Измерители диаметра и эксцентриситета. Измеритель диаметра кабеля, трубы, прутка и катанки. Измерители толщины,. Измеритель толщины. Контроль изоляции. ЗАСИ. Машинное зрение.

Машинное зрение для идентификации минералов и оценки запасов руды по гиперспектральным изображениям в олово-вольфрамовых месторождениях

kornelik
ЗАКАЗАТЬ СИСТЕМУ

Цель данного исследования — оценить возможность выделения и идентификации минеральных руд по гиперспектральным изображениям забоев олово-вольфрамового рудника с использованием классификации машинного обучения. Мы собрали набор образцов интересующих нас минералов из олово-вольфрамового рудника и проанализировали два типа гиперспектральных изображений: (1) изображения, полученные с помощью лабораторной установки в условиях, близких к оптимальным, и (2) сканирование имитированного забоя с использованием полевой установки в условиях, более близких к условиям штольни.

Мы проанализировали следующие минералы: касситерит (оловянная руда), вольфрамит (вольфрамовая руда), халькопирит, малахит, мусковит и кварц. Классификация лабораторных спектров (линейный дискриминантный анализ, машины сингулярных векторов и случайный лес) показала очень высокую общую точность (98%), несколько ниже, если рассматривать диапазоны 450–950 нм и 950–1650 нм по отдельности, и значительно ниже (74,5%) для смоделированных обычных RGB-изображений.

Точность классификации для симуляции была ниже, чем в лаборатории, но все еще высокой (85%), что, вероятно, является следствием более низкого пространственного разрешения. Все три метода классификации показали схожие результаты в этом случае, при этом случайный лес дал несколько более высокие результаты точности. Точность пользователя для вольфрамита составила 85%, но касситерит часто путали с вольфрамитом (точность пользователя: 70%). Объединенная категория руды достигла точности пользователя в 94,9%. Наше исследование подтверждает пригодность гиперспектральной съемки для регистрации пространственного распределения рудной минерализации в развивающихся забоях вольфрамо-оловянных рудников.

1. Введение

Гиперспектральные изображения, полученные с помощью спектрометров, представляют собой трехмерные массивы, в каждом вокселе которых содержится спектр излучения, обработанный для получения спектра отражения [1, 2]. Получение отдельных спектров отражения с помощью спектрометров в видимом, ближнем инфракрасном и коротковолновом инфракрасном диапазонах длин волн (400–2500 нм) — это относительно простая и неинвазивная методика, которая используется в лабораторных и полевых условиях уже несколько десятилетий [3, 4].

Особые оптические и электронные свойства каждого материала приводят к тому, что при освещении возникают специфические спектральные характеристики, которые часто являются диагностическими для данных минералов и горных пород [5, 6, 7], хотя влияние изменений в освещении и геометрии наблюдения, макроструктуры образца и наличия смесей в поле зрения, как правило, снижает диагностическую ценность спектров отражения.

Расширение точечных показаний на гиперспектральное изображение имеет два основных преимущества. Во-первых, двумерный результат позволяет учитывать пространственное распределение различных материалов в изображенной сцене. Во-вторых, в случае приблизительной идентификации возможность определить конкретный неопределенный материал облегчает точный отбор проб для дополнительных методов, таких как рентгеновская дифракция (XRD) или рентгеновская флуоресценция (XRF).

Большинство гиперспектральных изображений были получены дистанционно с помощью бортовых датчиков и нескольких спутников, и в контексте горнодобывающей промышленности распространенными областями применения дистанционно полученных гиперспектральных изображений являются разведка полезных ископаемых (см. примеры в [8, 9, 10, 11, 12]) и оценка воздействия на окружающую среду [13, 14, 15].

В настоящее время все чаще используются гиперспектральные изображения ближнего действия образцов, полученных вручную, и/или кернов бурения [16, 17, 18, 19], а также наземные панорамные гиперспектральные изображения полувертикальных обнажений [20, 21, 22, 23, 24], поскольку системы гиперспектральной визуализации становятся все более портативными и распространенными.

Много- и гиперспектральные системы визуализации также были разработаны для микроскопии руды [25, 26, 27, 28] с целью достижения количественного минералогического анализа. В своем обширном обзоре Крупник и Хан [24] систематизируют самые последние статьи (большинство из которых опубликованы после 2010 года), посвященные применению гиперспектральной съемки ближнего действия, которые в основном касаются анализа экономически ценных материалов (32 исследования, из которых 13 посвящены проверке методов спектральной идентификации) и воздействия на окружающую среду (13 исследований).

Горизонтальная и наклонная наземная гиперспектральная съемка вертикальных структур (скалы, дорожные выемки, стены карьеров…) может быть интегрирована с цифровой топографией, которая может быть получена либо из наземных данных LiDAR [29], либо путем обработки обычных фотографий методом Structure from Motion (SfM) [30, 31].

Для анализа гиперспектральных изображений, полученных с помощью дистанционного зондирования, разработан широкий спектр методов (например, [32, 33, 34]), которые также применяются к гиперспектральным изображениям ближнего действия, и проведено несколько многомасштабных исследований [17, 35] (Амиго [2] приводит ряд современных методов, которые могут быть применены как к гиперспектральным изображениям дальнего, так и ближнего действия. Методы машинного обучения, в частности методы контролируемой классификации, стали распространены для анализа гиперспектральных изображений [36, 37, 38]) и начинают применяться к изображениям ближнего действия для автоматической идентификации и картирования различных материалов в исследуемом образце.

Мерфи и др. [20] получили как точечные спектры, так и наземные гиперспектральные изображения вертикальных забоев железорудного рудника с расстояния 30 м в видимом и ближнем инфракрасном (VISNIR) и коротковолновом инфракрасном (SWIR) диапазонах. Авторы сравнили метод спектрального углового картирования (SAM) и метод опорных векторов (SVM) для классификации таких материалов, как сланец, марганцевый сланец, гетит, мартит и кремень, с учетом эффектов затенения. Хотя SVM превзошел SAM в условиях равномерного освещения, SAM оказался более устойчивым к наличию теней, если только в классификатор SVM не были предоставлены затененные обучающие спектры.

Кроме того, SAM показал лучшие результаты, чем SVM, если обучающие спектры были выбраны из спектральной библиотеки, а не из самого изображения. Крупник и Хан [24] также представили свои собственные примеры панорамной гиперспектральной съемки ближнего действия для характеристики полувертикальных обнажений (разломов, ям, дорожных выемок и карьерных участков).

Они применили SVM и метод многодиапазонной спектральной подгонки признаков (SFF) для получения классифицированных изображений таких материалов, как известняк, алевролит, сланец, гематитовый алевролит, кальцит, иллит, ярозит, оксиды железа и доломит. Они также получили значительную геологическую информацию, картируя длину волны и глубину абсорбционных линий в выбранных диапазонах длин волн, которые они также применили позже [39] для анализа гиперспектральных изображений небольших лабораторно приготовленных смесей минералов известняка (кальцит, доломит и кремень), с результатами, которые были согласованы с результатами, полученными методом точечного подсчета. В том же исследовании сообщается об успешном картировании смесей на гиперспектральных изображениях небольших обломков горных пород с применением методов машинного обучения и использованием спектров известных смесей в качестве эталонов. Лопес-Бенито и др. [28]

Были применены методы классификации для анализа гиперспектральных изображений микроскопа в диапазоне VISNIR (350–1000 нм) с целью автоматической идентификации видов металлических руд, что было достигнуто с очень высокой точностью.

Создание и обновление 3D-моделей для количественной характеристики распределения и неоднородности содержания руды, толщины жил, их ориентации и геометрии сети имеет решающее значение для горнодобывающей промышленности, поскольку это обеспечивает лучшее понимание минерализации, что имеет важные преимущества для управления и оптимизации добычи, тем самым снижая воздействие на окружающую среду.

