Machine Learning (ML) has found several applications in spectroscopy, including recognizing minerals and estimating elemental composition. ML algorithms have been widely used on datasets from individual spectroscopy methods such as vibrational Raman scattering, reflective Visible-Near Infrared (VNIR), and Laser-Induced Breakdown Spectroscopy (LIBS). We firstly reviewed and tested several ML approaches to mineral classification from the existing literature, and identified a novel approach for using Deep Learning algorithms for mineral classification from Raman spectra, that outperform previous state-of-the-art methods. We then developed and evaluated a novel method for automatic mineral identification from combining measurements with two complementary spectroscopic methods using Convolutional Neural Networks (CNN) for Raman and VNIR, and cosine similarity for LIBS. Specifically, we evaluated fusing Raman + VNIR, Raman + LIBS or VNIR + LIBS spectra in order to classify minerals. ML methods applied to combined spectral methods presented here are shown to outperform the use of a single data source by a significant margin. Our approach was tested on both open access experimental Raman (RRUFF) and VNIR (USGS, RELAB, ECOSTRESS) libraries, as well as on synthetic LIBS (NIST) spectral libraries. Our cross-validation tests show that multi-method spectroscopy paired with ML paves the way towards rapid and accurate characterization of rocks and minerals. Future solutions combining Deep Learning Algorithms, together with data fusion from multi-method spectroscopy, could drastically increase the accuracy of automatic mineral recognition compared to existing approaches.

中文翻译：

---

机器学习用于从多光谱数据中识别矿物

机器学习（ML）在光谱学中发现了多种应用，包括识别矿物质和估算元素组成。机器学习算法已广泛用于各种光谱方法的数据集，例如振动拉曼散射，反射近红外光谱（VNIR）和激光诱导击穿光谱（LIBS）。我们首先回顾和测试了现有文献中的几种机器学习方法来进行矿物分类，并确定了一种使用深度学习算法从拉曼光谱中进行矿物分类的新方法，该方法优于以前的最新方法。然后，我们通过使用拉曼和VNIR的卷积神经网络（CNN）将测量与两种互补光谱法相结合，开发并评估了一种自动矿物识别的新方法，和LIBS的余弦相似度。具体来说，我们对融合拉曼+ VNIR，拉曼+ LIBS或VNIR + LIBS光谱进行了评估，以便对矿物进行分类。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。具体来说，我们对融合拉曼+ VNIR，拉曼+ LIBS或VNIR + LIBS光谱进行了评估，以便对矿物进行分类。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。具体来说，我们对融合拉曼+ VNIR，拉曼+ LIBS或VNIR + LIBS光谱进行了评估，以便对矿物进行分类。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。拉曼+ LIBS或VNIR + LIBS光谱可对矿物进行分类。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。拉曼+ LIBS或VNIR + LIBS光谱可对矿物进行分类。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。此处显示的应用于组合频谱方法的ML方法在很大程度上优于单个数据源的使用。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。我们的方法在开放式实验拉曼（RRUFF）和VNIR（USGS，RELAB，ECOSTRESS）库以及合成LIBS（NIST）光谱库上均经过测试。我们的交叉验证测试表明，与ML结合使用的多方法光谱学为快速，准确地表征岩石和矿物铺平了道路。与现有方法相比，将深度学习算法与多方法光谱数据融合相结合的未来解决方案可以大大提高自动矿物识别的准确性。