隨著社會的發(fā)展，我國對礦產(chǎn)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(chǎn)生的廢料，是當前迫切需要解決的問題。解決這個問題的關(guān)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(shù)的發(fā)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(shù)

通常情況下，人類可以識別出與紅色、藍色和綠色相關(guān)的3個波長區(qū)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(shù)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(shù)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(jīng)網(wǎng)絡模型介紹

CNN的全稱是Convolutional Neura lNetworks，即卷積神經(jīng)網(wǎng)絡。考慮到CNN的廣泛適用性以及在其他領(lǐng)域的杰出識別表現(xiàn)，選擇CNN中的經(jīng)典Resnet框架對礦物的RGB數(shù)據(jù)和高光譜數(shù)據(jù)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(shù)據(jù)輸入神經(jīng)網(wǎng)絡進行學習訓練，實現(xiàn)礦物種類以及大小的分類，有助于后續(xù)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(lǐng)域取得杰出表現(xiàn)的ResNet框架構(gòu)建礦物識別的深度模型。圖3所示為ResNet模型的結(jié)構(gòu)，其輸入為礦物圖像，經(jīng)過5層設(shè)計好的卷積層后，再經(jīng)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(shù)據(jù)的處理速度，選用預訓練好的網(wǎng)絡模型進行訓練，節(jié)省了從頭開始訓練的時間。實驗結(jié)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(xiàn)

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(jié)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(jié)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(jié)論

為了篩選出礦物表達能力強的數(shù)據(jù)，本文比較了礦物的RGB圖像和高光譜圖像經(jīng)深度網(wǎng)絡學習后的識別結(jié)果，發(fā)現(xiàn)前者的識別結(jié)果僅為39.52%，而基于高光譜圖像的識別結(jié)果達到了94.7%以上。因此，本文采用的卷積神經(jīng)網(wǎng)絡能有效學習到輸入數(shù)據(jù)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(xiàn)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(xù)關(guān)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(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無人機機載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機、穩(wěn)定云臺、機載控制與數(shù)據(jù)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(tǒng)通過獨特的內(nèi)置式或外部掃描和穩(wěn)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(zhì)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