部分造岩礦物、典型變質礦物和鮞粒薄片顯微圖像數據集

部分造岩礦物、典型變質礦物和鮞粒薄片顯微圖像數據集
作者：朱世松　楊文藝　蘆碧波　黃光耀　侯廣順　魏世鵬　張艷林
2020年3月23日

本作品收錄於《中國科學數據》

朱世松, 楊文藝, 蘆碧波, 等. 部分造岩礦物、典型變質礦物和鮞粒薄片顯微圖像數據集[J/OL]. 中國科學數據, 2020. (2020-03-23). DOI: 10.11922/csdata.2020.0006.zh.

摘要&關鍵詞

摘要：岩石薄片微觀數據可以幫助研究人員準確地確定岩石的結構、類型、空隙演化規律、裂隙發育與控制等情況。岩石薄片顯微圖像全面真實地反映了岩石微觀的結構、粒度大小、礦物成分等特徵。因此，本文以三大類岩石中常見的橄欖石、普通輝石、角閃石、黑雲母、斜長石、紅柱石、堇青石、十字石、石榴子、陽起石和鮞粒為樣本，經切樣、粗磨、細磨、粗拋、粘片、磨片、粗拋、精拋8個步驟製作成岩石薄片。利用規格為DM2700P，放大倍數為50的Leica偏光顯微鏡，在單偏光和正交偏光的光源環境下進行圖像採集。共獲取到1446張圖像彩色岩石薄片圖像，存儲容量為2.15GB。本數據集可為岩石薄片智能分類識別及地質工作者研究岩石成因提供基礎數據源。

關鍵詞：岩石薄片；顯微圖像；圖像分類；智能識別；造岩礦物；圖像數據庫

Abstract & Keywords

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

數據庫（集）基本信息簡介

數據庫（集）名稱	部分造岩礦物、典型變質礦物和鮞粒薄片顯微圖像數據集
數據作者	朱世松、楊文藝、蘆碧波、黃光耀、侯廣順、魏世鵬、張艷林
數據通信作者	侯廣順（houguangshun@163.com）
數據採集時間	2018 – 2019年
地理區域	岩石樣品采自中國，薄片保存於河南理工大學資源環境學院
數據量	2.15 GB
數據格式	*.jpg
數據服務系統網址	https://dx.doi.org/10.11922/sciencedb.j00001.00014
基金項目	國家自然科學基金（41773024、U1404103）；河南省國際科技合作項目（084300510065）。
數據庫（集）組成	數據集按礦物種類分為橄欖石、普通輝石、角閃石、黑雲母、斜長石、紅柱石、堇青石、十字石、石榴子、陽起石和鮞粒11個文件夾，共計1446張圖片。其中9類礦物薄片在單偏光和正交偏光兩種光源環境下拍攝，2類礦物薄片只在正交偏光下拍攝。

Dataset Profile

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

岩石是地質工作者最基本的研究對象，利用偏光顯微鏡觀察岩石薄片，是地質研究和應用中基本而有效的方法之一。岩石薄片觀察結果可以為岩性判別、岩石結構、岩石命名、岩石成因、地理環境演化等提供重要的信息^[1][2]。岩礦鑑定是實現科學找礦、擴大資源儲量的重要途徑和方法^[3][4][5]。岩石是礦物的集合體，識別礦物是岩礦鑑定的基礎。

識別礦物是一項繁瑣的工作，且需要專業的人士憑藉經驗來判斷礦物的種類。近年，隨着人工智能技術的發展，深度神經網絡技術不斷被應用到岩石和礦物圖像分析中。例如，基於卷積神經網絡的岩石圖像分類^[6]、基於岩石圖像深度學習的岩性自動識別與分類方法^[7]、基於深度學習特徵提取的岩石圖像礦物成分分析^[8]、基於水平集的方法自動提取岩石薄片圖像中的顆粒邊緣^[9]和基於語義特徵提取的砂岩薄片圖像顆粒分割方法^[10]等。但是，他們所研究的大多數是在野外採集的岩石標本照片，並且種類數目較少，研究的結果不能應用到在岩石薄片照片的識別。朱世松等在偏光顯微鏡下採集了10種岩石^[11]，進行了計算機薄片圖像的全自動識別與分類研究。

