面向人工智能識別的巖漿巖斷面形態特征研究

張詩檬　韓征　劉釗　付博　王文文

關鍵詞：巖漿巖外部特征;巖漿巖斷面特征分類體系;巖漿巖基礎特征庫

巖石識別是地質調查中的基礎性工作。在野外地質調查過程中，地質工作者根據巖石的顏色、結構構造、礦物成分等辨識巖石的巖性。隨著地質大數據時代的來臨，采用人工智能技術識別巖石已成為可能。通過圖像識別、人工神經網絡、深度學習等技術，訓練人類已經識別和鑒定的巖石圖像，并通過深度學習的方式來模擬人類識別巖石的過程和規律，實現手機拍照即識別的快捷功能，為野外巖石礦物的識別提供簡單易行的智能工具。

近年來，國內外巖石識別技術正在興起。常見的巖石識別技術包括：1）高光譜技術能夠將圖像和光譜結合起來，分辨率可以達到納米級，并且可以上百個波段同時成像，通過比對巖石礦物的波普特征就可以對巖石進行識別（王青華等，2000）。2）CT掃描可以將斷層單獨成像，能夠將物體內部的結構構成關系、物質成分組成及損傷缺陷情況表現出來，CT掃描可以在很短的時間內對物體進行檢測，并且不對物體構成損害，該技術在巖土工程領域得到了廣泛的應用（劉慧，2013）。3）智能學習分析法的優點是便捷，可以減少對專業設備的使用，目前已經發展出多個深度學習的框架。例如，通過分析卷積神經網絡和深度信念網絡不同色彩空間下的分類性能并與其他分類方法進行比較，得出卷積神經網絡和深度信念網絡在巖石孔隙圖像識別問題中具有更高的識別準確率（郭文慧，2018）。白林等（2018）收集了15種常見巖石的圖像數據，基于卷積神經網絡構建巖石識別深度學習模型，達到63%的識別準確率。張野等（2018）建立了巖石圖像集分析的深度學習遷移模型，該模型實現了巖石巖性的自動識別與分類，取得了良好的效果。國外學者基于1000多張碳酸鹽巖薄片，然后把灰度數字圖像作為輸入數據，以此來建立多層感知層神經網絡模型，基于紋理數據進行網絡訓練，最終能達到93.3%的分類準確性（Marmo et al.，2005;Ling et al.，2015）。有學者使用提取特征參數的方法，選取玄武巖薄片圖像，提煉了27個特征參數，對300個巖石薄片進行識別，能夠達到92.22%自動識別精度（Singhet a1.，2010;Ahmed et al.，2016）。使用無監督的特征學習方法，來自主學習巖石圖像的表征也是最近比較常見的傳統巖石識別方法（Shu et al.，2017;Liu et al.，2016;Cheah et al.，2016）。深度神經網絡方法是最近比較熱門的巖石識別方法，目前，卷積神經網絡的發展已經出現了LeNet、VGG、INceptioN、ReSNET等典型卷積神經網絡模型（ Schmidhuber，2015;Backes et al.，2009）。INceptioN模型在圖像識別領域曾經取得較好的成績，因此，巖石圖像識別實驗采用INceptioN-V3模型（Wang et al.， 2016; Hamdi et al.， 2013; Hong et al.，2017）。以上巖石識別研究以實驗室標準的巖石薄片數據作為研究對象，主要研究各類較為復雜的特征參數提取方法，還未涉及野外手機直接識別巖石的技術。近兩年，在大數據應用背景下，利用人工智能深度學習技術的拍照識別植物的軟件工具應運而生（王麗君等，2015），為公眾提供了植物信息，實現了全民科普服務。目前，尚未開展針對野外手機直接識別巖石技術的研究，手機巖石識別軟件也尚未開發。本次研究旨在為面向人工智能的巖石識別工具提供基礎性研究，以巖漿巖基礎特征庫的建立為重點，對巖漿巖標本斷面的外部形態特征進行總結，篩選出具有人工智能識別意義的外部形態特性，并對其進行量化和分類，從而形成巖漿巖分類體系，最終建立巖漿巖的基礎特征庫，為下一步入工智能手機軟件識別巖石的研發進行前期探索。

