珠宝玉石鉴定方法、装置、介质及设备

摘要

本文是关于基于深度学习的珠宝玉石鉴定方法，应用于拉曼光谱仪，包括：获取待测物的拉曼光谱；将拉曼光谱输入第一级识别模型，确定待测物的相似类别或种属类别；若待测物为某一相似类别，选择与所述相似类别对应的第二级识别模型，将拉曼光谱输入对应的第二级识别模型，输出待测物的种属类别。通过两级识别模型，先确定待测物的相似类别，再选择与相似类别对应的第二级识别模型，确定待测物是相似类别中的具体种属类别，有效提高识别准确率。

说明书

技术领域

本文涉及化学物质的鉴定识别领域，尤其涉及珠宝玉石鉴定方法、装置、介质和设备。

背景技术

相关技术中，光谱检测的技术主要包括红外光谱分析、激光拉曼光谱分析两种，而拉曼光谱仪又多采用激光显微拉曼光谱仪。然而，激光显微拉曼光谱仪设备昂贵、操作复杂，而且不便携带，只能在实验室进行珠宝玉石种类检测。手持式拉曼光谱仪在现场识别应用中已表现出了卓越且不可替代的优势，然而，在宝石鉴定方面，手持式拉曼光谱仪受设备本身的限制，采集的拉曼光谱分辨率低，不易识别，而且手持式拉曼光谱仪由于检测过程中采样环境、采样人员和采样规范性的不确定性，使得准确性受到了很大程度的影响。另外，宝石在激光激发下会产生不同程度的背景荧光，荧光的干扰对于本就微弱的拉曼散射信号来说影响巨大，会导致最终拉曼图谱不能成图，影响检测结果的准确程度。

因此，优化或开发新的拉曼光谱分析识别算法是提高手持式拉曼光谱仪鉴定宝石亟待解决的问题。

发明内容

为克服相关技术中存在的问题，本文提供一种基于深度学习的珠宝玉石鉴定方法、装置、介质及设备。

根据本文的第一方面，提供一种基于深度学习的珠宝玉石鉴定方法，应用于拉曼光谱仪，包括：

获取待测物的拉曼光谱；

将所述拉曼光谱输入第一级识别模型，确定所述待测物的相似类别或种属类别；

若所述待测物为某一相似类别，选择与所述相似类别对应的第二级识别模型，将所述拉曼光谱输入所述对应的第二级识别模型，输出所述待测物的种属类别。

基于深度学习的珠宝玉石鉴定方法，还包括：将拉曼光谱相似的不同种属类别的珠宝玉石划分为同一相似类别。

拉曼光谱仪包括：手持式拉曼光谱仪。

所述第一级识别模型，为经过深度学习方法训练后得到的模型，使用标记了相似类别或种属类别的珠宝玉石的样本数据进行训练，用于识别所述待测物是否为珠宝玉石，并确定所述待测物的相似类别或种属类别。

所述第二级识别模型包括多个经过深度学习或其他机器学习方法训练后得到的模型，每一模型使用标记了种属类别的一组拉曼光谱相似的珠宝玉石的样本数据进行训练，用于识别待测物的种属类别。

根据本文的另一方面，提供一种基于深度学习的珠宝玉石鉴定装置，包括：

拉曼光谱获取模块，用于获取待测物的拉曼光谱；

第一识别模块，用于将所述拉曼光谱输入第一级识别模型，确定所述待测物的相似类别或种属类别；

模型选择模块，用于若所述待测物为某一相似类别，选择与所述相似类别对应的第二级识别模型；

第二识别模块，用于将所述拉曼光谱输入所述对应的第二级识别模型，输出所述待测物种属类别。

所述第一识别模块，为经过深度学习方法训练后得到的模型，使用标记了相似类别或种属类别的珠宝玉石的样本数据进行训练，用于识别所述待测物是否为珠宝玉石，并确定所述待测物的相似类别或种属类别。