自然界中已經發現的礦物達3000多種，絕大多數種類的礦物在常見岩石中的含量都非常少。戈爾德斯密特礦物相律表明^[12]，自然界中熱力學平衡條件下形成的岩石都是由有限的礦物種類組成。橄欖石、普通輝石、角閃石、黑雲母、斜長石、方解石是岩石中常見的造岩礦物。紅柱石、堇青石、十字石、石榴子石和陽起石是典型變質礦物。從圖像識別的角度，鮞粒可以作為自生沉積礦物的代表。建立這些造岩礦物顯微鏡下圖像數據集，對於岩礦鑑定及計算機人工智能識別具有基礎性作用。

基於以上考慮，本文在前期工作的基礎上，構建了部分造岩礦物、典型變質礦物和鮞粒的顯微鏡下圖像數據集，這將為後繼的礦物識別提供基礎數據。本數據集可以為地質工作者推斷岩石的成因、結構以及類型提供強有力的支撐，也將為後繼的礦物識別提供基礎數據。

1 數據採集和處理方法

本研究中岩石薄片顯微圖像的數據採集過程分為岩石薄片製備、數據預處理和數據採集三個過程。

1.1 岩石薄片製備

製作流程簡述：對野外採集的岩石手標本，經切樣、粗磨、細磨、粗拋、粘片、磨片、粗拋、精拋8個步驟，製作成以玻璃為載體的岩石薄片標本。利用偏光顯微鏡對岩石薄片進行觀察並拍攝圖像，可以長期保存相關數據，提高樣本數據在傳輸、共享等方面的效率，並為未來的智能礦物識別和檢測提供堅實的數據基礎。

1.2 數據預處理

1.2.1 礦物的選取原則

根據成因，自然界的岩石分為岩漿岩、沉積岩和變質岩三大類。岩漿岩和變質岩屬於結晶岩，其礦物組成符合熱力學規律。組成岩漿岩和變質岩的礦物主要是橄欖石、普通輝石、角閃石、黑雲母和斜長石等。變質岩中會出現特徵礦物，例如，堇青石、紅柱石、十字石、石榴子石和陽起石等是典型的變質礦物。沉積岩的礦物成分比較複雜，其中方解石是最常見的自生礦物，鮞粒是方解石作為內碎屑的一種典型岩石結構組份。從圖像處理和人工智能的角度，本文把鮞粒也作為一種類似礦物進行識別。綜上，本文選取了能夠代表岩漿岩、變質岩和沉積岩的上述部分造岩礦物、典型變質岩礦物和自生沉積礦物，並以此為對象，建立顯微圖像數據集。

1.2.2 篩選薄片的過程與準則

根據前述的選取原則，需要篩選薄片，在顯微鏡下挑選礦物顆粒進行拍攝。挑選薄片的依據是其中包含的顆粒應滿足如下準則：

（1）礦物顆粒判別的準確性。由於切片的隨機性，並非薄片中的每一個顆粒都適用於礦物種類鑑定和識別。因此，將礦物顆粒的準確性作為挑選的首要原則，對於不確定的礦物顆粒，不予選取。

（2）礦物顆粒的新鮮度。為了避免礦物顆粒發生蝕變的現象，需要選取新鮮的礦物顆粒。

（3）礦物粒度尺寸的合理性，以保證在顯微鏡視域內拍出完整的礦物區域和邊界。若礦物顆粒太大超出視域，無法顯示完整的礦物顆粒邊界，丟失部分礦物信息。

（4） 礦物顆粒在多角度下呈現光學性質的多樣性。絕大多數的礦物都是光性非均質體。同一礦物在不同的角度下，會表現出不同的光學性質。礦物在顯微鏡下的光學性質總是在一定的光學性質範圍內變化。多角度拍攝可以較全面反映顆粒的多種光學性質。