1材料與方法

1.1材料

本次研究共收集了約203塊巖漿巖的標本（圖1）。其中，通過文獻與報告整理出56塊巖漿巖的元數據信息，包括了每種巖石基本外部特征;而另外147塊巖漿巖則通過野外實地考察采集，每塊巖石的元數據信息包含了野外鑒定的外部特征、鏡下鑒定的礦物成分及巖石新鮮斷面照片，共分為15種類巖漿巖，每種巖漿巖包含4～10塊來自非同一來源的同種巖漿巖，非同一來源指的是不同地區。

1.2技術方法

首先，通過基于人工智能的特征識別算法研究，以能夠直接被手機攝像頭識別、計算機量化和獲取特征的標準，篩選出6個巖漿巖基本外部特征。通過對203塊巖漿巖標本外部特征的觀察，根據其外部基本特征將203塊巖漿巖按照已選取的6個特征進行一一量化，然后剔除異常量化數值和數量不足以支撐建立分類體系的巖漿巖標本，還剩147塊巖漿巖標本。將147塊巖漿巖標本照片分為兩部分，91塊巖漿巖用于分類體系的建設，剩下的56塊巖漿巖用于驗證分類體系和基礎特征庫的建設。最終，56塊巖漿巖中有53塊巖漿巖符合分類體系，并建立成巖漿巖基礎特征庫，驗證成功概率為94%（圖2）。

2巖漿巖斷面特征及優選

巖漿巖的種類很多，基本特征也有很多，比如巖石的顏色、結晶程度、礦物成分、礦物的相對含量、巖石的結構和構造、產狀等特征（舒良樹，2010）。為了后期利用人工智能技術研發識別巖石的手機軟件，根據可直接用于人工智能識別外部特征的標準，即能夠直接被手機攝像頭識別、計算機量化和獲取特征的標準，通過分析篩選出6個可用于人工智能識別的外部特征，即顏色、相對粒度、絕對力度粒度、構造、結晶程度和斷口特征（表1）。

巖石的顏色反映了礦物成分的含量，是巖石分類命名的直觀依據。通過顏色特征可以初步判斷巖石的酸度，從而可以判斷超基性巖、基性巖、中性巖和酸性巖，主要通過觀察巖漿巖的色率進行區分。據研究，超基性巖的色率>75;基性巖的色率35～75，顏色呈黑、灰黑及灰綠色;酸性巖的色率<20，顏色呈淡灰、灰白、淺紅、肉紅色;中性巖的色率為35～20，色調介于基性巖和酸性巖之間（舒良樹，2010）。巖漿巖的結晶程度和結構特征也在巖漿巖的辨別中起到重要意義，根據巖石中結晶物質和非結晶玻璃物質的比例可將巖漿巖分為全晶質結構、半晶質結構和玻璃質結構。所有的侵入巖都是巖漿在地下封閉或近封閉的溫度和壓力條件下，通過緩慢結晶、冷凝過程形成的，因此侵入巖都是由全晶質礦物組成的，這是區別噴出巖和侵入巖的重要標志。另外還可以通過礦物顆粒的絕對大小和相對大小對巖漿巖進行判別，礦物顆粒的絕對大小是指巖石中主要礦物顆粒的平均直徑，可以分為粗粒、中粒、細粒和微粒;礦物顆粒的相對大小是指巖石中所有礦物顆粒的相對大小，分為等粒結構、不等粒結構、斑狀結構和似斑狀結構。根據礦物顆粒的絕對大小，可將巖漿巖劃分為顯晶質結構和隱晶質結構。顯晶質結構用手機拍攝很容易識別，根據顆粒大小分為粗粒、中粒、細粒和微粒（<0.1 mm），但是微粒結構和隱晶質容易混淆。而根據礦物顆粒的相對大小，巖漿巖分為等粒結構和不等粒結構，不等粒結構又分為斑狀結構和似斑狀結構。通過顏色特征初步判定以后，再根據巖石結晶程度、礦物顆粒相對大小和礦物顆粒絕對大小等結構特征做進一步的判斷，例如花崗巖和花崗斑巖，前者為顯晶質、等?；蛩瓢郀罱Y構，后者為隱晶質、斑狀結構。除此之外，巖漿巖的構造特征也可以幫助判斷巖漿巖的形成條件和區分不同成因的巖漿巖類型，例如侵入巖中常見的構造類型有塊狀構造、帶狀結構、斑雜構造、球狀構造以及流線、流面構造等，而噴出巖中常見的構造類型有氣孔構造、杏仁構造、流紋構造和鋸齒構造等。斷口特征也作為輔助判斷的一個方面，因為不同的礦物受外力打擊后形成不同的形態，一般有貝殼狀斷口、鋸齒狀斷口、參差狀斷口、平坦狀斷口和土狀斷口等，例如花崗巖的主要礦物石英具有貝殼狀斷口。

