面向人工智能识别的岩浆岩断面形态特征研究

张诗檬　韩征　刘钊　付博　王文文

關键词：岩浆岩外部特征;岩浆岩断面特征分类体系;岩浆岩基础特征库

岩石识别是地质调查中的基础性工作。在野外地质调查过程中，地质工作者根据岩石的颜色、结构构造、矿物成分等辨识岩石的岩性。随着地质大数据时代的来临，采用人工智能技术识别岩石已成为可能。通过图像识别、人工神经网络、深度学习等技术，训练人类已经识别和鉴定的岩石图像，并通过深度学习的方式来模拟人类识别岩石的过程和规律，实现手机拍照即识别的快捷功能，为野外岩石矿物的识别提供简单易行的智能工具。

近年来，国内外岩石识别技术正在兴起。常见的岩石识别技术包括：1）高光谱技术能够将图像和光谱结合起来，分辨率可以达到纳米级，并且可以上百个波段同时成像，通过比对岩石矿物的波普特征就可以对岩石进行识别（王青华等，2000）。2）CT扫描可以将断层单独成像，能够将物体内部的结构构成关系、物质成分组成及损伤缺陷情况表现出来，CT扫描可以在很短的时间内对物体进行检测，并且不对物体构成损害，该技术在岩土工程领域得到了广泛的应用（刘慧，2013）。3）智能学习分析法的优点是便捷，可以减少对专业设备的使用，目前已经发展出多个深度学习的框架。例如，通过分析卷积神经网络和深度信念网络不同色彩空间下的分类性能并与其他分类方法进行比较，得出卷积神经网络和深度信念网络在岩石孔隙图像识别问题中具有更高的识别准确率（郭文慧，2018）。白林等（2018）收集了15种常见岩石的图像数据，基于卷积神经网络构建岩石识别深度学习模型，达到63%的识别准确率。张野等（2018）建立了岩石图像集分析的深度学习迁移模型，该模型实现了岩石岩性的自动识别与分类，取得了良好的效果。国外学者基于1000多张碳酸盐岩薄片，然后把灰度数字图像作为输入数据，以此来建立多层感知层神经网络模型，基于纹理数据进行网络训练，最终能达到93.3%的分类准确性（Marmo et al.，2005;Ling et al.，2015）。有学者使用提取特征参数的方法，选取玄武岩薄片图像，提炼了27个特征参数，对300个岩石薄片进行识别，能够达到92.22%自动识别精度（Singhet a1.，2010;Ahmed et al.，2016）。使用无监督的特征学习方法，来自主学习岩石图像的表征也是最近比较常见的传统岩石识别方法（Shu et al.，2017;Liu et al.，2016;Cheah et al.，2016）。深度神经网络方法是最近比较热门的岩石识别方法，目前，卷积神经网络的发展已经出现了LeNet、VGG、INceptioN、ReSNET等典型卷积神经网络模型（ Schmidhuber，2015;Backes et al.，2009）。INceptioN模型在图像识别领域曾经取得较好的成绩，因此，岩石图像识别实验采用INceptioN-V3模型（Wang et al.， 2016; Hamdi et al.， 2013; Hong et al.，2017）。以上岩石识别研究以实验室标准的岩石薄片数据作为研究对象，主要研究各类较为复杂的特征参数提取方法，还未涉及野外手机直接识别岩石的技术。近两年，在大数据应用背景下，利用人工智能深度学习技术的拍照识别植物的软件工具应运而生（王丽君等，2015），为公众提供了植物信息，实现了全民科普服务。目前，尚未开展针对野外手机直接识别岩石技术的研究，手机岩石识别软件也尚未开发。本次研究旨在为面向人工智能的岩石识别工具提供基础性研究，以岩浆岩基础特征库的建立为重点，对岩浆岩标本断面的外部形态特征进行总结，筛选出具有人工智能识别意义的外部形态特性，并对其进行量化和分类，从而形成岩浆岩分类体系，最终建立岩浆岩的基础特征库，为下一步入工智能手机软件识别岩石的研发进行前期探索。