Как правило, эти 3D-модели основаны на знании структурной геологии месторождения, а геофизическая разведка способствует лучшему пониманию месторождения. Данные изображений, полученные непосредственно в ходе разработки, могут быть использованы для подтверждения или обновления этих моделей, мониторинга содержания и распределения руды. В этом отношении мы стремимся интегрировать проксимальную наземную съемку с использованием традиционных и гиперспектральных методов для получения данных о содержании руды и 2D-геометрии минерализации в разрезе. В идеале, 3D-томография может быть получена из этих 2D-плоскостей по мере продвижения фронта разработки.

Внедрение и эксплуатация гиперспектральных систем визуализации в полевых условиях всегда сопряжены с трудностями, а в условиях штольни это представляет собой сложную задачу. В качестве предварительного шага к фактическому получению, обработке и анализу гиперспектральных изображений забоя шахты мы изучаем целесообразность и интересность такого подхода, используя образцы, содержащие интересующие нас минералы. Для этой цели мы провели следующие исследования:

  • Лабораторная спектрометрия изображений. Мы сканировали образцы рук с помощью гиперспектральных камер на лабораторной установке, чтобы оценить спектральную разделимость и протестировать методы классификации машинного обучения в условиях, близких к оптимальным.

  • Моделирование гиперспектральной съемки забоя шахты. Мы отсканировали весь набор образцов ручного материала с использованием тех же параметров съемки, освещения и расстояния до объекта, которые, как ожидается, будут использоваться в штольне шахты, оценивая методы машинного обучения для идентификации и картирования распределения материалов на полученном изображении.

2. Геологические условия

Исследуемые образцы были собраны на олово-вольфрамовом руднике Сан-Финкс, расположенном в городе Лоусаме, провинция Ла-Корунья, Галисия, северо-запад Испании (рис. 1).

Сан-Финкс — типичный пример позднепалеозойского гранитоподобного гидротермального месторождения, связанного с европейским металлогеническим поясом. Олово-вольфрамовая руда напрямую связана с гранитами, образовавшимися в период с позднего девона по пермию во время варисской или так называемой герцинской орогенезы, в результате континентальной коллизии Лавруссии и Гондваны [40].

Минерализация Сан-Финкс представляет собой субвертикальный комплекс кварцевых жил, преобладающих в направлении N 50° E, который на своем восточном конце демонстрирует пегматитовые признаки (например, наличие калиевого полевого шпата). Это рудное поле простирается более чем на 1 км в длину, а толщина жил варьируется от 0,5 до 1,5 м [41].

Вмещающие породы состоят из сланцев, мигматитов и гранитов, а металлогенез включает Sn–W–Ta–Nb–Mo–Cu–As–Au–A–Bi. Разрабатываемые рудные минералы – касситерит и вольфрамит. Другие минералы, встречающиеся в кварцевых жилах, – это арсенопирит, пирит, шеелит, халькопирит, молибденит, колумбит-танталит, мусковит и турмалин, среди прочих [42, 43].

Рисунок 1.  Геологический контекст и ситуация шахты Сан-Финкс [44].

3. Материалы и методы

См. блок-схему методов (рис.2 ).

Рисунок 2.  Схема работы методологии.

3.1. Лабораторная спектрометрия изображений

Для достижения условий, близких к оптимальным, мы сканировали образцы из шахты с помощью  камер Specim  FX10 и FX17 (таблица 1), последовательно установленных на одной и той же  установке Specim LabScanner Setup  40 × 20, стараясь не перемещать образцы между сканированиями. Для сканирования мы использовали  программное обеспечение Specim Lumo  , которое создает гиперспектральные изображения яркости для всей сканируемой области, а также два изображения, соответственно, темного (внутренний затвор) и белого эталонов, которые мы использовали для расчета изображений спектрального отражения для каждой камеры.

Таблица 1.  Технические характеристики изображений, полученных с помощью камер Specim FX10 и FX17. FWHM: максимальная ширина по высоте; FOV: поле зрения; SNR: отношение сигнал/шум.

FX10 FX17 FX10_FX17
Spectral range (nm) 397–1004 936–1720 397–1720
Spectral bands 448 224 628
Spectral FWHM (nm) 1.34–1.41 3.46–3.48 1.34–3.48
Pixels/line 1024 640 1024
FOV (°) 38° 38°
SNR 600:1 1000:1

Мы выполнили совмещение изображений отражательной способности FX17 с их аналогами FX10 на основе полос, соответствующих общей части диапазона длин волн, и объединили полученные совмещенные изображения отражательной способности FX10 и FX17 в одно изображение отражательной способности, содержащее 628 полос для каждого образца и пространственное разрешение 0,224 мм/пиксель.

Для выполнения расчета отражательной способности, совмещения, объединения полос и обрезки мы разработали собственное программное обеспечение, состоящее из скриптов R [45] (пакеты raster [46], rgdal [47], RStoolbox [48], gdalUtilities [49] и link2GI [50], которые вызывают команды GDAL [51], OTB [52] и pktools [53]).

Процесс совмещения проходил в два этапа. Сначала мы выполнили полиномиальное искажение первого порядка с гомологичными точками, автоматически извлеченными методом SIFT (HomologousPointExtraction в OTB [54]).

Во-вторых, совмещение было уточнено путем вычисления тонких локальных сдвигов X и Y, которые оптимизировали локальную корреляцию между соответствующими полосами обеих камер (FineRegistration в OTB).

Геометрические преобразования были рассчитаны с использованием соответствующих полос одной и той же длины волны в обеих камерах, а затем применены ко всем полосам FX17 (GridBasedImageResampling в OTB). Мы отбросили некоторые полосы на крайних значениях каждой камеры из-за шума и оставили гиперспектральные данные в диапазонах 450–950 нм (FX10) и 950–1650 нм (FX17).

Были отображены гиперспектральные изображения, и для каждого минерала были интерактивно извлечены наборы пиксельных спектров (всего 110) с помощью плагина EnMAP Box [55] QGIS [56], что потребовало сочетания фотоинтерпретации и непосредственного визуального осмотра образцов. Для выделения границ между материалами и облегчения выбора пикселей использовались различные цветовые композиции, в том числе комбинирующие разные ПК.

Наконец, мы импортировали спектры в R, где создали сравнительные графики вместе с эталонными спектрами, извлеченными из спектральных библиотек USGS [57] и JPL [58, 59], и провели статистический анализ. Мы рассчитали матрицы несходства, используя метрику Джеффриса-Матуситы [60], чтобы измерить спектральную разрешающую способность каждой камеры (FX10, FX17 и комбинированная FX10_FX17).

Мы также смоделировали значения RGB обычной камеры (Canon 60D) на основе значений FX10, используя кривые спектральной чувствительности камеры [61], и рассчитали матрицу несходства RGB с этими значениями, чтобы оценить способность обычных фотографий идентифицировать интересующие минералы. Наконец, мы применили три различных метода классификации: линейный дискриминантный анализ (LDA), сингулярные векторные машины (SVM) и случайный лес (RF) для каждого из четырех наборов данных (FX10, FX17, объединенный FX10_FX17 и Canon 60D), основы которых кратко описаны в  разделе 3.3 . Для этого мы использовали пакеты R MASS [62], e1071 [63], randomForest [64] и caret [65].

3.2. Наземная панорамная гиперспектральная съемка имитированного забоя шахты

Для подготовки к развертыванию гиперспектрального оборудования и анализу гиперспектральных изображений, полученных в условиях, приближенных к условиям шахты, мы собрали панель размером 52 см × 57 см с образцами, а также белым эталоном (Sphere Optics SG 3141 95%), эталоном многокомпонентного стандарта длин волн (Labsphere WCS-MC-020) и цветовой таблицей (рис.3 ).

Изображение было получено в темной комнате с помощью камеры Specim FX17, установленной на ротационном сканере Specim на штативе на расстоянии 2,5 м от объектива до панели. Это расстояние было выбрано как реалистичное для штольни. Освещение обеспечивалось студийным светильником Fresnel Filmgear мощностью 650 Вт и цветовой температурой 3200 К с рассеивателем позади и над камерой. Все системы питались от батарей, как и в условиях шахтной штольни. Разрешение изображения составляло 2,6 мм/пиксель, а площадь покрытия — 166,4 см (высота) × 106,1 см (ширина), из которого был извлечен фрагмент, соответствующий образцам на панели. Вкратце, мы использовали в условиях помещения то же оборудование, геометрию и освещение, что и в реальной шахтной вышке, поэтому наши изображения являются точной имитацией тех, что были получены в самой шахте.

