部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集
| 部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集 作者：朱世松 杨文艺 芦碧波 黄光耀 侯广顺 魏世鹏 张艳林 2020年3月23日 |
 朱世松, 杨文艺, 芦碧波, 等. 部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集[J/OL]. 中国科学数据, 2020. (2020-03-23). DOI: 10.11922/csdata.2020.0006.zh. |
摘要&关键词[编辑]
摘要：岩石薄片微观数据可以帮助研究人员准确地确定岩石的结构、类型、空隙演化规律、裂隙发育与控制等情况。岩石薄片显微图像全面真实地反映了岩石微观的结构、粒度大小、矿物成分等特征。因此，本文以三大类岩石中常见的橄榄石、普通辉石、角闪石、黑云母、斜长石、红柱石、堇青石、十字石、石榴子、阳起石和鲕粒为样本，经切样、粗磨、细磨、粗抛、粘片、磨片、粗抛、精抛8个步骤制作成岩石薄片。利用规格为DM2700P，放大倍数为50的Leica偏光显微镜，在单偏光和正交偏光的光源环境下进行图像采集。共获取到1446张图像彩色岩石薄片图像，存储容量为2.15GB。本数据集可为岩石薄片智能分类识别及地质工作者研究岩石成因提供基础数据源。
关键词：岩石薄片；显微图像；图像分类；智能识别；造岩矿物；图像数据库
Abstract & Keywords[编辑]
Abstract: The micro data of rock thin section can help researchers to accurately determine the rock structure, type, void evolution law, fracture development and control, etc. The micrograph of the thin section of rock reflects the characteristics of rock microstructure, grain size and mineral composition. Therefore, this paper takes olivine, augite, hornblende, biotite, plagioclase, andalusite, cordierite, cristobalite, pomegranate, actinolite and oolite as samples, and makes thin slices of rock through 8 steps of sample cutting, coarse grinding, fine grinding, coarse polishing, sticking piece, grinding piece, coarse polishing and fine polishing. The Leica polarizing microscope with dm2700p and 50 magnification was used for image acquisition under the light source environment of single polarized light and orthogonal polarized light. A total of 1446 color rock slice images were obtained, with a storage capacity of 2.15gb. This data set can provide a basic data source for the intelligent classification and recognition of rock thin sections and for geologists to study the genesis of rocks.
Keywords: rock slice; micrograph; image classification; intelligent recognition; rock forming mineral; image database
数据库（集）基本信息简介[编辑]
| 数据库（集）名称 | 部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集 |
| 数据作者 | 朱世松、杨文艺、芦碧波、黄光耀、侯广顺、魏世鹏、张艳林 |
| 数据通信作者 | 侯广顺（houguangshun@163.com） |
| 数据采集时间 | 2018 – 2019年 |
| 地理区域 | 岩石样品采自中国，薄片保存于河南理工大学资源环境学院 |
| 数据量 | 2.15 GB |
