客戶案例 | 北京大學成果：TIMA相分類準確率的機器學習驗證

來源：泰思肯貿易（上海）有限公司分類：成果

2025-09-26 13:30:18 106閱讀次數

掃碼分享

客戶案例

TIMA相分類準確率的
機器學習驗證

摘要：近年來，以TIMA為代表的自動礦物學系統（Automated Mineralogy System）被廣泛應用于地質學、冶金學、材料學、建筑學等領域的樣品表征。此類設備具有高效、自動、分辨率高等優勢，但在復雜多相體系中的相分類準確性尚未被嚴格地驗證過。本研究利用三塊地外巖石構建了數據集，并開發了一種面向相識別與分類的算法，結合機器學習的工作流程與評價指標，確認了TIMA所采集的能量分散X射線光譜（Energy-dispersive X-ray Spectroscopy）數據在相分類任務的有效性。算法所給出的分類準確率達到了99.5%，為TIMA在多相體系研究中的應用提供了有力的保障。

引言

自動礦物學系統誕生于上世紀70年代，最早是面向采礦和冶金行業而設計的。其工作原理是利用電子束轟擊樣品表面，收集與成分相關的特征X射線光子，進而分析得到樣品的結構、礦物和化學信息。經過半個世紀的發展，這類儀器的應用范圍已拓展到了地球與材料科學的多個領域。然而，由于在樣品制備、實驗操作、成像噪聲、信號混合、譜線解析等方面可能存在的問題，其分析結果通常被認為是半定量的，且誤差范圍缺少明確的約束。本研究旨在從頭建立一套樣品數據集，并用機器學習來評估自動礦物學系統的相分類準確度。

數據

所用的數據采集自三塊地外巖石，分別是火星隕石Qued Mya 005、小行星隕石Oued Namous 001、以及嫦娥六號月球樣品C0000YJYX021GP。它們都是具有復雜礦物組合與結構特征的細粒火成巖。樣品經過切割、打磨、拋光和鍍碳處理，在北京大學造山帶與地殼演化實驗室執行了TIMA分析，所導出的元素圖被用于構建光譜數據集。在北京大學電子顯微實驗室用能譜點分析獲取了監督學習所需的真值標簽。帶標簽的測試點被人工標注到TIMA元素圖上作為測試集，而訓練集是依照元素圖上的信號強度手動框選的，目標是檢驗僅從TIMA數據中訓練的相分類模型是否能達到與點分析相當的準確率。

圖1：嫦娥六號月球樣品C0000YJYX021GP的顯微巖相學

結果

本研究提出了一種基于單類支持向量機（One-class Support Vector Machine）的機器學習算法，能在執行相分類的同時檢測數據中的異常值。將該算法與其他分類模型，包括最小距離模型、高斯混合模型、標準支持向量機、多層感知機相比較，結果表明所提出的算法具有更高的準確率和計算效率、在次要類別上的預測更準確；且異常檢測功能允許用戶檢查所選訓練集的完備性，并排除由各種原因產生的異常光譜，從而保障相分類的準確率與可靠性。

圖2：標準支持向量機（a）與所提出的算法（b）之間的比較

討論

本研究證明了TIMA的能譜成像技術在復雜相分類任務中的有效性。與傳統方法，如偏振光顯微術、能譜/波譜點分析、全巖濕化學分析、粉末X射線衍射等相比，以TIMA為代表的自動礦物學技術具有速度快、準確率高、操作簡便、樣品無損、信息豐富等諸多優勢，預計將顯著推動材料與工程科學、地球與行星科學等領域的進步。未來的工作應考慮建立跨機構的數據共享平臺與信號采集標準，以促進該領域與數據科學、人工智能等學科的交叉融合，使之向著更加自動化、智能化的方向發展。

論文原文：Su, A., Tian, W., Wang, Z., Wang, W., & Gong, T. N. (2025). Examining the Quantification Capability of Automated Mineralogy System: A Machine Learning Approach. Journal of Geophysical Research: Machine Learning and Computation, 2(3), e2024JH000476.