Рисунок 3.  ( а ) Схема полевой установки для моделирования условий галереи. ( b ) Обычная цифровая RGB-фотография панели образцов. ( c ) Цветная композиция первых трех главных компонент гиперспектрального изображения.

Несмотря на рассеиватель, наблюдалась некоторая неравномерность освещения, которую мы решили, применив метод вычитания фона «катящегося шара» [66] в Fiji [67] к первой главной компоненте (PC-1), а затем применив обратное преобразование. Как и в случае с лабораторными изображениями, полученное гиперспектральное изображение было отображено в QGIS с использованием различных цветовых композитов, которые включали комбинации главных компонент.

Наборы спектров пикселей (всего 2450) для каждого минерала и других целей (дополнительные материалы, таблица S1) были извлечены путем интерактивной оцифровки обучающих и валидационных полигонов, задача, которая также требовала непосредственного визуального осмотра образцов. Наконец, мы подали файл полигонов вместе с гиперспектральным изображением, преобразованным с помощью главных компонент, в классификаторы (LDA, SVM и RF) и провели оценку их точности.

В этом случае мы сохранили 12 компонент (составляющих 99,85% общей дисперсии), поскольку более высокие компоненты оказались слишком шумными. Каждый классификатор создал прогнозируемую карту материалов панели в соответствии с предопределенным набором категорий (Дополнительные материалы, Таблица S1). Для классификации SVM и RF мы использовали инструменты EnMAP Box [34], основанные на scikit-learning, а для PCA и LDA, как и в случае лабораторных спектров, использовались пакеты R MASS [62] и raster [46].

Поскольку объединение результатов различных методов дает более надежные результаты, мы также объединили классификации, выбрав для каждого пикселя класс, который был предсказан большинством методов. Для тех пикселей, в которых каждый метод предсказывал разный класс, мы выбрали класс, предсказанный классификатором с наибольшей точностью.

3.3. Обработка классификации
3.3.1. Линейный дискриминантный анализ (ЛДА)

Линейный дискриминантный анализ, такой как анализ главных компонентов (PCA), часто используется в качестве метода уменьшения размерности перед применением машинного обучения. LDA стремится спроецировать набор данных в пространство меньшего размера с максимальной разделимостью между классами, максимизируя соотношение между внутриклассовой дисперсией и межклассовой дисперсией.

В отличие от PCA, который является алгоритмом без учителя (он не требует обучающих полигонов для каждого класса, поскольку максимизирует общую дисперсию для каждого главного компонента), LDA является алгоритмом с учителем: он преобразует исходное пространство в компоненты, которые линейно максимизируют разделение между классами, на основе оценок среднего значения и ковариационной матрицы каждого класса, которые вычисляются на обучающем наборе размеченных наблюдений [60, 68].

Классификация выполняется с помощью правила Байеса, предполагающего многомерные гауссовы распределения общей дисперсии, которое упрощается до правила ближайшего центроида по модулю априорных вероятностей классов в преобразованном пространстве, поскольку ковариационная матрица становится единичной матрицей. Для данной работы мы выполнили LDA с использованием R с пакетом MASS [62] как для лабораторных спектров, так и для гиперспектрального изображения панели.

3.3.2. Метод опорных векторов (SVM)

Как подробно объяснено в [ 68 ], SVM являются обобщением классификатора с максимальным отступом (MMC). При наличии p-мерного пространства дескрипторов и простой бинарной задачи (2 класса) с n обучающими наблюдениями (метод может быть обобщен на >2 класса), MMC ищет  n -1 гиперплоскость, которая линейно разделяет два класса с максимальным отступом (то есть: с максимальным расстоянием от ближайшей точки каждого класса до гиперплоскости). Максимизация отступа увеличивает вероятность правильной классификации остальных наблюдений (тех, которые не включены в обучающий набор).

В некоторых случаях распределение наблюдений таково, что правильное разделение 2 классов согласно MMC подразумевает, что гиперплоскость с максимальным отступом все еще лежит очень близко к некоторым наблюдениям, а расстояние между отступами очень мало. В этих случаях более толерантный подход, определяющий более широкий отступ даже за счет некоторых ошибок в классификации обучающего набора, приведет к меньшему количеству ошибок с новыми наблюдениями.

Этот метод называется классификацией опорных векторов (SVC) [68] и linearSVC в библиотеке scikit-learn [69]. Степень допуска основана на относительных расстояниях от наблюдений до границы их класса: наблюдения на правильной стороне своей границы или на самой границе находятся на расстоянии 0; наблюдения за пределами границы соответствующего класса, но в пределах гиперплоскости, находятся на расстояниях 0 < e < 1, а наблюдения на неправильной стороне гиперплоскости — на расстояниях > 1. Пользователь устанавливает общий допуск (называемый «регуляризацией» в терминологии SVM), то есть допустимую сумму всех расстояний от наблюдений до границ. При  C  = 0 допуск отсутствует, поэтому гиперплоскость и границы устанавливаются в соответствии с MMC.

При увеличении значений C границы могут постепенно расширяться, при этом все больше наблюдений остается на неправильной стороне границы или даже на неправильной стороне гиперплоскости, и, фактически, сама гиперплоскость изменяется по мере включения различных наблюдений. Таким образом, параметр  C  контролирует количество наблюдений, фактически участвующих в вычислении гиперплоскости и ее границ.

Важно отметить, что в отличие от других методов классификации, таких как LDA, классификация с использованием SVM зависит только от тех наблюдений, которые лежат на границах или за их пределами, и эти наблюдения известны как опорные векторы (поскольку каждое наблюдение представляет собой вектор из  p дескрипторов). Оптимальное значение C  вычисляется с помощью  k -кратной перекрестной проверки в обучающем наборе данных для предопределенного диапазона   значений C.

В некоторых случаях ни одна гиперплоскость не может разделить классы, независимо от значения  C. В таких случаях, вместо подгонки нелинейных функций, подход SVM заключается в увеличении размерности путем добавления новых измерений, являющихся нелинейными преобразованиями  p  исходных измерений.

Поскольку параметры, определяющие гиперплоскость в SVC (или линейном SVC), находятся на основе скалярного произведения всех пар обучающих наблюдений, классификация SVM (называемая SVC в scikit-learn) использует для этой цели подход на основе ядра. Популярными ядрами в классификации SVM являются полином и, в частности, радиальная базисная функция (RBF), которая использовалась в этом исследовании из-за своей гибкости. Для RBF мы имели для любых двух обучающих наблюдений  x, y (векторы в пространстве  p  дескрипторов):

где γ — положительная константа, которую можно рассматривать как обратную величину дисперсии: при низких значениях γ класс будет очень широким, а при малых значениях — узким. Как и в случае  C , γ можно установить с помощью перекрестной проверки в рамках стратегии поиска по сетке, как это делается в случае EnMAP Box. Пакет R  caret , напротив, использует аналитическую формулу для получения разумных оценок γ и фиксации его на этом значении [65].

3.3.3. Случайный лес

Классификация случайным лесом [70] — это развитие деревьев классификации. Деревья классификации создаются путем бинарного и иерархического разделения обучающего набора путем пороговой обработки дескрипторов [68]. На каждом уровне последовательно проверяются все дескрипторы, и выбирается наилучший порог для лучшего предиктора для оптимизации метрики чистоты класса, такой как индекс Джини.

После того, как дерево построено в направлении сверху вниз, оно затем упрощается («обрезается» на жаргоне деревьев классификации) в направлении снизу вверх в соответствии с правилом минимизации ошибки. Одна из проблем деревьев классификации заключается в том, что, хотя соответствие обучающему набору может быть очень хорошим, предсказание новых случаев сильно зависит от конкретного используемого обучающего набора.

Результаты значительно улучшаются благодаря алгоритму случайных лесов, который вносит две модификации:   вместо одного дерева строится  набор из n деревьев (без обрезки), и используется только подмножество из m  дескрипторов.