1.3 數據採集方法

本數據集使用型號DM2700P、放大倍數為50的LeiCa偏光顯微鏡進行採集。共採集11種礦物、1446張顯微圖像。考慮到礦物具有在單一光源下不易識別的性質，在採集過程中對部分礦物採用了正交偏光。偏光顯微鏡提供正交光源觀察岩石薄片樣本。在單偏光下，可以準確地觀察礦物顆粒的晶形、顏色、解理、多色性和吸收性。通過正交偏光顯微鏡可以準確觀測到礦物干涉色的特性，主要包括最高幹涉色、消光類型、消光角、測定延性符號以及雙晶類型。在偏光顯微鏡下通過選取垂直於光軸的礦物顆粒，從干涉圖上能夠確定出礦物的光性與軸性、光軸角等特徵。通過在載物台上旋轉薄片樣本，並輔以不同光源環境，採集多幅圖像來確定礦物的種類、礦物含量等，並為岩石命名、岩性分析提供依據。表1給出本文採集的礦物薄片顯微圖像的種類、數量、所用光源系統和圖像分辨率。

表1 礦物薄片顯微圖像種類、數量、所用光源系統和圖像分辨率

'礦物薄片顯微'圖像種類	'礦物薄片顯微'圖像數量	'單偏光礦物薄片'顯微圖像	正交偏光礦物薄片顯微圖像	圖像分辨率
橄欖石	172	38	134	2560×1920px
普通輝石	182	35	147	2560×1920px
角閃石	105	0	105	2560×1920px
黑雲母	266	133	133	2592×1944px
斜長石	111	0	111	2560×1920px
紅柱石	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
陽起石	74	60	14	2560×1920px
鮞粒	101	58	43	2560×1920px

2 數據樣本描述

2.1 單偏光礦物薄片顯微圖像

礦物薄片顯微圖像數據集中每一個類別的圖像單獨保存在一個文件夾中，每一張圖像代表一個岩石樣本。文件夾命名方式為「序號」+「種類名」，每個圖像文件命名方式按自然數的順序排列，序號後面的「-」表示在單偏光環境下拍攝。部分樣本在單偏光環境下拍攝的礦物薄片顯微圖像如圖1所示。

圖片

圖1 部分樣本在單偏光環境下拍攝的礦物薄片顯微圖像

2.2 正交偏光礦物薄片顯微圖像

礦物薄片顯微圖像數據集中的每一個類別的圖像單獨保存在一個文件夾中，每一張圖像代表一個礦物樣本。文件夾命名方式為「序號」+「種類名」， 每個圖像文件命名方式按自然數的順序排列，序號後面的「+」表示在正交偏光系統下拍攝。對於同時在單偏光和正交偏光下拍攝的薄片圖像，同樣的薄片編號相同。部分樣本在正交偏光環境下拍攝的礦物薄片顯微圖像如圖2所示。

圖片

圖2 部分樣本在正交偏光環境下拍攝的礦物薄片顯微圖像

3 數據質量控制和評估

共獲取礦物薄片顯微圖像1446張，包含11類礦物薄片數據，存儲總容量為2.15 GB，圖像格式為jpg。以鮞粒薄片顯微圖像為例（圖3），顯微圖像質量清晰，包含完整的礦物顆粒。從製備方法、拍攝流程、圖像質量來看，本數據集可以滿足相關科研、教學的要求，並為礦物薄片自動識別、礦物顆粒檢測等提供基礎數據源。