1材料与方法

1.1材料

本次研究共收集了约203块岩浆岩的标本（图1）。其中，通过文献与报告整理出56块岩浆岩的元数据信息，包括了每种岩石基本外部特征;而另外147块岩浆岩则通过野外实地考察采集，每块岩石的元数据信息包含了野外鉴定的外部特征、镜下鉴定的矿物成分及岩石新鲜断面照片，共分为15种类岩浆岩，每种岩浆岩包含4～10块来自非同一来源的同种岩浆岩，非同一来源指的是不同地区。

1.2技术方法

首先，通过基于人工智能的特征识别算法研究，以能够直接被手机摄像头识别、计算机量化和获取特征的标准，筛选出6个岩浆岩基本外部特征。通过对203块岩浆岩标本外部特征的观察，根据其外部基本特征将203块岩浆岩按照已选取的6个特征进行一一量化，然后剔除异常量化数值和数量不足以支撑建立分类体系的岩浆岩标本，还剩147块岩浆岩标本。将147块岩浆岩标本照片分为两部分，91块岩浆岩用于分类体系的建设，剩下的56块岩浆岩用于验证分类体系和基础特征库的建设。最终，56块岩浆岩中有53块岩浆岩符合分类体系，并建立成岩浆岩基础特征库，验证成功概率为94%（图2）。

2岩浆岩断面特征及优选

岩浆岩的种类很多，基本特征也有很多，比如岩石的颜色、结晶程度、矿物成分、矿物的相对含量、岩石的结构和构造、产状等特征（舒良树，2010）。为了后期利用人工智能技术研发识别岩石的手机软件，根据可直接用于人工智能识别外部特征的标准，即能够直接被手机摄像头识别、计算机量化和获取特征的标准，通过分析筛选出6个可用于人工智能识别的外部特征，即颜色、相对粒度、绝对力度粒度、构造、结晶程度和断口特征（表1）。

岩石的颜色反映了矿物成分的含量，是岩石分类命名的直观依据。通过颜色特征可以初步判断岩石的酸度，从而可以判断超基性岩、基性岩、中性岩和酸性岩，主要通过观察岩浆岩的色率进行区分。据研究，超基性岩的色率>75;基性岩的色率35～75，颜色呈黑、灰黑及灰绿色;酸性岩的色率<20，颜色呈淡灰、灰白、浅红、肉红色;中性岩的色率为35～20，色调介于基性岩和酸性岩之间（舒良树，2010）。岩浆岩的结晶程度和结构特征也在岩浆岩的辨别中起到重要意义，根据岩石中结晶物质和非结晶玻璃物质的比例可将岩浆岩分为全晶质结构、半晶质结构和玻璃质结构。所有的侵入岩都是岩浆在地下封闭或近封闭的温度和压力条件下，通过缓慢结晶、冷凝过程形成的，因此侵入岩都是由全晶质矿物组成的，这是区别喷出岩和侵入岩的重要标志。另外还可以通过矿物颗粒的绝对大小和相对大小对岩浆岩进行判别，矿物颗粒的绝对大小是指岩石中主要矿物颗粒的平均直径，可以分为粗粒、中粒、细粒和微粒;矿物颗粒的相对大小是指岩石中所有矿物颗粒的相对大小，分为等粒结构、不等粒结构、斑状结构和似斑状结构。根据矿物颗粒的绝对大小，可将岩浆岩划分为显晶质结构和隐晶质结构。显晶质结构用手机拍摄很容易识别，根据颗粒大小分为粗粒、中粒、细粒和微粒（<0.1 mm），但是微粒结构和隐晶质容易混淆。而根据矿物颗粒的相对大小，岩浆岩分为等粒结构和不等粒结构，不等粒结构又分为斑状结构和似斑状结构。通过颜色特征初步判定以后，再根据岩石结晶程度、矿物颗粒相对大小和矿物颗粒绝对大小等结构特征做进一步的判断，例如花岗岩和花岗斑岩，前者为显晶质、等粒或似斑状结构，后者为隐晶质、斑状结构。除此之外，岩浆岩的构造特征也可以帮助判断岩浆岩的形成条件和区分不同成因的岩浆岩类型，例如侵入岩中常见的构造类型有块状构造、带状结构、斑杂构造、球状构造以及流线、流面构造等，而喷出岩中常见的构造类型有气孔构造、杏仁构造、流纹构造和锯齿构造等。断口特征也作为辅助判断的一个方面，因为不同的矿物受外力打击后形成不同的形态，一般有贝壳状断口、锯齿状断口、参差状断口、平坦状断口和土状断口等，例如花岗岩的主要矿物石英具有贝壳状断口。