Обучающий набор данных перевыбирается с заменой в  n  бутстрапированных наборах, и для каждого набора создается дерево классификации, но на каждом уровне рассматривается только случайная выборка из  m  дескрипторов. Затем каждое дерево применяется к тестовым данным, что дает столько же предсказаний, сколько бутстрапированных обучающих наборов, и конечным результатом является набор наиболее часто выбираемых («голосуемых») классов.

Значение  m  =  sqrt (p) является распространенной рекомендацией, и количество деревьев (n) должно быть достаточно большим, чтобы гарантировать рассмотрение всех дескрипторов. В нашем случае мы использовали 500 деревьев с лабораторным набором данных FX10FX17, в то время как поиск в диапазоне от 300 до 1000 выбрал 350 как оптимальное количество деревьев для изображения панели FX17.

3.3.4. Валидация

Валидация проводилась путем анализа матриц ошибок, построенных с помощью перекрестной проверки: метод «оставь один вне выборки» в случае LDA и 10-кратная перекрестная проверка в случае SVM и RF.

Мы рассчитали стандартные метрики из матриц ошибок с помощью пакета R  caret : общая точность (OA), точность пользователя (UA), точность производителя (PA) и F1 (которая является гармоническим средним точности пользователя и производителя [71, 72, 73]). В частности, рассматривая пиксели в оцифрованных полигонах,

OA = (Общее количество правильно классифицированных пикселей) / (Общее количество пикселей​)   
PA(𝑖) = (Количество правильно классифицированных пикселей в классе 𝑖) ./ (Количество пикселей , классифицированных как принадлежащие к классу 𝑖)      
UA(𝑖) = (Количество правильно классифицированных пикселей в классе 𝑖) /  (Фактическое количество пикселей в классе 𝑖 ( « истинное значение » )​​)        
F1( 𝑖 ) = 2 × UA ( 𝑖 ) × PA ( 𝑖 ) UA ( 𝑖 ) + PA ( 𝑖 )

4. Результаты

4.1. Лабораторная спектрометрия изображений

Спектры отражения полигонов отдельных минералов касситерита, малахита и мусковита, измеренные в данной работе, были аналогичны спектрам, найденным в эталонных спектральных библиотеках (рис. 4).

Спектры кварцевых мишеней были весьма изменчивыми (как и в случае спектральных библиотек), поскольку они сильно зависели от наличия других минералов или флюидных включений, а также от влияния примесей и кристаллического беспорядка на оптические свойства кварца.

В случае халькопирита набор спектров был значительно ярче, чем у остальных изученных минералов, а также чем у спектральных библиотек. Это, вероятно, было связано с зеркальным отражением от хорошо развитых кристаллов. Эталонных спектров вольфрамита в спектральных библиотеках обнаружено не было.

В некоторых случаях спектры выявляли ошибки в визуальной идентификации минералов в образцах. Эти спектры были отброшены после повторного исследования образцов, подтвердившего ошибочную первоначальную маркировку.

Рисунок 4.  Спектры, полученные из гиперспектральных изображений, полученных путем сканирования образцов камерами Specim FX10 и FX17 в лаборатории (синий). Эталонные спектры из спектральных библиотек USGS [57] и JPL [58, 59] представлены светло-серым цветом, если таковые имеются.

Спектральная разделимость (индекс Джеффриса-Матуситы) между объединенными спектрами обеих камер (450–1650 нм) была очень высокой (>1,99) для всех пар минералов. Соответственно, классификация LDA имела очень высокую точность (98%,  Таблица 2), максимум, достигнутый с помощью 15 компонентов.

Спектральные различия хорошо отображались в пространстве LDA (Рисунок 5), в котором спектральные образцы были хорошо упорядочены в соответствии с их минеральным составом. Следует отметить, что, хотя спектры вольфрамита и касситерита перекрывались в плоскости первых двух компонентов, они были четко разделены 4-м компонентом. Только два спектральных образца имели противоречивую маркировку между визуальным осмотром и классификацией LDA.


Рисунок 5.  Ординация лабораторных спектров на плоскостях, определяемых компонентами ЛД от 1 до 4. Цвета соответствуют классифицированным спектрам. Буквы указывают на фактический минерал в тех спектрах, для которых классификация была неверной.

Таблица 2. Значения точности классификации основным методом линейного дискриминантного анализа с использованием лабораторных спектров с различными спектральными диапазонами.

Camera Spectral
Range (nm)		 Overall
Accuracy		 Average
Producer’s
Accuracy		 Average
User’s
Accuracy
FX10_FX17 450–1650 0.982 0.982 0.978
FX10 450–950 0.954 0.939 0.964
FX17 950–1650 0.945 0.934 0.941
Canon 60D 0.745 0.662 0.828

Точность классификации была очень высокой при использовании данных с гиперспектральных камер, немного ниже при раздельном анализе спектров каждой камеры (таблица 3): 95% для FX10 (450–950 нм) и 94% для FX17 (950–1650 нм). Однако точность классификации была значительно ниже (0,745), если использовались только смоделированные значения RGB.

Путаница между минералами (таблица 3) немного увеличилась для халькопирита, касситерита и малахита, если рассматривались только спектры FX10, и для касситерита и мусковита, если рассматривались только спектры FX17. Путаница значительно увеличилась, если рассматривались только значения RGB, особенно для касситерита, который всегда путали с вольфрамитом, а также для халькопирита и вольфрамита. Интересно, что более современные методы классификации, такие как SVM и RF, показали аналогичные или даже несколько более низкие результаты, чем LDA (таблица 4).

Максимальная точность SVM была достигнута с использованием набора данных из девяти компонентов, при этом сигма оставалась постоянной и составляла 0,1099153, а C = 32. Максимальная точность RF была достигнута с использованием набора данных из 10 главных компонент, при этом на каждом узле случайным образом выбиралось подмножество из четырех (поиск проводился в диапазоне от 2 до 10).

Таблица 3.  Матрица ошибок классификации LDA с использованием лабораторных спектров. Каждое значение соответствует количеству спектров, наблюдавшихся как минерал, указанный в строке, и предсказанных, как указано в столбце. Спектральные диапазоны: FX10_FX17: комбинированные спектры (450–1650 нм); FX10 (450–950 нм); FX17 (950–1650 нм); RGB: Canon D60. Общая точность составила 98,2%, 95,4%, 94,5% и 72,7% в том же порядке. Аббревиатуры в столбцах соответствуют полным названиям в строках.

Predicted
Observed Instrument ChalB Chal Css Mal Mus Qtz Wlf Prod. Acc. Usr. Acc. F1
Bright
chalcopyrite		 FX10_FX17 15 0 0 0 0 0 0 1.00 1.00 1.00
FX10 15 0 0 0 0 0 0 1.00 1.00 1.00
FX17 15 0 0 0 0 0 0 1.00 1.00 1.00
RGB 13 0 0 0 0 2 0 0.87 1.00 0.93
Chalcopyrite FX10_FX17 0 15 0 0 0 0 0 1.00 0.94 0.97
FX10 0 15 0 0 0 0 0 1.00 0.75 0.86
FX17 0 13 2 0 0 0 0 0.87 0.87 0.87
RGB 0 3 0 0 0 0 12 0.20 0.43 0.27
Cassiterite FX10_FX17 0 0 10 0 0 0 0 1.00 0.91 0.95
FX10 0 2 8 0 0 0 0 0.80 1.00 0.89
FX17 0 1 9 0 0 0 0 0.90 0.75 0.82
RGB 0 0 0 0 0 0 10 0.00 0/0 0/0
Malachite FX10_FX17 0 1 0 9 0 0 0 0.90 1.00 0.95
FX10 0 2 0 8 0 0 0 0.80 1.00 0.89
FX17 0 0 0 10 0 0 0 1.00 1.00 1.00
RGB 0 4 0 6 0 0 0 0.60 1.00 0.75
Muscovite FX10_FX17 0 0 0 0 10 0 0 1.00 1.00 1.00
FX10 0 0 0 0 10 0 0 1.00 1.00 1.00
FX17 0 1 0 0 8 0 1 0.80 1.00 0.89
RGB 0 0 0 0 8 1 1 0.80 1.00 0.89
Quartz FX10_FX17 0 0 0 0 0 15 0 1.00 1.00 1.00
FX10 0 0 0 0 0 15 0 1.00 1.00 1.00
FX17 0 0 0 0 0 15 0 1.00 1.00 1.00
RGB 0 0 0 0 0 15 0 1.00 0.83 0.91
Wolframite FX10_FX17 0 0 1 0 0 0 34 0.97 1.00 0.99
FX10 0 1 0 0 0 0 34 0.97 1.00 0.99
FX17 0 0 1 0 0 0 34 0.97 0.97 0.97
RGB 0 0 0 0 0 0 35 1.00 0.60 0.75
Таблица 4.  Значения точности различных методов классификации, примененных к лабораторным спектрам с использованием объединенного набора данных FX10FX17 (450 нм–1650 нм). LDA, линейный дискриминантный анализ; SVM, машина сингулярных векторов; RF, случайный лес.
Classification
Method		 Overall
Accuracy		 Average
Producer’s
Accuracy		 Average
User’s
Accuracy
LDA 0.982 0.982 0.978
SVM 0.982 0.987 0.971
RF 0.964 0.958 0.952
4.2. Наземная панорамная гиперспектральная съемка имитированного забоя шахты