| 数据格式 | *.jpg |
| 数据服务系统网址 | https://dx.doi.org/10.11922/sciencedb.j00001.00014 |
| 基金项目 | 国家自然科学基金（41773024、U1404103）；河南省国际科技合作项目（084300510065）。 |
| 数据库（集）组成 | 数据集按矿物种类分为橄榄石、普通辉石、角闪石、黑云母、斜长石、红柱石、堇青石、十字石、石榴子、阳起石和鲕粒11个文件夹，共计1446张图片。其中9类矿物薄片在单偏光和正交偏光两种光源环境下拍摄，2类矿物薄片只在正交偏光下拍摄。 |
Dataset Profile[编辑]
| Title | Micro image data set of some rock forming minerals, typical metamorphic minerals and oolitic thin sections |
| Data corresponding author | Hou Guangshun（houguangshun@163.com） |
| Data authors | Zhu Shisong, Yang Wenyi, Lu Bibo, Huang Guangyao, Hou Guangshun, Wei Shipeng, Zhang Yanlin |
| Time range | 2018-2019 |
| Geographical scope | Rock samples were collected from China and thin sections were preserved in the school of resources and environment, Henan University of technology |
| Data volume | 2.15 GB |
| Data format | *.jpg |
| Data service system | < https://dx.doi.org/10.11922/sciencedb.j00001.00014> |
| Sources of funding | National Natural Science Foundation of China (U1404103, 41773024); International Science and technology cooperation project of Henan Province (084300510065). |
| Dataset composition | The dataset is divided into 11 folders of olivine, augite, hornblende, biotite, plagioclase, andalusite, cordierite, cristobalite, pomegranate, actinolite and oolite by mineral type, with a total of 1446 pictures. Among them, 9 kinds of mineral slices are photographed under single polarized light and orthogonal polarized light, while 2 kinds of mineral slices are photographed only under orthogonal polarized light. |
引 言[编辑]
岩石是地质工作者最基本的研究对象，利用偏光显微镜观察岩石薄片，是地质研究和应用中基本而有效的方法之一。岩石薄片观察结果可以为岩性判别、岩石结构、岩石命名、岩石成因、地理环境演化等提供重要的信息[1][2]。岩矿鉴定是实现科学找矿、扩大资源储量的重要途径和方法[3][4][5]。岩石是矿物的集合体，识别矿物是岩矿鉴定的基础。
识别矿物是一项繁琐的工作，且需要专业的人士凭借经验来判断矿物的种类。近年，随着人工智能技术的发展，深度神经网络技术不断被应用到岩石和矿物图像分析中。例如，基于卷积神经网络的岩石图像分类[6]、基于岩石图像深度学习的岩性自动识别与分类方法[7]、基于深度学习特征提取的岩石图像矿物成分分析[8]、基于水平集的方法自动提取岩石薄片图像中的颗粒边缘[9]和基于语义特征提取的砂岩薄片图像颗粒分割方法[10]等。但是，他们所研究的大多数是在野外采集的岩石标本照片，并且种类数目较少，研究的结果不能应用到在岩石薄片照片的识别。朱世松等在偏光显微镜下采集了10种岩石[11]，进行了计算机薄片图像的全自动识别与分类研究。
自然界中已经发现的矿物达3000多种，绝大多数种类的矿物在常见岩石中的含量都非常少。戈尔德斯密特矿物相律表明[12]，自然界中热力学平衡条件下形成的岩石都是由有限的矿物种类组成。橄榄石、普通辉石、角闪石、黑云母、斜长石、方解石是岩石中常见的造岩矿物。红柱石、堇青石、十字石、石榴子石和阳起石是典型变质矿物。从图像识别的角度，鲕粒可以作为自生沉积矿物的代表。建立这些造岩矿物显微镜下图像数据集，对于岩矿鉴定及计算机人工智能识别具有基础性作用。