3基于人工智能的特征识别算法

3.1机器识别特征的可行性

图像识别技术是人工智能的重要组成部分，已经在众多领域得到了应用（张嘉丰，2018），通过图像识别技术，可以对岩石矿物标本图像进行特征提取，通过当前比较成熟的识别方法可以分别从岩石的颜色、结晶、结构以及岩石构造等特点进行图像特征提取，以此匹配对应的岩浆岩矿物（郭文惠，2018）。

3.2标本特征的识别算法

3.2.1标本图像的预处理

图像的预处理，主要是通过采用去除噪声和颜色插补方法，减少各种噪声源的影响，提高图像的质量。并根据实际需求，将图像转化为各种中间图像，例如使用颜色直方图确定图像颜色分布情况，使用灰度图像、二值图、灰度直方图等识别图像的轮廓和面积特征（刘之的，2010）。

3.2.2图像的颜色识别

对于图像的颜色特征，需要借助颜色空间来实现，颜色空间一般使用三维空间坐标系表示各个维度的属性（王树文等，2004）。颜色空间从主体上分为两大类，一类是面向硬件设备的，例如RGB颜色空间，以Red（红）、Green（绿）、Blue（蓝）3种颜色为基本色，通过在不同水平下的叠加进而生成其他颜色，可以将3种基色建立于一个笛卡尔坐标系中;另一类是以视觉感知为对象的颜色空间，例如HSV颜色空间由3个相互独立的颜色分量构成，以倒锥体形成空间坐标系，水平角度表示色调，水平半径表示颜色饱和度，椎体高度则表示颜色的亮度（杨爱萍等，2019）。RGB颜色空间适用于显示系统，而HSV颜色空间表达更直观，更适用于图像处理。

在图像颜色的识别过程中，常用到一些颜色识别方法，例如：使用颜色直方图，研究图像像素色彩分布的情况;使用颜色矩同样可以描述图像中的颜色分布，相对颜色直方图方法更简单有效;颜色集是对颜色直方图的一种补充，在图像匹配中，方便比较不同颜色集间的距离和色彩区域;使用颜色聚合向量可以用于颜色直方图和颜色矩无法表达图像色彩的空间位置问题。

3.2.3标本结晶、结构特征的识别

岩石矿物标本图像的结晶特征提取，需要對标本图像进行轮廓特征的提取，计算岩石矿物标本的结晶面积。常用的方法有轮廓跟踪法、光栅跟踪法、全向跟踪法等。轮廓跟踪法需要对目标边缘进行跟踪处理，将图像中每个区域内相同的像素值进行连接，实现轮廓的跟踪;光栅跟踪法是一种类似于电视光栅扫描技术，需要结合阈值监测实现边缘跟踪的方法;全向跟踪法是可以实现任意方向不限邻点定义和跟踪准则的光栅跟踪。