Поиск по сетке, выполненный с помощью EnMAP Box, достиг максимальной точности для SVM при сигме = 0,1 и C = 1000, а также при 350 деревьях и подмножестве из четырех случайно выбранных компонентов в каждом узле для RF. Каждый метод классификации, примененный к гиперспектральному изображению FX17 панели, позволил получить карту распределения поверхностных материалов на панели.

Точность классификации была ниже, чем в случае лабораторных спектров, но все еще высокой (таблица 5): 90,6–91,4%, если рассматривались все классы ( дополнительные материалы, таблица S2), и 81,3–84,9%, если включались только релевантные материалы (таблица 6; 1163 пикселя). Общая точность была наивысшей у классификатора RF.

Таблица 5.  Общие значения точности различных методов классификации, примененных к гиперспектральному изображению FX17 панели образцов рук. LDA, линейный дискриминантный анализ; SVM, машины сингулярных векторов; RF, случайный лес. См. идентификаторы «Все классы» в  Дополнительной таблице S2  и «Релевантные классы» в  Таблице 6 .

Classification
Method		 All Classes Relevant Classes
LDA 0.906 0.845
SVM 0.908 0.813
RF 0.914 0.849
Таблица 6.  Матрица ошибок определения основных минералов в классификации методом случайного леса гиперспектрального изображения FX17 (950–1650 нм) образцов, взятых вручную. Каждое значение соответствует количеству спектров, наблюдавшихся как минерал, указанный в строке, и предсказанных, как указано в столбце. Общая точность составила 84,9%.   Полная таблица приведена в Приложении, Таблица S1 .
Observed
Predicted Css Chal Mal Mus Wlf Smg Oxd Qtz User’s Accuracy Producer’s Accuracy F1
Cassiterite 54 0 0 0 14 2 0 4 0.701 0.519 0.597
Chalcopyrite 3 19 0 0 6 7 0 0 0.528 0.613 0.567
Malachite 0 0 30 0 0 0 0 0 1.000 1.000 1.000
Muscovite 0 0 0 19 0 10 0 0 0.655 0.594 0.623
Wolframite 39 3 0 0 311 0 0 0 0.854 0.912 0.882
Small grains 3 8 0 10 4 109 0 0 0.741 0.813 0.776
Oxide 0 0 0 0 0 0 33 0 0.868 0.805 0.835
Quartz 3 0 0 0 4 0 2 351 0.975 0.989 0.981

Матрицы ошибок (таблица 6  и  дополнительная таблица S2 ) показали, что, хотя для вольфрамита была достигнута высокая точность, касситерит слишком часто путали с ним (в случае классификации RF 37,5% всех пикселей, фактически отнесенных к касситериту, были помечены как вольфрамит), но гораздо реже — с любым другим материалом (10,6%).

Другими словами, хотя идентификация вольфрамита была надежной, пиксели, идентифицированные как касситерит, на самом деле могли быть либо касситеритом, либо вольфрамитом. Поскольку касситерит и вольфрамит являются основными рудами на этом руднике, объединение обоих минералов в категорию «руда» может дать 94,8% точности пользователя и 93,9% точности производителя, что может представлять оперативный интерес.

На рисунке 6  представлен объединенный результат: все три метода классификации совпадают на 53,8% исследуемой области, в то время как по крайней мере два метода совпадают на 87,5% исследуемой области. В пределах полигонов обучения/проверки результаты трех классификаторов совпадают на 90% области, и в этом случае согласованный класс всегда был правильным.

Рисунок 6.  Распределение материалов в панели образцов рук путем объединения результатов всех 3 методов классификации. Согласованный класс выбирался там, где результаты 2 или 3 методов классификации совпадали (33,7% и 53,8% от общей площади соответственно), в то время как для пикселей, где результаты не совпадали, сохранялся результат RF (12,5%).

5. Обсуждение

Первоначальная проблема в этом исследовании заключалась в том, что используемые гиперспектральные системы визуализации не охватывали спектральный диапазон 2000–2500 нм, который является диагностическим для многих геологических материалов (см., например, [4, 9]). Системы визуализации, охватывающие более широкий спектральный диапазон, использовались для получения панорамных изображений в карьерах [21, 22, 23, 24, 29, 74, 75, 76].

В качестве последнего примера можно привести работу Бартона и др. [75], которые картировали различные смеси карбонатов, богатой слюдой мусковитовой слюды, каолинита и гипса в высоких откосах и обнажениях , используя систему с 640 полосами, которая объединяет два датчика для охвата диапазона от 400 до 2500 нм.

Тиле и др. [ 76 ] использовали эквивалентную (хотя и гораздо более тяжелую) систему для картирования открытого забоя шахты с точки зрения окисленных материалов, массивных сульфидов, хлорита, богатого магнием и железом, двух серицитовых единиц и сланцев. Тем не менее, результаты наших лабораторных исследований очень четко показали высокую разрешающую способность спектральных диапазонов и качество сигнала гораздо более доступных систем FX10 и FX17 для конкретных минералов, представляющих интерес в данном случае исследования.

Несомненно, в будущем может возникнуть путаница с другими, не рассмотренными материалами, но те, которые мы включили, являются наиболее распространенными в шахте Сан-Финкс. В этих условиях необходимо учитывать логистические критерии, такие как цена, компактность и надежность по сравнению с расширенным спектральным охватом, при развертывании в сложных условиях, таких как штольня. Хотя полная система, охватывающая широкий спектральный диапазон, лучше всего подходит для научных исследований, практические приложения требуют самой простой системы с минимальным набором характеристик для успешного применения в данной области. На самом деле, и согласно нашим результатам, большее беспокойство вызывает тот факт, что диапазон 450–950 нм был проигнорирован в полевой системе, которую мы тестировали для развертывания в реальной галерее.

Для объяснения снижения точности результатов, полученных в лаборатории и в условиях имитации галереи, можно назвать три фактора: более узкий спектральный диапазон (от 450 до 1650 нм в лаборатории до 950–1650 нм в условиях имитации галереи), худшее освещение (специализированная система освещения на лабораторном стенде против стандартной системы освещения для фотосъемки в условиях имитации галереи) и более крупный размер пикселя (0,224 мм против 2,6 мм) из-за увеличения расстояния между камерой и объектом.

Более узкий спектральный диапазон был следствием логистических требований к использованию одной единственной гиперспектральной системы визуализации в галерее. Хотя сканирование с помощью компактной системы, охватывающей диапазон 450–1650 нм (или более), было бы лучше, результаты нашего лабораторного исследования показали, что в данном исследовании это не являлось существенным фактором.