3基于人工智能的特征識別算法

3.1機器識別特征的可行性

圖像識別技術是人工智能的重要組成部分，已經在眾多領域得到了應用（張嘉豐，2018），通過圖像識別技術，可以對巖石礦物標本圖像進行特征提取，通過當前比較成熟的識別方法可以分別從巖石的顏色、結晶、結構以及巖石構造等特點進行圖像特征提取，以此匹配對應的巖漿巖礦物（郭文惠，2018）。

3.2標本特征的識別算法

3.2.1標本圖像的預處理

圖像的預處理，主要是通過采用去除噪聲和顏色插補方法，減少各種噪聲源的影響，提高圖像的質量。并根據實際需求，將圖像轉化為各種中間圖像，例如使用顏色直方圖確定圖像顏色分布情況，使用灰度圖像、二值圖、灰度直方圖等識別圖像的輪廓和面積特征（劉之的，2010）。

3.2.2圖像的顏色識別

對于圖像的顏色特征，需要借助顏色空間來實現，顏色空間一般使用三維空間坐標系表示各個維度的屬性（王樹文等，2004）。顏色空間從主體上分為兩大類，一類是面向硬件設備的，例如RGB顏色空間，以Red（紅）、Green（綠）、Blue（藍）3種顏色為基本色，通過在不同水平下的疊加進而生成其他顏色，可以將3種基色建立于一個笛卡爾坐標系中;另一類是以視覺感知為對象的顏色空間，例如HSV顏色空間由3個相互獨立的顏色分量構成，以倒錐體形成空間坐標系，水平角度表示色調，水平半徑表示顏色飽和度，椎體高度則表示顏色的亮度（楊愛萍等，2019）。RGB顏色空間適用于顯示系統，而HSV顏色空間表達更直觀，更適用于圖像處理。

在圖像顏色的識別過程中，常用到一些顏色識別方法，例如：使用顏色直方圖，研究圖像像素色彩分布的情況;使用顏色矩同樣可以描述圖像中的顏色分布，相對顏色直方圖方法更簡單有效;顏色集是對顏色直方圖的一種補充，在圖像匹配中，方便比較不同顏色集間的距離和色彩區域;使用顏色聚合向量可以用于顏色直方圖和顏色矩無法表達圖像色彩的空間位置問題。

3.2.3標本結晶、結構特征的識別

巖石礦物標本圖像的結晶特征提取，需要對標本圖像進行輪廓特征的提取，計算巖石礦物標本的結晶面積。常用的方法有輪廓跟蹤法、光柵跟蹤法、全向跟蹤法等。輪廓跟蹤法需要對目標邊緣進行跟蹤處理，將圖像中每個區域內相同的像素值進行連接，實現輪廓的跟蹤;光柵跟蹤法是一種類似于電視光柵掃描技術，需要結合閾值監測實現邊緣跟蹤的方法;全向跟蹤法是可以實現任意方向不限鄰點定義和跟蹤準則的光柵跟蹤。