岩石矿物标本结晶面积的计算，使用到的方法有格林公式法、像素法以及边界链码法。格林公式法，即在平面空间闭合区域是由光滑曲线构成，通过曲线积分获取闭合区域面积的方法;像素法是使用二值图，获取目标区域内所占像素总数目，以此计算面积;边界链码法是根据区域的边界链码，分别统计出目标区域内所包含的像素面积以及方格数的计算面积的方法，比较适用于有孔的区域。

通过轮廓的获取和结晶面积的计算，便可得到结晶占比，从而对结晶特征进行量化。图像识别面积的计算也可以得到矿物颗粒面积的大小，即斑晶大小和矿物颗粒的直径，依据此特征也可对岩石结构特征进行分类和量化。

3.2.4标本构造特征的提取

岩石矿物标本的构造特征，指各类矿物组分在岩石中排列顺序方式或填充的方式所反映出来的特征。依托机器图像识别的方法有形态学边缘提取和边缘检测法。形态学边缘提取包含形态学算法和迭代法，形态学算法主要是基于腐蚀和膨胀的一种基本运算方法，膨胀运算将填充图像中出现的噪声，腐蚀运算用于消除细小边缘，以达到平滑边缘的效果;而迭代的方法则是不断根据旧值推断新值，最终得到最佳阈值的过程。边缘检测法常用的算法有Canny算子法、Sobel算子法，Canny算子采用高斯滤波器平滑图像，根据高斯函数的一阶偏导数计算梯度，检测梯度幅值的局部最大值，然后利用低阈值T1得到弱边缘E1，高阈值T2得到边缘E2，最后E1中仅保留与E2有连通关系的连通分量作为输出边缘E;Sobel算子法则使用与灰度渐变和噪声较多的图像，使用两个3*3的矩阵算子分别和原始图片作卷积，分别得到横向和纵向的梯度值，如果梯度值大于某一个阈值，则认为该点为边缘点，以此进行图像的边缘检测。使用边缘检测的方法可以获取岩石矿物标本的构造特征，与特征库进行匹配，识别岩石标本类型。

4岩浆岩断面特征量化及筛选

所谓岩浆岩断面特征量化，就是根据每种特征不同的量化规则，将抽象的岩浆岩外部特征，量化为具体的数值，形成每种特征的量化值区间，以下具体描述每种特征的量化规则。

4.1颜色特征

断面颜色特征可以采用的色彩模式为RGB模式、CMYK模式和Lab模式、位图模式、灰度模式、双色调模式、索引颜色模式和多通道模式。为了实现超基性岩到酸性岩的色调从深到浅的变化趋势以及岩石断面明度和饱和度的变化，本次采用了HSV色彩模型进行颜色特征的量化，如红色的量化值为（0-100-100），后续将采用本方法对岩石矿物标本进行特征的提取和量化，使之纳入到（H-S-V）的区间中。

4.2断面结晶程度特征

根据岩浆岩矿物标本结晶程度的特点，将岩浆岩的结晶概化为全晶质、半晶质和玻璃质。其中全晶质的特点是断面全部由结晶矿物所组成，其视觉效果是在断面中具有连片、交叠、连续的片状晶体，其片状晶体在断面中面积比例较大;半晶质的特点是既有结晶矿物又有非晶质玻璃所组成，其视觉效果是在断面上具有不连片、交叠、不连续的片状晶体，其片状晶体在断面中面积比例一般;玻璃质的特点是全部由玻璃物质所组成，其视觉效果是在断面上不具有片状分布的晶体，仅仅具备基底的玻璃构造。因此，对于评价断面形态所属结晶特征，应按照结晶矿物和非结晶矿物在断口上提取的面积比例进行划分，表达为J。超过特定的划分比例便鉴定为全晶质，表达为J1，位于特定的划分比例之间可鉴定为半晶质，表达为J2，其余为J3玻璃质。

因此，岩石矿物标本断面形态的结晶程度特征便量化为（J1-J2-J3），如全晶质的量化值为J1，后续将采用本方法对岩石矿物标本进行特征的提取和量化，使之纳入到（J1-J2-J3）的区间中。