Освещение в реальной галерее может быть более сложным, чем в имитированных условиях, но наш опыт в этом исследовании показал, что ни одна часть изображения не была критически недоосвещена, и что наши методы корректировки умеренной неравномерности освещения оказались успешными. Более крупные пиксели, по-видимому, в большей степени ответственны за наблюдаемое снижение точности. Крупные и однородные мишени, такие как стандартные эталонные образцы, имеют множество неверных меток, что выявляет эффект смешанных пикселей.

Хотя это и не так заметно, этот эффект, безусловно, присутствовал и в других мишенях и должен быть более распространенным в мишенях меньшего размера, как в случае с касситеритом. Фрагментация, вероятно, уменьшает средний размер рудных минералов в образцах, взятых вручную, по сравнению с реальными стенками шахты, и, таким образом, влияние крупности пикселей на образование ложных смесей могло быть переоценено в этом исследовании. Тем не менее, тот факт, что минимальный размер рудных участков, пригодных для извлечения, может составлять всего 1 см² указывает на целесообразность использования гиперспектральной системы с более высоким пространственным разрешением для будущих исследований в реальной шахтной выработке.

Пространственное разрешение также можно улучшить путем совмещения гиперспектральных изображений с обычной цифровой фотографией («RGB») и последующего слияния изображений. В данном исследовании в качестве вспомогательного средства для интерпретации фотографий использовалось грубое совмещение с использованием только 2D-координат, но для правильного совмещения требуются 3D-координаты и, следовательно, создание цифровой модели поверхности [30, 31, 76], что является сложной задачей, которую стоит рассмотреть в предстоящем исследовании реального забоя шахты.

Совмещенные RGB-изображения высокого разрешения также оказались полезными для добавления текстурной информации к процессу классификации, который обычно включает предварительный этап сегментации. Текстура является важным свойством для визуальной идентификации геологических материалов. Добавление текстуры к спектральной информации представляет собой возможность добавить характеристики изображения к пиксельным спектрам; таким образом, можно лучше использовать системы визуализации для идентификации геологических материалов. Вычисление текстурных метрик в гиперспектральных изображениях является сложной задачей, но в настоящее время разрабатываются специальные методы [77, 78, 79].

6. Выводы

Наши результаты продемонстрировали осуществимость и целесообразность картирования материалов штольневых шахт в олово-вольфрамовых месторождениях путем анализа гиперспектральных изображений в диапазоне 950–1650 нм с помощью методов машинного обучения. В лабораторном исследовании спектральная разделимость и общая точность были очень высокими (95,4% с системой 450–950 нм; 94,5% с системой 950–1650 нм; 98,2% с комбинированной системой 450–1650 нм). Результаты трех методов классификации с использованием данных 450–1650 нм были очень точными: 98,2% для LDA и SVM и 96,4% для RF. В свою очередь, классификация с использованием смоделированного набора данных RGB привела к высокой степени путаницы между объектами.

Наше исследование смоделированного забоя привело к созданию карты классификации с более низкой точностью, чем в лабораторных условиях, но все же высокой: метод RF показал самую высокую общую точность (84,9%), которая увеличилась до 87,5% на карте, объединяющей все три метода классификации. Касситерит слишком часто путали с вольфрамитом (точность пользователя: 70%), но объединенная категория руды («вольфрамит или касситерит») достигла 94,9% точности пользователя.

Эти результаты стимулируют дальнейшие исследования с использованием наземных гиперспектральных систем в реальной штольне для картирования забоя. Последовательность таких карт через заданные интервалы времени по мере продвижения работ улучшит оценку рудного тела и задокументирует структуру месторождения в виде томографии, открывая путь к детальным исследованиям пространственного распределения рудной минерализации и оценке геологических моделей месторождения.

Дополнительные материалы

Таблица S1: Описание типов целей в панели образцов рук

Таблица S2: Показатели точности всех материалов панели: классификация LDA, SVM и RF.

