Automatická klasifikace geologických vzorků pomocí spektroskopie laserem buzeného plazmatu a strojového učení

Abstract

Tato práce se zabývá tvorbou databáze LIBS (Laser Induced Breakdown Spectroscopy) spekter geologických vzorků, na jejíž základě jsou pak natrénovány klasifikační modely konvoluční neuronové sítě (CNN), které slouží k automatické klasifikaci vzorků. Natrénované modely jsou následně validovány na neznámých datech a porovnány mezi sebou z hlediska spolehlivosti a času potřebného pro jejich natrénování. Motivací práce je otestovat metodu LIBS v kombinací se strojovým učením jako potenciální metodu automatické klasifikace geologických vzorků. Současná řešení jsou totiž často finančně i časově nákladná. Metoda LIBS umožňuje rychlé chemické mapování a systémy jsou ve srovnání s jinými metodami chemické analýzy standardně používanými v geologii poměrně levné. LIBS navíc umožňuje detekci lehkých prvků (např. Li, Be), které jiné metody detekovat nedokáží.This thesis focuses on creating a database of LIBS spectra from geological samples. These spectra are then used to train a Convolutional Neural Network (CNN)-based classification model for the automatic classification of the samples. The trained models are validated on unknown data and compared in terms of accuracy and training time. The aim of the thesis is to evaluate the potential of combining LIBS with Machine Learning for the automatic classification of geological samples. Current methods are often time-consuming and expensive. LIBS allows for fast chemical mapping and, compared to other methods of chemical analysis used in geology, is relatively inexpensive. Additionally, LIBS can detect light elements (such as Li and Be) that are undetectable by other methods.