基于以上考虑，本文在前期工作的基础上，构建了部分造岩矿物、典型变质矿物和鲕粒的显微镜下图像数据集，这将为后继的矿物识别提供基础数据。本数据集可以为地质工作者推断岩石的成因、结构以及类型提供强有力的支撑，也将为后继的矿物识别提供基础数据。
1 数据采集和处理方法[编辑]
本研究中岩石薄片显微图像的数据采集过程分为岩石薄片制备、数据预处理和数据采集三个过程。
1.1 岩石薄片制备[编辑]
制作流程简述：对野外采集的岩石手标本，经切样、粗磨、细磨、粗抛、粘片、磨片、粗抛、精抛8个步骤，制作成以玻璃为载体的岩石薄片标本。利用偏光显微镜对岩石薄片进行观察并拍摄图像，可以长期保存相关数据，提高样本数据在传输、共享等方面的效率，并为未来的智能矿物识别和检测提供坚实的数据基础。
1.2 数据预处理[编辑]
1.2.1 矿物的选取原则[编辑]
根据成因，自然界的岩石分为岩浆岩、沉积岩和变质岩三大类。岩浆岩和变质岩属于结晶岩，其矿物组成符合热力学规律。组成岩浆岩和变质岩的矿物主要是橄榄石、普通辉石、角闪石、黑云母和斜长石等。变质岩中会出现特征矿物，例如，堇青石、红柱石、十字石、石榴子石和阳起石等是典型的变质矿物。沉积岩的矿物成分比较复杂，其中方解石是最常见的自生矿物，鲕粒是方解石作为内碎屑的一种典型岩石结构组份。从图像处理和人工智能的角度，本文把鲕粒也作为一种类似矿物进行识别。综上，本文选取了能够代表岩浆岩、变质岩和沉积岩的上述部分造岩矿物、典型变质岩矿物和自生沉积矿物，并以此为对象，建立显微图像数据集。
1.2.2 筛选薄片的过程与准则[编辑]
根据前述的选取原则，需要筛选薄片，在显微镜下挑选矿物颗粒进行拍摄。挑选薄片的依据是其中包含的颗粒应满足如下准则：
（1）矿物颗粒判别的准确性。由于切片的随机性，并非薄片中的每一个颗粒都适用于矿物种类鉴定和识别。因此，将矿物颗粒的准确性作为挑选的首要原则，对于不确定的矿物颗粒，不予选取。
（2）矿物颗粒的新鲜度。为了避免矿物颗粒发生蚀变的现象，需要选取新鲜的矿物颗粒。
（3）矿物粒度尺寸的合理性，以保证在显微镜视域内拍出完整的矿物区域和边界。若矿物颗粒太大超出视域，无法显示完整的矿物颗粒边界，丢失部分矿物信息。
（4） 矿物颗粒在多角度下呈现光学性质的多样性。绝大多数的矿物都是光性非均质体。同一矿物在不同的角度下，会表现出不同的光学性质。矿物在显微镜下的光学性质总是在一定的光学性质范围内变化。多角度拍摄可以较全面反映颗粒的多种光学性质。
1.3 数据采集方法[编辑]
本数据集使用型号DM2700P、放大倍数为50的LeiCa偏光显微镜进行采集。共采集11种矿物、1446张显微图像。考虑到矿物具有在单一光源下不易识别的性质，在采集过程中对部分矿物采用了正交偏光。偏光显微镜提供正交光源观察岩石薄片样本。在单偏光下，可以准确地观察矿物颗粒的晶形、颜色、解理、多色性和吸收性。通过正交偏光显微镜可以准确观测到矿物干涉色的特性，主要包括最高干涉色、消光类型、消光角、测定延性符号以及双晶类型。在偏光显微镜下通过选取垂直于光轴的矿物颗粒，从干涉图上能够确定出矿物的光性与轴性、光轴角等特征。通过在载物台上旋转薄片样本，并辅以不同光源环境，采集多幅图像来确定矿物的种类、矿物含量等，并为岩石命名、岩性分析提供依据。表1给出本文采集的矿物薄片显微图像的种类、数量、所用光源系统和图像分辨率。
表1 矿物薄片显微图像种类、数量、所用光源系统和图像分辨率
| '矿物薄片显微'图像种类 | '矿物薄片显微'图像数量 | '单偏光矿物薄片'显微图像 | 正交偏光矿物薄片显微图像 | 图像分辨率 |
| 橄榄石 | 172 | 38 | 134 | 2560×1920px |
| 普通辉石 | 182 | 35 | 147 | 2560×1920px |
| 角闪石 | 105 | 0 | 105 | 2560×1920px |
| 黑云母 | 266 | 133 | 133 | 2592×1944px |
| 斜长石 | 111 | 0 | 111 | 2560×1920px |
| 红柱石 | 131 | 67 | 64 | 2560×1920px |
| 堇青石 | 91 | 54 | 37 | 2560×1920px |
| 十字石 | 120 | 60 | 60 | 2560×1920px |
| 石榴子石 | 93 | 67 | 26 | 2560×1920px |
| 阳起石 | 74 | 60 | 14 | 2560×1920px |
| 鲕粒 | 101 | 58 | 43 | 2560×1920px |
2 数据样本描述[编辑]
2.1 单偏光矿物薄片显微图像[编辑]