所述第二识别模块包括多个经过深度学习或其他机器学习方法训练后得到的模型，每一模型使用标记了种属类别的一组拉曼光谱相似的珠宝玉石的样本数据进行训练，用于识别待测物的种属类别。

根据本文的另一方面，提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现基于深度学习的珠宝玉石的鉴定方法的步骤。

根据本文的另一方面，提供一种计算机设备，包括处理器、存储器和存储于所述存储器上的计算机程序，所述处理器执行所述计算机程序时实现基于深度学习的珠宝玉石的鉴定方法的步骤。

本文通过引入深度学习算法，基于珠宝玉石的自身特点，训练两级识别模型，可以实现由第一级识别模型先确定待测物的相似类别，再根据相似类别对具有相似类别的待测物选择对应的第二级识别模型，确定待测物的具体种属类别，有效提高识别准确率。

应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本文。

附图说明

构成本文的一部分的附图用来提供对本文的进一步理解，本文的示意性实施例及其说明用于解释本文，并不构成对本文的不当限定。在附图中：

图1是根据一示例性实施例示出的一种基于深度学习的珠宝玉石鉴定方法的流程图。

图2是根据一示例性实施例示出的象牙的拉曼光谱示意图。

图3是根据一示例性实施例示出的猛犸象牙的拉曼光谱示意图。

图4是根据一示例性实施例示出的玛瑙和水晶的拉曼光谱示意图。

图5是根据一示例性实施例示出的基于深度学习的珠宝玉石鉴定装置的框图。

具体实施方式

为使本文实施例的目的、技术方案和优点更加清楚，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。需要说明的是，在不冲突的情况下，本文中的实施例及实施例中的特征可以相互任意组合。

在珠宝玉石鉴定领域，光谱检测技术主要包括红外光谱分析、激光拉曼光谱分析两种。由于无机材料具有很强的中心对称振动模式，所以红外光谱不敏感，而拉曼光谱则具有很明显的优势。拉曼光谱一般更清晰，重叠带很少见到，谱图解析更方便。此外拉曼光谱的优点在于它的快速，准确，测量时通常不破坏样品(固体，半固体，液体或气体)，样品制备简单甚至不需样品制备。所以拉曼光谱多用于无机矿物的研究与宝玉石的无损鉴定等。利用拉曼光谱仪，可以迅速获取宝石中成分、晶体结构、分子配位基结构等信息，从而鉴定宝玉石品种类别及真假鉴别；另外，通过对宝石包裹体成分进行分析，可以借此判定宝石原产地及其是否经过人为处理；而通过测试宝石光致发光光谱(PL),还可以分析宝石的晶体缺陷及其原因等。可以说对于需要无损检测的珠宝玉石产品，拉曼光谱相较于其他技术,是一种非常有效、方便、快捷、准确的分析手段，而且发展空间非常巨大。激光显微拉曼光谱仪在珠宝鉴定领域，识别准确率很高，但设备昂贵、操作复杂，而且不便携带，只能在实验室进行珠宝玉石种类检测。因此手持式拉曼光谱仪由于造价低廉，使用方便等特点被广泛应用于鉴定现场，但受设备自身的限制，其采集的拉曼光谱分辨率不是很高，同时由于采样环境、采用人员和采样规范的不确定性，使得手持式拉曼光谱仪很难采集到的高分辨率的拉曼光谱，加之宝石在激光激发下会产生不同程度的背景荧光，荧光的干扰对于本就微弱的拉曼散射信号来说影响巨大，会导致最终拉曼图谱不能成图，影响检测结果的准确程度。

珠宝玉石的种类繁多，按宝石的成因可分为天然珠宝玉石和人工宝石，而天然珠宝玉石中不同种类的宝石可能具有相似的化学成分或化学结构，从而具有相似的拉曼光谱图，如石英质玉和水晶。传统技术根据拉曼光谱对待测物进行识别，虽然可以对大多数种类的珠宝玉石进行准确识别，但对于少数具有相似拉曼光谱图的珠宝玉石的识别，存在很多的不确定性，要准确区分如此相似的拉曼光谱，对算法的要求很高，基于相关系数算法及普通的机器学习算法很难做到准确区分，往往会产生误判，因此必须有一套与珠宝玉石的特征相关的算法，才能准确对待测物进行识别，提高鉴定的准确率。