巖石礦物標本結晶面積的計算，使用到的方法有格林公式法、像素法以及邊界鏈碼法。格林公式法，即在平面空間閉合區域是由光滑曲線構成，通過曲線積分獲取閉合區域面積的方法;像素法是使用二值圖，獲取目標區域內所占像素總數目，以此計算面積;邊界鏈碼法是根據區域的邊界鏈碼，分別統計出目標區域內所包含的像素面積以及方格數的計算面積的方法，比較適用于有孔的區域。

通過輪廓的獲取和結晶面積的計算，便可得到結晶占比，從而對結晶特征進行量化。圖像識別面積的計算也可以得到礦物顆粒面積的大小，即斑晶大小和礦物顆粒的直徑，依據此特征也可對巖石結構特征進行分類和量化。

3.2.4標本構造特征的提取

巖石礦物標本的構造特征，指各類礦物組分在巖石中排列順序方式或填充的方式所反映出來的特征。依托機器圖像識別的方法有形態學邊緣提取和邊緣檢測法。形態學邊緣提取包含形態學算法和迭代法，形態學算法主要是基于腐蝕和膨脹的一種基本運算方法，膨脹運算將填充圖像中出現的噪聲，腐蝕運算用于消除細小邊緣，以達到平滑邊緣的效果;而迭代的方法則是不斷根據舊值推斷新值，最終得到最佳閾值的過程。邊緣檢測法常用的算法有Canny算子法、Sobel算子法，Canny算子采用高斯濾波器平滑圖像，根據高斯函數的一階偏導數計算梯度，檢測梯度幅值的局部最大值，然后利用低閾值T1得到弱邊緣E1，高閾值T2得到邊緣E2，最后E1中僅保留與E2有連通關系的連通分量作為輸出邊緣E;Sobel算子法則使用與灰度漸變和噪聲較多的圖像，使用兩個3*3的矩陣算子分別和原始圖片作卷積，分別得到橫向和縱向的梯度值，如果梯度值大于某一個閾值，則認為該點為邊緣點，以此進行圖像的邊緣檢測。使用邊緣檢測的方法可以獲取巖石礦物標本的構造特征，與特征庫進行匹配，識別巖石標本類型。

4巖漿巖斷面特征量化及篩選

所謂巖漿巖斷面特征量化，就是根據每種特征不同的量化規則，將抽象的巖漿巖外部特征，量化為具體的數值，形成每種特征的量化值區間，以下具體描述每種特征的量化規則。

4.1顏色特征

斷面顏色特征可以采用的色彩模式為RGB模式、CMYK模式和Lab模式、位圖模式、灰度模式、雙色調模式、索引顏色模式和多通道模式。為了實現超基性巖到酸性巖的色調從深到淺的變化趨勢以及巖石斷面明度和飽和度的變化，本次采用了HSV色彩模型進行顏色特征的量化，如紅色的量化值為（0-100-100），后續將采用本方法對巖石礦物標本進行特征的提取和量化，使之納入到（H-S-V）的區間中。

4.2斷面結晶程度特征

根據巖漿巖礦物標本結晶程度的特點，將巖漿巖的結晶概化為全晶質、半晶質和玻璃質。其中全晶質的特點是斷面全部由結晶礦物所組成，其視覺效果是在斷面中具有連片、交疊、連續的片狀晶體，其片狀晶體在斷面中面積比例較大;半晶質的特點是既有結晶礦物又有非晶質玻璃所組成，其視覺效果是在斷面上具有不連片、交疊、不連續的片狀晶體，其片狀晶體在斷面中面積比例一般;玻璃質的特點是全部由玻璃物質所組成，其視覺效果是在斷面上不具有片狀分布的晶體，僅僅具備基底的玻璃構造。因此，對于評價斷面形態所屬結晶特征，應按照結晶礦物和非結晶礦物在斷口上提取的面積比例進行劃分，表達為J。超過特定的劃分比例便鑒定為全晶質，表達為J1，位于特定的劃分比例之間可鑒定為半晶質，表達為J2，其余為J3玻璃質。

因此，巖石礦物標本斷面形態的結晶程度特征便量化為（J1-J2-J3），如全晶質的量化值為J1，后續將采用本方法對巖石礦物標本進行特征的提取和量化，使之納入到（J1-J2-J3）的區間中。

