层输出特征提取结果；构建损失函数，基于所述损失函数对特征提取结果进行误差判断，当误差最小时停止迭代，完成模型训练。10.根据权利要求6所述的基于光谱增强的矿物信息识别方法，其特征在于，按时间先后顺序对所述矿物识别结果以及对应的分类结果进行存储的过程包括：按照数据获取时间的递进顺序，将获取时间作为约束条件；基于所述约束条件对不同获取时间的光谱数据进行存储，并对相同获取时间的矿物信息识别结果以及评价结果进行对应存储。

技术总结
本发明公开了一种基于光谱增强的矿物信息识别系统与方法，其中识别系统包括：光谱数据采集子系统，用于获取包括不同矿物类型的光谱数据，并对光谱数据进行光谱增强处理；矿物信息识别子系统，用于对增强后的光谱数据进行分解与分析，识别光谱数据中的矿物信息，获取识别结果；识别评价子系统，用于采用卷积神经网络，并根据光谱数据对识别结果进行评价，获取评价结果；数据存储子系统，用于对相同时间下的识别结果与评价结果进行存储。本发明通过光谱数据与高光谱数据分别进行矿物分类与识别，并将分类结果与识别结果进行对比，保证矿物信息识别的准确性。物信息识别的准确性。物信息识别的准确性。


技术研发人员：边宇 贾伟洁 杨永鹏 陈玲 王梦飞 孙昂 党福兴
受保护的技术使用者：中国自然资源航空物探遥感中心
技术研发日：2023.05.16
技术公布日：2023/8/13