矿物薄片显微图像数据集中每一个类别的图像单独保存在一个文件夹中，每一张图像代表一个岩石样本。文件夹命名方式为“序号”+“种类名”，每个图像文件命名方式按自然数的顺序排列，序号后面的“-”表示在单偏光环境下拍摄。部分样本在单偏光环境下拍摄的矿物薄片显微图像如图1所示。
图1 部分样本在单偏光环境下拍摄的矿物薄片显微图像
2.2 正交偏光矿物薄片显微图像[编辑]
矿物薄片显微图像数据集中的每一个类别的图像单独保存在一个文件夹中，每一张图像代表一个矿物样本。文件夹命名方式为“序号”+“种类名”， 每个图像文件命名方式按自然数的顺序排列，序号后面的“+”表示在正交偏光系统下拍摄。对于同时在单偏光和正交偏光下拍摄的薄片图像，同样的薄片编号相同。部分样本在正交偏光环境下拍摄的矿物薄片显微图像如图2所示。
图2 部分样本在正交偏光环境下拍摄的矿物薄片显微图像
3 数据质量控制和评估[编辑]
共获取矿物薄片显微图像1446张，包含11类矿物薄片数据，存储总容量为2.15 GB，图像格式为jpg。以鲕粒薄片显微图像为例（图3），显微图像质量清晰，包含完整的矿物颗粒。从制备方法、拍摄流程、图像质量来看，本数据集可以满足相关科研、教学的要求，并为矿物薄片自动识别、矿物颗粒检测等提供基础数据源。
图3 鲕粒薄片显微图像
4 数据使用方法和建议[编辑]
本数据集提供了部分造岩矿物、典型变质矿物和鲕粒薄片样本的显微图像，不仅可以为教学、科普等提供更多种类多样、形态丰富的展示数据，也可以为基于深度学习的矿物识别提供训练样本。特别随着大数据、人工智能在地质领域的不断应用，本数据集可以为智能化的矿物识别与分类、矿物颗粒智能检测、矿物成分智能分析等岩石薄片显微智能图像分析研究提供基础数据，具体使用建议如下：
（1）在造岩矿物智能识别方面，对数据库中的显微图像使用深度学习技术，通过样本学习或迁移学习，建立矿物识别模型，实现对新采集矿物岩石图像的识别和分类。
（2）在造岩矿物智能检测方面，可以使用标注软件对显微图像中的矿物颗粒位置进行标注，以预测矿物的位置，计算薄片图像中包含的矿物颗粒数量。
（3）在造岩矿物智能分割方面，可以对矿物颗粒的边界或区域进行标注，利用标记结果进行深度神经网络的训练，实现矿物颗粒的智能分割和边缘检测，进而提取矿物颗粒的周长、面积、方向等特征，实现矿物特征的自动提取和智能分析。
参考文献[编辑]
- ↑ 陈晓君, 陈小根, 宋刚, 等. 基于人工神经网络模型的岩石特性预测[J]. 探矿工程(岩土钻掘工程), 2019, 46(01): 34-38.
- ↑ 李苍柏, 范建福, 宋相龙. 深度学习在地质学上的应用[J]. 地质学刊, 2018, 42(01): 115-121.
- ↑ 徐述腾, 周永章. 基于深度学习的镜下矿石矿物的智能识别实验研究[J]. 岩石学报, 2018, 34(11): 3244-3252.
- ↑ 刘艳鹏, 朱立新, 周永章. 卷积神经网络及其在矿床找矿预测中的应用——以安徽省兆吉口铅锌矿床为例[J]. 岩石学报, 2018, 34(11): 3217-3224.
- ↑ 王堃屹, 周永章, 王俊, 等. 推荐系统算法在钦杭成矿带南段文地幅矿床预测中的应用[J]. 地学前缘, 2019, 26(04): 131-137.
- ↑ 程国建, 郭文惠, 范鹏召. 基于卷积神经网络的岩石图像分类[J]. 西安石油大学学报(自然科学版), 2017, 32(04): 116-122.
- ↑ 张野, 李明超, 韩帅. 基于岩石图像深度学习的岩性自动识别与分类方法[J]. 岩石学报, 2018, 34(02): 333-342.
- ↑ 白林, 姚钰, 李双涛, 等. 基于深度学习特征提取的岩石图像矿物成分分析[J]. 中国矿业, 2018, 27(07): 178-182.
- ↑ LU BB, CUI M, LIU Q, et al. Automated grain boundary detection using the level set method[J]. Computers and Geosciences, 2008, 35(2).
- ↑ 姜枫, 顾庆, 郝慧珍, 等. 基于语义特征提取的砂岩薄片图像颗粒分割方法[J]. 中国科学: 信息科学, 2020, 50(01): 109-127.
- ↑ 朱世松, 杨文艺, 侯广顺, 等. 一种岩石薄片智能分类识别方法[J/OL]. 矿物学报: 1-1[2020-02-28]. http://kns.cnki.net/kcms/detail/52.1045.P.20200111.1756.002.html.
- ↑ Rosbaud, Paul. Victor Moritz Goldschmidt (1888-1947)[J]. Applied Geochemistry, 1988, 3(4): 361-369.
数据引用格式[编辑]
朱世松, 杨文艺, 芦碧波, 等. 部分造岩矿物、典型变质矿物和鲕粒薄片显微图像数据集[DB/OL]. Science Data Bank, 2020. (2020-03-13). DOI: 10.11922/sciencedb.j00001.00014.