4.3絕對粒度特征

根據巖漿巖斷面形態的結構特征，本次將斷面的結構特征劃分為絕對粒度大小和相對粒度大小2個方面。其中絕對粒度大小就是礦物顆粒的絕對大小在視覺上的量度。按照主要的礦物類型可以具體劃分為偉晶≥10 mm，10 mm>粗?！? mm，5 mm>中?！? mm，1 mm>細?！?.1 mm，微粒及隱晶質<0.1 mm。但在實際的執行過程中，手機攝像頭對于<1 mm的微粒分辨性不強，在>20 mm后識別的能力不強。設定將礦物顆粒的絕對直徑大小用LD表示，因此，絕對粒度特征便量化為LD1～20，代表礦物顆粒的絕對直徑大小在1 mm至20 mm的區間，如晶體為中粒，粒度大小為4.23 mm，則可以量化為LD 4.23。后續將采用本方法對巖石礦物標本進行特征的提取和量化，使之納入到LD 1～20的區間中。

4.4相對粒度特征

斷面的相對粒度特征可以劃分為等粒結構、斑狀結構和似斑狀結構。等粒結構指巖石中同種主要礦物顆粒大小大致相等;不等粒結構指在巖石中同種主要礦物顆粒大小不等，且其粒度大小依次降低，構成連續變化系列;斑狀結構指巖石中礦物顆粒分為大小截然不同的兩群，無過渡現象，相差懸殊，大的為斑晶，小的為基質。

結構特征（相對粒度）從斑晶面積占截面面積的百分比（SBJ）和基質顆粒平均直徑大?。↙D）2個方面來量化。當斑晶的面積占截面面積比例為0，也就是無斑晶，基質的平均直徑大于0.1 mm，礦物顆粒直徑最大值與最小值之差（ΔLD）小于0.2 mm，表達式為：SBJ=0∩LD>0.1mm∩ALD<0.2 mm，即為等粒結構的純橄欖巖、方輝橄欖巖、石英閃長巖。當斑晶的面積占截面面積比例為0，基質的平均直徑大于0.1mm，礦物顆粒直徑最大值與最小值之差小于2mm，表達式為：SBJ=0∩LD>0.1 mm∩ΔLD<2mm，即為等粒結構的英云閃長巖、正長花崗巖、二長花崗巖、黑云母花崗巖。當斑晶的面積占截面面積比例位于5%至20%之間，基質的平均直徑小于0.1mm，表達式為5%0.1mm，即為似斑狀結構。

因此，純橄欖巖、方輝橄欖巖、石英閃長巖的等粒結構可以表達為SBJ=0∩LD>0.1mm∩ΔLD<0.2 mm;英云閃長巖、正長花崗巖、二長花崗巖、黑云母花崗巖的等粒結構可以表達為SBJ=0∩LD>0.1mm∩ΔLD<2mm;斑狀結構可以表達為5%0.1mm。

因此，巖石礦物標本斷面結構的相對粒度特征便依照上述公式進行量化，如等粒結構可以量化為SBJ=0∩LD>0.1mm∩ΔLD<0.2 mm，其代表斑晶的面積占截面面積比例為0，基質的平均直徑大于0.1 mm，礦物顆粒直徑最大值與最小值之差小于0.2 mm。后續將采用本方法對巖石礦物標本進行特征的提取和量化，使之納入到公式中。

4.5斷面構造特征

斷面的構造特征主要包括斑狀、帶狀、流紋、塊狀、氣孔、杏仁、珍珠、石泡、枕狀、流面、流線、柱狀節理等，每一種類型將對應一個英文編號。對應的量化值分別為BZ、DZ、LW、KZ、ZK、XR、ZHZ、SP、ZZ、LM、LX、ZZJL，相互之間具有疊加意義。后續將采用本方法對巖石礦物標本進行特征的提取和量化，使之分別對應于一個不同的量化值。