Литература

  1. Goetz, A.F.H.; Vane, G.; Solomon, J.E.; Rock, B.N. Imaging Spectrometry for Earth Remote Sensing. Science 1985, 228, 1147–1153.
  2. Amigo Rubio, J.M. Hyperspectral Imaging; Data Handling in Science and Technology; Elsevier: Amsterdam, The Netherlands, 2020; ISBN 978-0-444-63977-6.
  3. Milton, E.J. Principles of field spectroscopy. Int. Remote Sens. 1987, 8, 1807–1827.
  4. Clark, R.N. Spectroscopy of Rocks and Minerals, and Principles of Spectroscopy. In Remote Sensing for the Earth Sciences: Manual of Remote Sensing; Rencz, A.N., Ed.; John Wiley & Sons: New York, NY, USA, 1999; Volume 3, pp. 3–52.
  5. Hunt, G.R.; Salisbury, J.W. Visible and Near-Infrared Spectra of Minerals and Rocks: I Silicate Minerals. Mod. Geol. 1970, 1, 283–300.
  6. Hunt, G.R. Spectral signatures of particulate minerals in the visible and near infrared. Geophysics 1977, 42, 501–513.
  7. Clark, R.N.; King, T.V.; Klejwa, M.; Swayze, G.A.; Vergo, N. High spectral resolution reflectance spectroscopy of minerals. J. Geophys. Res. Solid Earth 1990, 95, 12653–12680.
  8. van der Meer, F.D.; van der Werff, H.M.A.; van Ruitenbeek, F.J.A.; Hecker, C.A.; Bakker, W.H.; Noomen, M.F.; van der Meijde, M.; Carranza, E.J.M.; de Smeth, J.B.; Woldai, T. Multi- and hyperspectral geologic remote sensing: A review. Int. J. Appl. Earth Obs. Geoinf. 2012, 14, 112–128.
  9. Peyghambari, S.; Zhang, Y. Hyperspectral Remote Sensing in Lithological Mapping, Mineral Exploration, and Environmental Geology: An Updated Review. JARS 2021, 15, 031501.
  10. Bedell, R.; Crósta, A.P.; Grunski, E. Remote Sensing and Spectral Geology; Society of Economic Geologists: Westminster, CO, USA, 2009; ISBN 978-1-934969-13-7.
  11. Pour, A.B.; Zoheir, B.; Pradhan, B.; Hashim, M. Editorial for the Special Issue: Multispectral and Hyperspectral Remote Sensing Data for Mineral Exploration and Environmental Monitoring of Mined Areas. Remote Sens. 2021, 13, 519.
  12. Gupta, R.P. Imaging Spectroscopy. In Remote Sensing Geology; Springer: Berlin/Heidelberg, Germany, 2018; pp. 203–219. ISBN 978-3-662-55874-4.
  13. Riaza, A.; Buzzi, J.; García-Meléndez, E.; Vázquez, I.; Bellido, E.; Carrère, V.; Müller, A. Pyrite mine waste and water mapping using Hymap and Hyperion hyperspectral data. Environ. Earth Sci. 2012, 66, 1957–1971.
  14. Buzzi, J.; Riaza, A.; García-Meléndez, E.; Weide, S.; Bachmann, M. Mapping Changes in a Recovering Mine Site with Hyperspectral Airborne HyMap Imagery (Sotiel, SW Spain). Minerals 2014, 4, 313.
  15. Song, W.; Song, W.; Gu, H.; Li, F. Progress in the Remote Sensing Monitoring of the Ecological Environment in Mining Areas. Int. J. Environ. Res. Public Health 2020, 17, 1846.
  16. Bolin, B.J.; Moon, T.S. Sulfide detection in drill core from the Stillwater Complex using visible/near-infrared imaging spectroscopy. Geophysics 2003, 68, 1561–1568.
  17. Kruse, F.A.; Bedell, R.L.; Taranik, J.V.; Peppin, W.A.; Weatherbee, O.; Calvin, W.M. Mapping alteration minerals at prospect, outcrop and drill core scales using imaging spectrometry. Int. J. Remote Sens. 2012, 33, 1780–1798.
  18. Mathieu, M.; Roy, R.; Launeau, P.; Cathelineau, M.; Quirt, D. Alteration mapping on drill cores using a HySpex SWIR-320m hyperspectral camera: Application to the exploration of an unconformity-related uranium deposit (Saskatchewan, Canada). J. Geochem. Explor. 2017, 172, 71–88.
  19. Coulter, D.W.; Zhou, X.; Harris, P.D. Advances in Spectral Geology and Remote Sensing: 2008–2017. In Proceedings of the Exploration 17: Sixth Decennial International Conference on Mineral Exploration; Tschirhart, V., Thomas, M.D., Eds.; Decennial Mineral Exploration Conferences: Toronto, ON, Canada, 2017; pp. 23–50.
  20. Murphy, R.J.; Monteiro, S.T.; Schneider, S. Evaluating Classification Techniques for Mapping Vertical Geology Using Field-Based Hyperspectral Sensors. IEEE Trans. Geosci. Remote Sens. 2012, 50, 3066–3080.
  21. Ramanaidou, E.R.; Wells, M.A. Hyperspectral Imaging of Iron Ores. In Proceedings of the 10th International Congress for Applied Mineralogy (ICAM); Broekmans, M.A.T.M., Ed.; Springer: Berlin/Heidelberg, Germany, 2012; pp. 575–580. ISBN 978-3-642-27681-1.
  22. Okyay, Ü.; Khan, S.; Lakshmikantha, M.; Sarmiento, S. Ground-Based Hyperspectral Image Analysis of the Lower Mississippian (Osagean) Reeds Spring Formation Rocks in Southwestern Missouri. Remote Sens. 2016, 8, 1018.
  23. Okyay, U.; Khan, S.D. Spatial Co-Registration and Spectral Concatenation of Panoramic Ground-Based Hyperspectral Images. Photogramm. Eng. Remote Sens. 2018, 84, 781–790.
  24. Krupnik, D.; Khan, S. Close-range, ground-based hyperspectral imaging for mining applications at various scales: Review and case studies. Earth-Sci. Rev. 2019, 198, 102952.
  25. Pirard, E. Multispectral imaging of ore minerals in optical microscopy. Mineral. Mag. 2004, 68, 323–333.
  26. Pirard, E.; Bernhardt, H.-J.; Catalina, J.-C.; Brea, C.; Segundo, F.; Castroviejo, R. From Spectrophotometry to Multispectral Imaging of Ore Minerals in Visible and Near Infrared (VNIR) Microscopy. In Proceedings of the 9th International Congress for Applied Mineralogy (ICAM 2008), Brisbane, Australia, 8–10 September 2008; ISBN 978-1-920806-86-6.
  27. Berrezueta, E.; Ordóñez-Casado, B.; Bonilla, W.; Banda, R.; Castroviejo, R.; Carrión, P.; Puglla, S. Ore Petrography Using Optical Image Analysis: Application to Zaruma-Portovelo Deposit (Ecuador). Geosciences 2016, 6, 30.
  28. López-Benito, A.; Catalina, J.C.; Alarcón, D.; Grunwald, Ú.; Romero, P.; Castroviejo, R. Automated ore microscopy based on multispectral measurements of specular reflectance. A comparative study of some supervised classification techniques. Miner. Eng. 2020, 146, 106136.
  29. Murphy, R.J.; Taylor, Z.; Schneider, S.; Nieto, J. Mapping clay minerals in an open-pit mine using hyperspectral and LiDAR data. Eur. J. Remote Sens. 2015, 48, 511–526.
  30. Jakob, S.; Zimmermann, R.; Gloaguen, R. The Need for Accurate Geometric and Radiometric Corrections of Drone-Borne Hyperspectral Data for Mineral Exploration: MEPHySTo—A Toolbox for Pre-Processing Drone-Borne Hyperspectral Data. Remote Sens. 2017, 9, 88.
  31. Lorenz, S.; Salehi, S.; Kirsch, M.; Zimmermann, R.; Unger, G.; Vest Sørensen, E.; Gloaguen, R. Radiometric Correction and 3D Integration of Long-Range Ground-Based Hyperspectral Imagery for Mineral Exploration of Vertical Outcrops. Remote Sens. 2018, 10, 176.
  32. Kruse, F.A.; Lefkoff, A.B.; Boardman, J.; Heidebrecht, K.; Shapiro, A.; Barloon, P.J.; Goetz, A. The spectral image processing system (SIPS) interactive visualization and analysis of imaging spectrometer data. Remote Sens. Environ. 1993, 44, 145–163.
  33. Varshney, P.K.; Arora, M. Advanced Image Processing Techniques for Remotely Sensed Hyperspectral Data; Springer: Berlin/Heidelberg, Germany, 2004; ISBN 978-3-642-06001-4.
  34. van der Linden, S.; Rabe, A.; Held, M.; Jakimow, B.; Leitão, P.; Okujeni, A.; Schwieder, M.; Suess, S.; Hostert, P. The EnMAP-Box—A Toolbox and Application Programming Interface for EnMAP Data Processing. Remote Sens. 2015, 7, 1249.
  35. Kokaly, R.; Graham, G.E.; Hoefen, T.M.; Kelley, K.D.; Johnson, M.R.; Hubbard, B.E.; Buchhorn, M.; Prakash, A. Multiscale hyperspectral imaging of the Orange Hill Porphyry Copper Deposit, Alaska, USA, with laboratory-, field-, and aircraft-based imaging spectrometers. In Proceedings of Exploration 17: Sixth Decennial International Conference on Mineral Exploration; Tschirhart, V., Thomas, M.D., Eds.; Decennial Mineral Exploration Conferences: Toronto, ON, Canada, 2017; pp. 923–943.
  36. Camps-Valls, G. Machine learning in remote sensing data processing. In Proceedings of the 2009 IEEE International Workshop on Machine Learning for Signal Processing, Grenoble, France, 1–4 September 2009; pp. 1–6.
  37. Plaza, A.; Benediktsson, J.A.; Boardman, J.W.; Brazile, J.; Bruzzone, L.; Camps-Valls, G.; Chanussot, J.; Fauvel, M.; Gamba, P.; Gualtieri, A.; et al. Recent advances in techniques for hyperspectral image processing. Remote Sens. Environ. 2009, 113, S110–S122.