为解决现有技术中存在的问题，本文提供一种基于深度学习的珠宝玉石鉴定方法。在实施本文的鉴定方法前，对已知的珠宝玉石进行分类，根据珠宝鉴别国家标准、珠宝行业专家知识，将现有珠宝玉石根据组成成分划分为多个种属类别，例如：猛犸牙、象牙、翡翠、水晶、珍珠、贝壳等。在此基础上，将拉曼光谱相似的多个不同种属类别的珠宝玉石划分为一组，在本文中将一组中的多个不同种属类别的珠宝玉石作为同一相似类别。具体的分组方法和分组数量，根据实际确定，本文不作限制。

图1是根据一示例性实施例示出的一种基于深度学习的珠宝玉石鉴定方法的流程图。参考图1，基于深度学习的珠宝玉石鉴定方法，应用于拉曼光谱仪，包括：

步骤S11，获取待测物的拉曼光谱。

步骤S12，将所述拉曼光谱输入第一级识别模型，确定所述待测物的相似类别或种属类别。

步骤S13，若所述待测物为相似类别，选择与所述相似类别对应的第二级识别模型，将所述拉曼光谱输入所述对应的第二级识别模型，输出所述待测物的种属类别。

步骤S11，对待鉴定的待测物质，由拉曼光谱仪获取待测物的拉曼光谱。本实施例中，可以由激光显微拉曼光谱仪获取待测物质的拉曼光谱，也可由手持式拉曼光谱仪获取待测物质的拉曼光谱。

步骤S12,将拉曼光谱输入第一级识别模型，确定待测物的相似类别或种属类别。

珠宝玉石的特殊性在于它们大部分都是集合体(通俗讲就是混合物)，对于有些宝石，同一种属的不同样品的化学成分的含量都会有所变化，也就是说同一种属的珠宝玉石的光谱会有比较大的变化，例如各种颜色的碧玺，虽然化学成分相同，但因为是集合体，含有其他微量矿物成分的比例不同，导致其颜色不同，对应的拉曼光谱也不相同。还有一些宝石，虽然为不同的种属类别，但却具有相近的化学成分或者化学结构，例如二氧化硅类珠宝玉石，由于主要化学成分相似，其拉曼光谱也非常接近。再比如，蔷薇辉石伴生了石英，矿物成分复杂，同一样品的不同部位具有不同的拉曼光谱。传统的拉曼光谱仪在对上述物质鉴定时，往往不能给出准确的鉴定结论，后期需要专业技术人员对样品进行综合分析，效率低下，准确率也不高。

由于待测物的拉曼光谱和待测物的化学成分、化学结构有关，在本实施例中，将化学成分或者化学结构相似的一组物质划分为一个相似类别。例如，猛犸象牙和象牙，为不同的种属类别，但又有相似的化学成分，在本文中，把它们划分为一组，一组中的多个种属类别的物质作为一个相似类别，相似类别名称为猛犸象牙-象牙类；再如，将蔷薇辉石和石英划分为一个相似类别，相似类别名称为蔷薇辉石-石英质玉类；玛瑙是混有隐晶质石英的矿物，而水晶是一种石英结晶体，具有相似的化学结构，将玛瑙和水晶划分为一个相似类别，相似类别名称为石英质玉-水晶类。

在识别过程中，对大部分具有独特光谱特征的珠宝玉石，可以通过第一级识别模型，识别出具体的种属类别；而对于具有相似拉曼光谱图的物质，则无法直接判断其种属类别，需要先识别出待测物的相似类别。