4.6斷口特征

斷面的斷口特征分別為平坦狀，參差狀，鋸齒狀，貝狀斷口，其量化的規則與斷面構造特征類似，每一種類型將對應一個英文編號。對應的量化值分別為PT、CC、JC、BZ，相互之間不可以疊加。后續將采用本方法對巖石礦物標本樣品進行特征的提取和量化，使之分別對應于一個不同的量化值。

5斷面特征分類體系建設

5.1斷面特征分類體系建設的步驟

斷面特征分類體系建設前，剔除異常量化數值、數量不足以支撐建立分類體系及用于建立巖漿巖基礎特征庫的56塊巖漿巖標本，還剩91塊巖漿巖標本用于建設巖漿巖分類體系的建設。分類體系的建設是指將91塊巖漿巖標本的6種特征的排列組合，總結和推算出每種巖漿巖外部特征識別的對應公式，最終形成斷面特征分類體系建設表的過程。

建設巖漿巖斷面特征分類體系步驟共分為3步，第一步是形成每種巖石的量化區間，第二步是賦予權重，第三步是賦予置信區間，最終形成推算公式。

5.1.1形成每種巖石的量化區間

首先確定可以滿足支撐斷面特征分類體系公式推算的巖漿巖，先將名稱一致且數量大于2個的同一種巖漿巖整理到一起，將每種巖石的各項特征量化值合并，并給出一個區間范圍。以英云閃長巖為例，根據4塊英云閃長巖的6種特征量化值，將每種特征的量化值合并在一起，每個特征都會得到一個量化值區間。如顏色特征，我們得到的顏色量化區間值是（56～75）-（6～18）-（44～75），分別代表H-S-V的區間范圍。結晶程度特征的量化區間的區間是J1-J2。絕對粒度特征的量化值區間為LD 0.1～5，相對粒度的量化值區間為SBJ=0∩LD>0.1mm∩ΔLD<2mm，構造特征的量化值區間是KZ，斷口特征的量化值區間是PTZ。見表2。

5.1.2賦予權重

針對上一步已經區間量化完成的巖漿巖，對每種巖漿巖的外部特征進行分析，確定不同特征所占的權重比例。權重的賦予規則：觀察每種礦物巖石的外部特征，按照其外部特征的明顯性和重要性賦予每種特征的權重，依據每塊巖石的外部特征明顯性的實際情況，具有特別明顯性和代表性的特征權重為0.2～0.5，具有一般明顯性的特征權重在0.1左右，最不明顯的特征權重小于0.1，最終每塊巖石的所有特征的權重相加為1。例如：通過觀察巖石標本照片，杏仁狀安山巖的杏仁狀構造和斑狀結構比較明顯且具有代表性，那么杏仁狀玄武巖的構造特征和結構特征權重較大，權重比例均在0.3;其次，顏色、結晶程度均為一般明顯，權重比例大約在0.1左右;最后，斷口特征為最不明顯的特征，權重較小，小于0.1。

以英云閃長巖為例進行具體分析。根據對巖石外部特征的觀察與分析，英云閃長巖中粒的絕對粒度特征是最具有代表性的，權重是0.3;等粒結構的相對粒度特征比較具有代表性，權重是0.25;顏色特征為灰白色，比較具有代表性并確定顏色特征的權重是0.2;全晶質的結晶程度特征和塊狀構造的構造特征為一般明顯，權重均為0.1;斷口特征為最不明顯的特征，權重是0.05，最終所有特征的權重相加為1。

5.1.3賦予置信區間

賦予權重完成后，將區間值乘以其相應的權重，然后全部相加，再賦予這類巖石一個置信區間。賦予置信區間的意義是，周全地考慮到樣本外的特殊實際情況。雖然本項目采集的巖漿巖標本是在同一標準光源下采集照相的，但是在實際野外鑒定的情況下會有所差別，理論上顯微鏡鏡下鑒定準確度為100%，實驗室標準光源情況下準確率為85%，野外非標準光源情況下準確率為75%，因為光源的不確定性，我們給這個公式80%的置信區間。

