隨著社會的發展，我國對礦產資源的需求日益增加，如何更加高效地利用礦石，減少加工過程中產生的廢料，是當前迫切需要解決的問題。解決這個問題的關鍵之一是精準地識別礦物，為不同種類、不同大小的礦物選取合適的冶煉方法。隨著可見光—近紅外光譜技術的發展和傳感器精度的提高，一些研究者提出使用高光譜來進行礦物識別。

高光譜圖像處理技術

通常情況下，人類可以識別出與紅色、藍色和綠色相關的3個波長區域，而高光譜相機則可以收集整個跨電磁波譜的信息。不同的礦物具有的光譜信息不同，因此可以利用高光譜信息進行礦物的識別。

礦石光譜通常包含一系列特征吸收譜帶，在不同的礦物中所提取的特征譜帶信息不同。礦物的診斷性吸收特征可以用光譜吸收特征參數表征，如吸收波段波長位置、深度、寬度、對稱度、面積等，從這些參數中可以提取各種礦物的定性和定量信息。

圖1 菱鎂礦可見光—近紅外光譜曲線

2、基于高光譜圖像的礦物種類深度識別算法

2.1神經網絡模型介紹

CNN的全稱是Convolutional Neura lNetworks，即卷積神經網絡。考慮到CNN的廣泛適用性以及在其他領域的杰出識別表現，選擇CNN中的經典Resnet框架對礦物的RGB數據和高光譜數據進行學習訓練，比較兩者的表示能力。所提方法應用場景如圖2所示,對開采出來的礦石進行初步分選之后，考慮到高光譜在礦物識別中的重要作用，利用高光譜相機對礦石進行拍照獲取高光譜圖像，然后將高光譜數據輸入神經網絡進行學習訓練，實現礦物種類以及大小的分類，有助于后續冶煉方法的選擇。

圖2 利用高光譜圖像和深度學習分類的礦物識別示意

2.2基于高光譜圖像的礦物種類深度識別算法

選用了在圖像分類領域取得杰出表現的ResNet框架構建礦物識別的深度模型。圖3所示為ResNet模型的結構，其輸入為礦物圖像，經過5層設計好的卷積層后，再經過一個全連接層得到分類概率。

圖3 礦物識別模型

3、識別效果分析

3.1基于礦物RGB圖像的識別效果分析

為了加快數據的處理速度，選用預訓練好的網絡模型進行訓練，節省了從頭開始訓練的時間。實驗結果表明，利用RGB圖像進行識別時，5種礦物的分類準確率為39.52%。這可能是因為礦物的RGB圖像中包含的信息不足以判斷礦物的種類。

圖4利用RGB圖像的識別表現

3.2基于礦物高光譜圖像的識別效果分析

表2兩種礦物的實驗結果

189張黃銅礦圖像被識別為方鉛礦，占測試集比例為0.97%。識別正確的圖像共計18898張，識別正確率為97.41%。

表3 3種不同尺寸礦物的實驗結果

實驗測試集合共包含29900張不同粒徑的赤鐵礦高光譜圖像，識別正確的圖像共計28326張，識別正確率為94.73%。

4、結論

為了篩選出礦物表達能力強的數據，本文比較了礦物的RGB圖像和高光譜圖像經深度網絡學習后的識別結果，發現前者的識別結果僅為39.52%，而基于高光譜圖像的識別結果達到了94.7%以上。因此，本文采用的卷積神經網絡能有效學習到輸入數據的隱藏特征，達到礦物種類分類分級的要求，解決了礦物加工方法選擇過程中顧此失彼的問題。礦物RGB的識別表現低下的原因可能是因為RGB圖像所攜信息較為單一，不足以判斷礦物種類，后續關于選礦方法的研究所采用的特征可重點考慮高光譜信息。

推薦：

無人機機載高光譜成像系統iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統，該系統由高光譜成像相機、穩定云臺、機載控制與數據采集模塊、機載供電模塊等部分組成。無人機機載高光譜成像系統通過獨特的內置式或外部掃描和穩定控制，有效地解決了在微型無人機搭載推掃式高光譜照相機時，由于振動引起的圖像質量較差的問題，并具備較高的光譜分辨率和良好的成像性能。

審核編輯 黃宇