4.3绝对粒度特征

根据岩浆岩断面形态的结构特征，本次将断面的结构特征划分为绝对粒度大小和相对粒度大小2个方面。其中绝对粒度大小就是矿物颗粒的绝对大小在视觉上的量度。按照主要的矿物类型可以具体划分为伟晶≥10 mm，10 mm>粗粒≥5 mm，5 mm>中粒≥1 mm，1 mm>细粒≥0.1 mm，微粒及隐晶质<0.1 mm。但在实际的执行过程中，手机摄像头对于<1 mm的微粒分辨性不强，在>20 mm后识别的能力不强。设定将矿物颗粒的绝对直径大小用LD表示，因此，绝对粒度特征便量化为LD1～20，代表矿物颗粒的绝对直径大小在1 mm至20 mm的区间，如晶体为中粒，粒度大小为4.23 mm，则可以量化为LD 4.23。后续将采用本方法对岩石矿物标本进行特征的提取和量化，使之纳入到LD 1～20的区间中。

4.4相对粒度特征

断面的相对粒度特征可以划分为等粒结构、斑状结构和似斑状结构。等粒结构指岩石中同种主要矿物颗粒大小大致相等;不等粒结构指在岩石中同种主要矿物颗粒大小不等，且其粒度大小依次降低，构成连续变化系列;斑状结构指岩石中矿物颗粒分为大小截然不同的两群，无过渡现象，相差悬殊，大的为斑晶，小的为基质。

结构特征（相对粒度）从斑晶面积占截面面积的百分比（SBJ）和基质颗粒平均直径大小（LD）2个方面来量化。当斑晶的面积占截面面积比例为0，也就是无斑晶，基质的平均直径大于0.1 mm，矿物颗粒直径最大值与最小值之差（ΔLD）小于0.2 mm，表达式为：SBJ=0∩LD>0.1mm∩ALD<0.2 mm，即为等粒结构的纯橄榄岩、方辉橄榄岩、石英闪长岩。当斑晶的面积占截面面积比例为0，基质的平均直径大于0.1mm，矿物颗粒直径最大值与最小值之差小于2mm，表达式为：SBJ=0∩LD>0.1 mm∩ΔLD<2mm，即为等粒结构的英云闪长岩、正长花岗岩、二长花岗岩、黑云母花岗巖。当斑晶的面积占截面面积比例位于5%至20%之间，基质的平均直径小于0.1mm，表达式为5%0.1mm，即为似斑状结构。

因此，纯橄榄岩、方辉橄榄岩、石英闪长岩的等粒结构可以表达为SBJ=0∩LD>0.1mm∩ΔLD<0.2 mm;英云闪长岩、正长花岗岩、二长花岗岩、黑云母花岗岩的等粒结构可以表达为SBJ=0∩LD>0.1mm∩ΔLD<2mm;斑状结构可以表达为5%0.1mm。

因此，岩石矿物标本断面结构的相对粒度特征便依照上述公式进行量化，如等粒结构可以量化为SBJ=0∩LD>0.1mm∩ΔLD<0.2 mm，其代表斑晶的面积占截面面积比例为0，基质的平均直径大于0.1 mm，矿物颗粒直径最大值与最小值之差小于0.2 mm。后续将采用本方法对岩石矿物标本进行特征的提取和量化，使之纳入到公式中。

4.5断面构造特征

断面的构造特征主要包括斑状、带状、流纹、块状、气孔、杏仁、珍珠、石泡、枕状、流面、流线、柱状节理等，每一种类型将对应一个英文编号。对应的量化值分别为BZ、DZ、LW、KZ、ZK、XR、ZHZ、SP、ZZ、LM、LX、ZZJL，相互之间具有叠加意义。后续将采用本方法对岩石矿物标本进行特征的提取和量化，使之分别对应于一个不同的量化值。