在此基础上，步骤S13,若待测物为某一相似类别，选择与相似类别对应的第二级识别模型，将拉曼光谱输入对应的第二级识别模型，输出所述待测物的种属类别。

若待测物为某一相似类别，说明该待测物和其他物质具有相似的拉曼光谱，不能通过第一级识别模型进行准确预测。例如，对象牙制品的识别，根据第一级识别模型，根据拉曼光谱，只能识别出该象牙制品为猛犸象牙-象牙类，并不能确定该制品到底为猛犸象牙还是象牙。因此，对具有相似拉曼光谱的待测物,通过第二级识别模型，进行进一步的识别，从而将拉曼光谱相似的不同珠宝玉石进行精确的区分。例如，在对象牙制品的拉曼光谱进行识别时，第一级识别模型对拉曼光谱进行识别，其特征符合“猛犸象-象牙类”的特征，因此识别出该待测物为猛犸象-象牙类相似种类，种属类别可能为猛犸牙，也可能为象牙。然后选择和猛犸象-象牙类相似种类对应的第二级识别模型，由第二级识别模型确定其种属类别为猛犸象牙或者象牙，实现准确的识别。

在一示例性实施例中，第一级识别模型，为经过深度学习方法训练后得到的模型，使用标记了相似类别或种属类别的珠宝玉石的样本数据进行训练，用于识别所述待测物是否为珠宝玉石，并确定所述待测物的相似类别或种属类别。由于珠宝玉石多数为混合物，通过第一级识别模型，识别待测物相似类别或种属类别。例如采集多个已知制品的拉曼光谱作为训练样本，并对样本进行标记。例如，不存在相似拉曼光谱的物质，使用物质本身的种属类别进行标记；具有相似拉曼光谱的物质，例如猛犸象牙和象牙的制品，将猛犸象牙制品的拉曼光谱、象牙制品的拉曼光谱标记为猛犸象-象牙类；同理，玛瑙制品的拉曼光谱、水晶制品的拉曼光谱标记为石英质玉-水晶类；类别的名称，可以是数字标识，也可以是文字标识，需要能对每一个相似类别进行唯一标识，具体标识方法，可以根据具体的使用环境和用途确定，本文不做限制。当然，本文所示的物质类别的划分，只是举例说明，在实际应用中，对珠宝玉石的类别划分并不限于以上情况。

使用标记后的样品对第一级识别模型进行训练。例如本实施例样本包括多个具有相似拉曼光谱的物质，还包括多个不具有相似拉曼光谱的物质。对于多个具有相似拉曼光谱的物质，按拉曼光谱的相似程度进行分组，同组物质的拉曼光谱标识为同一相似类别；对于不具有相似拉曼光谱的物质，每一物质使用该物质的种属类别进行标记。采样样本数量大于300，对第一级识别模型进行大于100次的迭代训练，直到第一级识别模型达到预设的识别准确率。

在一示例性实施例中，第二级识别模型包括多个经过深度学习或其他机器学习方法训练后得到的模型，每一模型使用标记了种属类别的一组拉曼光谱相似的珠宝玉石的样本数据进行训练，用于识别待测物的种属类别。选择同一相似类别的，具有相似化学成分或者相似化学结构的，不同种属类别的物质进行采样，获取足够的具有相似的拉曼光谱的训练样本，使用训练样本对深度学习模型进行训练，直到达到预设的识别准确率。分别对多个相似类别的物质采样，并训练深度学习模型，将训练好的机器学习模型与训练样本的相似类别建立隐形的对应关系，从而获得多个第二级识别模型，第二级识别模型的数量由分组方法中定义的相似类别的组数决定，且与划分的相似类别一一对应。

基于珠宝玉石的特殊性，在首先确定了待测物的相似类别后，对具有相似类别的待测物可以通过第二级识别模型确定待测物是相似类别中的具体种属类别。如在对某矿物质进行鉴定时，第一级识别模型识别结果为石英质玉-水晶类时，选择石英质玉-水晶类对应的第二级识别模型，将拉曼光谱再次输入选择的第二级识别模型，由第二级识别模型识别该待测物为水晶或者石英质玉。又如，对某饰品进行鉴定，如第一级识别模型识别结果为猛犸象牙-象牙类，选择与猛犸象-象牙类对应的第二级识别模型，识别该饰品的材质为象牙或者猛犸象牙。