圖片

圖片

圖片

圖3 鮞粒薄片顯微圖像

4 數據使用方法和建議

本數據集提供了部分造岩礦物、典型變質礦物和鮞粒薄片樣本的顯微圖像，不僅可以為教學、科普等提供更多種類多樣、形態豐富的展示數據，也可以為基於深度學習的礦物識別提供訓練樣本。特別隨着大數據、人工智能在地質領域的不斷應用，本數據集可以為智能化的礦物識別與分類、礦物顆粒智能檢測、礦物成分智能分析等岩石薄片顯微智能圖像分析研究提供基礎數據，具體使用建議如下：

（1）在造岩礦物智能識別方面，對數據庫中的顯微圖像使用深度學習技術，通過樣本學習或遷移學習，建立礦物識別模型，實現對新採集礦物岩石圖像的識別和分類。

（2）在造岩礦物智能檢測方面，可以使用標註軟件對顯微圖像中的礦物顆粒位置進行標註，以預測礦物的位置，計算薄片圖像中包含的礦物顆粒數量。

（3）在造岩礦物智能分割方面，可以對礦物顆粒的邊界或區域進行標註，利用標記結果進行深度神經網絡的訓練，實現礦物顆粒的智能分割和邊緣檢測，進而提取礦物顆粒的周長、面積、方向等特徵，實現礦物特徵的自動提取和智能分析。

參考文獻

1. 陳曉君, 陳小根, 宋剛, 等. 基於人工神經網絡模型的岩石特性預測[J]. 探礦工程(岩土鑽掘工程), 2019, 46(01): 34-38.
2. 李蒼柏, 范建福, 宋相龍. 深度學習在地質學上的應用[J]. 地質學刊, 2018, 42(01): 115-121.
3. 徐述騰, 周永章. 基於深度學習的鏡下礦石礦物的智能識別實驗研究[J]. 岩石學報, 2018, 34(11): 3244-3252.
4. 劉艷鵬, 朱立新, 周永章. 卷積神經網絡及其在礦床找礦預測中的應用——以安徽省兆吉口鉛鋅礦床為例[J]. 岩石學報, 2018, 34(11): 3217-3224.
5. 王堃屹, 周永章, 王俊, 等. 推薦系統算法在欽杭成礦帶南段文地幅礦床預測中的應用[J]. 地學前緣, 2019, 26(04): 131-137.
6. 程國建, 郭文惠, 范鵬召. 基於卷積神經網絡的岩石圖像分類[J]. 西安石油大學學報(自然科學版), 2017, 32(04): 116-122.
7. 張野, 李明超, 韓帥. 基於岩石圖像深度學習的岩性自動識別與分類方法[J]. 岩石學報, 2018, 34(02): 333-342.
8. 白林, 姚鈺, 李雙濤, 等. 基於深度學習特徵提取的岩石圖像礦物成分分析[J]. 中國礦業, 2018, 27(07): 178-182.
9. LU BB, CUI M, LIU Q, et al. Automated grain boundary detection using the level set method[J]. Computers and Geosciences, 2008, 35(2).
10. 姜楓, 顧慶, 郝慧珍, 等. 基於語義特徵提取的砂岩薄片圖像顆粒分割方法[J]. 中國科學: 信息科學, 2020, 50(01): 109-127.
11. 朱世松, 楊文藝, 侯廣順, 等. 一種岩石薄片智能分類識別方法[J/OL]. 礦物學報: 1-1[2020-02-28]. http://kns.cnki.net/kcms/detail/52.1045.P.20200111.1756.002.html.
12. Rosbaud, Paul. Victor Moritz Goldschmidt (1888-1947)[J]. Applied Geochemistry, 1988, 3(4): 361-369.

數據引用格式

朱世松, 楊文藝, 蘆碧波, 等. 部分造岩礦物、典型變質礦物和鮞粒薄片顯微圖像數據集[DB/OL]. Science Data Bank, 2020. (2020-03-13). DOI: 10.11922/sciencedb.j00001.00014.