  38. Cracknell, M.J.; Reading, A.M. Geological mapping using remote sensing data: A comparison of five machine learning algorithms, their response to variations in the spatial distribution of training data and the use of explicit spatial information. Comput. Geosci. 2014, 63, 22–33.
  39. Krupnik, D.; Khan, S.D. High-Resolution Hyperspectral Mineral Mapping: Case Studies in the Edwards Limestone, Texas, USA and Sulfide-Rich Quartz Veins from the Ladakh Batholith, Northern Pakistan. Minerals 2020, 10, 967.
  40. Simancas, J.F. Variscan Cycle. In The Geology of Iberia: A Geodynamic Approach: Volume 2: The Variscan Cycle; Quesada, C., Oliveira, J.T., Eds.; Regional Geology Reviews; Springer: Cham, Switzerland, 2019; pp. 1–25. ISBN 978-3-030-10519-8.
  41. Ruiz Mora, J.E. Mineralizaciones estannovolframíferas en Noia y Lousame: Estudio previo. Cadernos Lab. Xeol. Laxe Revista Xeol. Galega Hercinico Penins. 1982, 3, 595–622.
  42. Mangas Viñuela, J.; Arribas Moreno, A. Estudio de las inclusiones fluidas atrapadas en cristales de casiterita y cuarzo del yacimiento de San Finx (La Coruña, España). Bol. Sociedad Esp. Mineral. 1989, 12, 241–259.
  43. Rodríguez-Terente, L.-M.; Fernández-González, M.-Á.; Losada-García, I. Estudio cristalográfico de la Bertrandita de las minas de San Finx (A Coruña, España). Macla 2014, 19, 1–2.
  44. Llana-Funez, S. La Estructura de la Unidad de Malpica-Tui (Cordillera Varisca en Iberia); Universidad de Oviedo: Oviedo, Spain, 2001; ISBN 84-7840-431-7.
  45. R Core Team. R: A Language and Environment for Statistical Computing; R Foundation for Statistical Computing: Vienna, Austria, 2018.
  46. Hijmans, R.J. Raster: Geographic Data Analysis and Modeling. 2018. Available online: ссылка (accessed on 19 April 2021).
  47. Bivand, R.; Keitt, T.; Rowlingson, B. Rgdal: Bindings for the “Geospatial” Data Abstraction Library. 2019. Available online: ссылка (accessed on 19 April 2021).
  48. Leutner, B.; Horning, N.; Schwalb-Willmann, J. RStoolbox: Tools for Remote Sensing Data Analysis. 2019. Available online: ссылка  (accessed on 19 April 2021).
  49. O’Brien, J. GdalUtilities: R Wrappers for the GDAL Utilities Executables Shipped with Sf. 2018. Available online: ссылка (accessed on 19 April 2021).
  50. Reudenbach, C. Link2GI: Linking Geographic Information Systems, Remote Sensing and Other Command Line Tools. 2019. Available online:  ссылка (accessed on 19 April 2021).
  51. GDAL/OGR contributors. GDAL/OGR Geospatial Data Abstraction Software Library; Open Source Geospatial Foundation: Chicago, IL, USA, 2019.
  52. Grizonnet, M.; Michel, J.; Poughon, V.; Inglada, J.; Savinaud, M.; Cresson, R. Orfeo ToolBox: Open source processing of remote sensing images. Open Geospat. Data Softw. Stand. 2017, 2, 15.
  53. McInerney, D.; Kempeneers, P. Pktools. In Open Source Geospatial Tools: Applications in Earth Observation; Earth Systems Data and Models; McInerney, D., Kempeneers, P., Eds.; Springer: Cham, Switzerland, 2015; pp. 173–197. ISBN 978-3-319-01824-9.
  54. Lowe, D.G. Object recognition from local scale-invariant features. In Proceedings of the Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, 20–27 September 1999; Volume 2, pp. 1150–1157.
  55. EnMAP Core Science Team. EnMAP-Box 3-A QGIS Plugin to Process and Visualize Hyperspectral Remote Sensing Data. 2019. Available online: ссылка  (accessed on 19 April 2021).
  56. QGIS.org. QGIS Geographic Information System. QGIS Association, 2021. Available online: ссылка  (accessed on 19 April 2021).
  57. Kokaly, R.F.; Clark, R.N.; Swayze, G.A.; Livo, K.E.; Hoefen, T.M.; Pearson, N.C.; Wise, R.A.; Benzel, W.M.; Lowers, H.A.; Driscoll, R.L.; et al. USGS Spectral Library Version 7; Data Series; U.S. Geological Survey: Reston, VA, USA, 2017; p. 68.
  58. Baldridge, A.M.; Hook, S.J.; Grove, C.I.; Rivera, G. The ASTER spectral library version 2.0. Remote Sens. Environ. 2009, 113, 711–715.
  59. Meerdink, S.K.; Hook, S.J.; Roberts, D.A.; Abbott, E.A. The ECOSTRESS spectral library version 1.0. Remote Sens. Environ. 2019, 230, 111196.
  60. Richards, J.A.; Jia, X. Remote Sensing Digital Image Analysis: An Introduction, 4th ed.; Springer: Berlin/Heidelberg, Germany, 2005; ISBN 3-540-25128-6.
  61. Jiang, J.; Liu, D.; Gu, J.; Susstrunk, S. What is the space of spectral sensitivity functions for digital color cameras? In Proceedings of the 2013 IEEE Workshop on Applications of Computer Vision (WACV), Washington, DC, USA, 15–17 January 2013; IEEE: Clearwater Beach, FL, USA, 2013; pp. 168–179.
  62. Venables, W.N.; Ripley, B.D. Modern Applied Statistics with S, 4th ed.; Springer: New York, NY, USA, 2002.
  63. Meyer, D.; Dimitriadou, E.; Hornik, K.; Weingessel, A.; Leisch, F. e1071: Misc Functions of the Department of Statistics, Probability Theory Group (Formerly: E1071); TU Wien: Vienna, Austria, 2020.
  64. Liaw, A.; Wiener, M. Classification and Regression by randomForest. R News 2002, 2, 18–22.
  65. Kuhn, M. Building Predictive Models in R Using the caret Package. J. Stat. Softw. 2008, 28, 149119.
  66. Castle, M.; Keller, J. Rolling Ball Background Subtraction. Available online: ссылка (accessed on 19 April 2021).
  67. Schindelin, J.; Arganda-Carreras, I.; Frise, E.; Kaynig, V.; Longair, M.; Pietzsch, T.; Preibisch, S.; Rueden, C.; Saalfeld, S.; Schmid, B.; et al. Fiji: An open-source platform for biological-image analysis. Nat. Meth. 2012, 9, 676–682.
  68. James, G.; Witten, D.; Hastie, T.; Tibshirani, R. An Introduction to Statistical Learning with Applications in R Springer Texts in Statistics, 1st ed.; Springer: New York, NY, USA, 2013; ISBN 978-1-4614-7138-7.
  69. Pedregosa, F.; Varoquaux, G.; Gramfort, A.; Michel, V.; Thirion, B.; Grisel, O.; Blondel, M.; Prettenhofer, P.; Weiss, R.; Dubourg, V.; et al. Scikit-learn: Machine Learning in Python. J. Mach. Learn. Res. 2011, 12, 2825–2830.
  70. Kuhn, M.; Johnson, K. Applied Predictive Modeling; Springer: New York, NY, USA, 2013; ISBN 978-1-4614-6848-6.
  71. Congalton, R.G. A review of assessing the accuracy of classifications of remotely sensed data. Remote Sens. Environ. 1991, 37, 35–46.
  72. Maxwell, A.E.; Warner, T.A. Thematic Classification Accuracy Assessment with Inherently Uncertain Boundaries: An Argument for Center-Weighted Accuracy Assessment Metrics. Remote Sens. 2020, 12, 1905.
  73. Goutte, C.; Gaussier, E. A Probabilistic Interpretation of Precision, Recall and F-Score, with Implication for Evaluation. In Advances in Information Retrieval; Lecture Notes in Computer Science; Losada, D.E., Fernández-Luna, J.M., Eds.; Springer: Berlin/Heidelberg, Germany, 2005; Volume 3408, pp. 345–359. ISBN 978-3-540-25295-5.
  74. Fraser, S.; Whitbourn, L.B.; Yang, K.; Ramanaidou, E.; Connor, P.; Poropat, G.; Soole, P.; Mason, P.; Coward, D.; Philips, R. Mineralogical Face-Mapping Using Hyperspectral Scanning for Mine Mapping and Control. In Proceedings of the Australasian Institute of Mining and Metallurgy Publication Series; Australasian Institute of Mining and Metallurgy: Darwin, Australia, 2006; Volume AusIMM, pp. 227–232.
  75. Barton, I.F.; Gabriel, M.J.; Lyons-Baral, J.; Barton, M.D.; Duplessis, L.; Roberts, C. Extending geometallurgy to the mine scale with hyperspectral imaging: A pilot study using drone- and ground-based scanning. Min. Metall. Explor. 2021, 38, 799–818.
  76. Thiele, S.T.; Lorenz, S.; Kirsch, M.; Cecilia Contreras Acosta, I.; Tusa, L.; Herrmann, E.; Möckel, R.; Gloaguen, R. Multi-scale, multi-sensor data integration for automated 3-D geological mapping. Ore Geol. Rev. 2021, 136, 104252.
  77. Li, P.; Xiao, X. Multispectral image segmentation by a multichannel watershed-based approach. Int. J. Remote Sens. 2007, 28, 4429–4452.
  78. Gao, F.; Wang, Q.; Dong, J.; Xu, Q. Spectral and Spatial Classification of Hyperspectral Images Based on Random Multi-Graphs. Remote Sens. 2018, 10, 1271.
  79. Camps-Valls, G.; Shervashidze, N.; Borgwardt, K. Spatio-Spectral Remote Sensing Image Classification With Graph Kernels. IEEE Geosci. Remote Sens. Lett. 2010, 7, 741–745.

Авторы: Agustin Lobo1, Emma Garcia, Gisela Barroso, David Martí, Jose-Luis Fernandez-Turiel and Jordi Ibáñez-Insa

ЗАКАЗАТЬ СИСТЕМУ
Exit mobile version