4.6断口特征

断面的断口特征分别为平坦状，参差状，锯齿状，贝状断口，其量化的规则与断面构造特征类似，每一种类型将对应一个英文编号。对应的量化值分别为PT、CC、JC、BZ，相互之间不可以叠加。后续将采用本方法对岩石矿物标本样品进行特征的提取和量化，使之分别对应于一个不同的量化值。

5断面特征分类体系建设

5.1断面特征分类体系建设的步骤

断面特征分类体系建设前，剔除异常量化数值、数量不足以支撑建立分类体系及用于建立岩浆岩基础特征库的56块岩浆岩标本，还剩91块岩浆岩标本用于建设岩浆岩分类体系的建设。分类体系的建设是指将91块岩浆岩标本的6种特征的排列组合，总结和推算出每种岩浆岩外部特征识别的对应公式，最终形成断面特征分类体系建设表的过程。

建设岩浆岩断面特征分类体系步骤共分为3步，第一步是形成每种岩石的量化区间，第二步是赋予权重，第三步是赋予置信区间，最终形成推算公式。

5.1.1形成每种岩石的量化区间

首先确定可以满足支撑断面特征分类体系公式推算的岩浆岩，先将名称一致且数量大于2个的同一种岩浆岩整理到一起，将每种岩石的各项特征量化值合并，并给出一个区间范围。以英云闪长岩为例，根据4块英云闪长岩的6种特征量化值，将每种特征的量化值合并在一起，每个特征都会得到一个量化值区间。如颜色特征，我们得到的颜色量化区间值是（56～75）-（6～18）-（44～75），分别代表H-S-V的区间范围。结晶程度特征的量化区间的区间是J1-J2。绝对粒度特征的量化值区间为LD 0.1～5，相对粒度的量化值区间为SBJ=0∩LD>0.1mm∩ΔLD<2mm，构造特征的量化值区间是KZ，断口特征的量化值区间是PTZ。见表2。

5.1.2赋予权重

针对上一步已经区间量化完成的岩浆岩，对每种岩浆岩的外部特征进行分析，确定不同特征所占的权重比例。权重的赋予规则：观察每种矿物岩石的外部特征，按照其外部特征的明显性和重要性赋予每种特征的权重，依据每块岩石的外部特征明显性的实际情况，具有特别明显性和代表性的特征权重为0.2～0.5，具有一般明显性的特征权重在0.1左右，最不明显的特征权重小于0.1，最终每块岩石的所有特征的权重相加为1。例如：通过观察岩石标本照片，杏仁状安山岩的杏仁状构造和斑状结构比较明显且具有代表性，那么杏仁状玄武岩的构造特征和结构特征权重较大，权重比例均在0.3;其次，颜色、结晶程度均为一般明显，权重比例大约在0.1左右;最后，断口特征为最不明显的特征，权重较小，小于0.1。

以英云闪长岩为例进行具体分析。根据对岩石外部特征的观察与分析，英云闪长岩中粒的绝对粒度特征是最具有代表性的，权重是0.3;等粒结构的相对粒度特征比较具有代表性，权重是0.25;颜色特征为灰白色，比较具有代表性并确定颜色特征的权重是0.2;全晶质的结晶程度特征和块状构造的构造特征为一般明显，权重均为0.1;断口特征为最不明显的特征，权重是0.05，最终所有特征的权重相加为1。

5.1.3赋予置信区间

赋予权重完成后，将区间值乘以其相应的权重，然后全部相加，再赋予这类岩石一个置信区间。赋予置信区间的意义是，周全地考虑到样本外的特殊实际情况。虽然本项目采集的岩浆岩标本是在同一标准光源下采集照相的，但是在实际野外鉴定的情况下会有所差别，理论上显微镜镜下鉴定准确度为100%，实验室标准光源情况下准确率为85%，野外非標准光源情况下准确率为75%，因为光源的不确定性，我们给这个公式80%的置信区间。