以英云閃長巖為例，當所有特征量化值及其權重相加后，最后整體乘以80%的置信區間，最后得到80%的英云閃長巖，最后給出的識別結果為80%概率的閃長巖（一級巖石名稱），公式即為：{[（（56～75）-（6～18）-（44～75）]*0.2%+（J1-J2）*0.1+（LD 0.1～5）*0.3+（SBJ=0∩LD>0.1 mm∩A/D<2mm）*0.25+KZ*0.1+PTZ*0.05}*80%=80%英云閃長巖，識別結果為80%概率的閃長巖。并且符合一定的條件規則，就是2個及以上特征才能判定得出結果。如果計算結果小于40%即識別不出來，表達為無法識別。

5.2斷面特征分類體系

最終的分類體系由17個推算公式組成，涵蓋了四大巖漿巖類型，其中超基性巖石2種，分別為純橄欖巖和方輝橄欖巖，基性巖石3種，分別為灰綠色輝綠巖、橄欖玄武巖、斑狀玄武巖;中性巖石5種，涵蓋了灰黑色閃長巖、石英閃長巖、英云閃長巖、杏仁狀安山巖、玄武安山巖;酸性巖石7種，分別為花崗閃長巖、正長花崗巖、二長花崗巖、黑云母花崗巖、花崗閃長斑巖、英安流紋巖和灰綠色英安巖。部分斷面特征分類體系見表2。

5.3分類體系的驗證

巖漿巖斷面特征分類體系初步建立后，采用專家打分法對本分類體系進行驗證，以確保分類體系的準確性和可信度。共邀請了10位地質領域巖石學專家，分別給出每種巖石各項特征的權重數值，最后取每種巖石各項特征的平均值權重，并對之前已建立的分類體系進行糾正與修改，最終形成巖漿巖斷面特征分類體系。

此外，將巖漿巖標本庫剩余的56塊巖漿巖標本特征量化值代入到巖漿巖斷面特征分類體系公式進行一一檢驗，也是對分類體系進行驗證比較有效的方法。驗證規則是將剩余的56塊巖漿巖標本按照6種特征分別進行量化，然后代入到已經建立好的巖漿巖斷面特征分類體系公式進行驗證，若驗證成功則與照片一起整理成庫，形成巖漿巖斷面特征基礎特征庫。56塊巖漿巖中有53塊巖漿巖符合分類體系，驗證成功概率為94%。

5.4基礎特征庫成果

最終的巖漿巖基礎特征庫共涉及17種巖漿巖，共包含4類巖性的巖石，其中超基性巖石2種，包含了純橄欖巖和方輝橄欖巖;基性巖3種，包含了灰綠色輝綠巖、橄欖玄武巖、斑狀玄武巖;中性巖5種，包含了灰黑色閃長巖、石英閃長巖、英云閃長巖、杏仁狀安山巖、玄武安山巖;酸性巖7種，包含了花崗閃長巖、正長花崗巖、二長花崗巖、黑云母花崗巖、花崗閃長斑巖、英安流紋巖、灰綠色英安巖。部分數據如表3所示。

6結論

根據巖漿巖斷面標本的研究，共篩選出了6個可用于人工智能識別的巖漿巖外部形態特征，分別是顏色特征、結晶程度、絕對粒度、相對粒度、構造特征和斷口特征。通過對巖漿巖6種外部形態特征的量化，形成每種巖石每種特征的量化區間，賦予每種外部特征的權重和分類體系表達公式的置信區間，確定了最終的巖漿巖斷面分類體系。最后，經過剩余的53塊巖漿巖標本對之前已經建立好的巖漿巖斷面分類體系進行驗證，建立了17種不同種類巖漿巖基礎特征庫。

雖然巖漿巖分類體系和巖漿巖基礎特征庫已建立完成，但由于標本數量較少，無法代入到MATLAB中進行實際的程序運行和計算機深度學習。本研究僅作為巖石礦物標本識別軟件的基礎性研究，為了完成用手機來識別野外巖石，后續還需要進一步開展工作，如研究手機攝像頭算法的適配性和人工神經網絡巖石識別算法，從而最終實現手機識別巖石，推動巖石科普的發展。