本文所提供的基于深度学习的珠宝玉石的鉴定方法，可以应用于手持式拉曼光谱仪，在采集的拉曼光谱分辨率不是很高的情况下，仍然可以达到很高的识别准确率，克服了传统手持式拉曼光谱仪的不足。

举例说明：

对于有机类宝石，象牙和猛犸象牙在化学成分上非常接近，因此其拉曼光谱图也非常接近。图2是根据一示例性实施例示出的象牙的拉曼光谱示意图；图3是根据一示例性实施例示出的猛犸象牙的拉曼光谱示意图。比较图2和图3，可见通过比较分析两种物质的拉曼光谱图，很难对两种物质进行区分。因此，传统拉曼光谱识别算法很难区分这两种物质，而本文提供的基于深度学习的珠宝玉石的鉴定方法，通过多级人工智能算法构建的机器学习模型，能够准确对两种物质进行识别，准确率可达90％以上。

对于二氧化硅类珠宝玉石品种，由于其主要化学成分相似，较难区分。图4是根据一示例性实施例示出的玛瑙和水晶的拉曼光谱示意图。图4中展示的玛瑙和水晶的拉曼光谱非常相似，因为玛瑙是混有隐晶质石英的矿物，而水晶是一种石英结晶体，因此它们具有非常相似的主拉曼光谱，位于460cm-1附近，要准确分辨如此相似的光谱，算法要求很高，基于相关系数算法及普通的非深度学习类的机器学习算法很难做到准确分辨，会产生误判。本文提供基于深度学习的珠宝玉石的鉴定方法，可大幅度提高辨别能力，识别正确率可以达到97％。

本文针对珠宝玉石的特有特点，对珠宝玉石的鉴定采用了分级识别的方法，首先由第一级识别模型确定出待测物的相似类别或种属类别，对于识别为相似类别的物质，再选择对应的第二识别模型，在次对拉曼光谱进行识别，识别出待测物的具体的种属类别。本文提供的方法，可以快速识别出大部分物质的种属类别，对于拉曼光谱相似的多个不同种属类别的物质，也可有效提高识别准确率。

图5是根据一示例性实施例示出的基于深度学习的珠宝玉石鉴定装置的框图。参考图5，基于深度学习的珠宝玉石鉴定装置包括：拉曼光谱获取模块501，第一识别模块502，模型选择模块503，第二识别模块504。

该拉曼光谱获取模块501被配置为用于获取待测物的拉曼光谱。

该第一识别模块502被配置为用于将所述拉曼光谱输入第一级识别模型，确定所述待测物的相似类别或种属类别。

该模型选择模块503被配置为用于若待测物为某一相似类别，选择与该相似类别对应的第二级识别模型。

该第二识别模块504被配置为用于将所述拉曼光谱输入所述对应的第二级识别模型，输出所述待测物种属类别。

第一识别模块，为经过深度学习方法训练后得到的模型，使用标记了相似类别或种属类别的珠宝玉石的样本数据进行训练，用于识别所述待测物是否为珠宝玉石，并确定所述待测物的相似类别或种属类别。

第二识别模块包括多个经过深度学习或其他机器学习方法训练后得到的模型，每一模型使用标记了种属类别的一组拉曼光谱相似的珠宝玉石的样本数据进行训练，用于识别待测物的种属类别。

本领域技术人员应明白，本文的实施例可提供为方法、装置(设备)、或计算机程序产品。因此，本文可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本文可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质上实施的计算机程序产品的形式。计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质,包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质等。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

本文是参照根据本文实施例的方法、装置(设备)和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括……”限定的要素，并不排除在包括所述要素的物品或者设备中还存在另外的相同要素。

尽管已描述了本文的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本文范围的所有变更和修改。

显然，本领域的技术人员可以对本文进行各种改动和变型而不脱离本文的精神和范围。这样，倘若本文的这些修改和变型属于本文权利要求及其等同技术的范围之内，则本文的意图也包含这些改动和变型在内。