以英云闪长岩为例，当所有特征量化值及其权重相加后，最后整体乘以80%的置信区间，最后得到80%的英云闪长岩，最后给出的识别结果为80%概率的闪长岩（一级岩石名称），公式即为：{[（（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%英云闪长岩，识别结果为80%概率的闪长岩。并且符合一定的条件规则，就是2个及以上特征才能判定得出结果。如果计算结果小于40%即识别不出来，表达为无法识别。

5.2断面特征分类体系

最终的分类体系由17个推算公式组成，涵盖了四大岩浆岩类型，其中超基性岩石2种，分别为纯橄榄岩和方辉橄榄岩，基性岩石3种，分别为灰绿色辉绿岩、橄榄玄武岩、斑状玄武岩;中性岩石5种，涵盖了灰黑色闪长岩、石英闪长岩、英云闪长岩、杏仁状安山岩、玄武安山岩;酸性岩石7种，分别为花岗闪长岩、正长花岗岩、二长花岗岩、黑云母花岗岩、花岗闪长斑岩、英安流纹岩和灰绿色英安岩。部分断面特征分类体系见表2。

5.3分类体系的验证

岩浆岩断面特征分类体系初步建立后，采用专家打分法对本分类体系进行验证，以确保分类体系的准确性和可信度。共邀请了10位地质领域岩石学专家，分别给出每种岩石各项特征的权重数值，最后取每种岩石各项特征的平均值权重，并对之前已建立的分类体系进行纠正与修改，最终形成岩浆岩断面特征分类体系。

此外，将岩浆岩标本库剩余的56块岩浆岩标本特征量化值代入到岩浆岩断面特征分类体系公式进行一一检验，也是对分类体系进行验证比较有效的方法。验证规则是将剩余的56块岩浆岩标本按照6种特征分别进行量化，然后代入到已经建立好的岩浆岩断面特征分类体系公式进行验证，若验证成功则与照片一起整理成库，形成岩浆岩断面特征基础特征库。56块岩浆岩中有53块岩浆岩符合分类体系，验证成功概率为94%。

5.4基础特征库成果

最终的岩浆岩基础特征库共涉及17种岩浆岩，共包含4类岩性的岩石，其中超基性岩石2种，包含了纯橄榄岩和方辉橄榄岩;基性岩3种，包含了灰绿色辉绿岩、橄榄玄武岩、斑状玄武岩;中性岩5种，包含了灰黑色闪长岩、石英闪长岩、英云闪长岩、杏仁状安山岩、玄武安山岩;酸性岩7种，包含了花岗闪长岩、正长花岗岩、二长花岗岩、黑云母花岗岩、花岗闪长斑岩、英安流纹岩、灰绿色英安岩。部分数据如表3所示。

6结论

根据岩浆岩断面标本的研究，共筛选出了6个可用于人工智能识别的岩浆岩外部形态特征，分别是颜色特征、结晶程度、绝对粒度、相对粒度、构造特征和断口特征。通过对岩浆岩6种外部形态特征的量化，形成每种岩石每种特征的量化区间，赋予每种外部特征的权重和分类体系表达公式的置信区间，确定了最终的岩浆岩断面分类体系。最后，经过剩余的53块岩浆岩标本对之前已经建立好的岩浆岩断面分类体系进行验证，建立了17种不同种类岩浆岩基础特征库。

虽然岩浆岩分类体系和岩浆岩基础特征库已建立完成，但由于标本数量较少，无法代入到MATLAB中进行实际的程序运行和计算机深度学习。本研究仅作为岩石矿物标本识别软件的基础性研究，为了完成用手机来识别野外岩石，后续还需要进一步开展工作，如研究手机摄像头算法的适配性和人工神经网络岩石识别算法，从而最终实现手机识别岩石，推动岩石科普的发展。