隨著社會(huì)的發(fā)展，我國(guó)對(duì)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(guò)程中產(chǎn)生的廢料，是當(dāng)前迫切需要解決的問(wèn)題。解決這個(gè)問(wèn)題的關(guān)鍵之一是精準(zhǔn)地識(shí)別礦物，為不同種類(lèi)、不同大小的礦物選取合適的冶煉方法。隨著可見(jiàn)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(lái)進(jìn)行礦物識(shí)別。

高光譜圖像處理技術(shù)

通常情況下，人類(lèi)可以識(shí)別出與紅色、藍(lán)色和綠色相關(guān)的3個(gè)波長(zhǎng)區(qū)域，而高光譜相機(jī)則可以收集整個(gè)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(jìn)行礦物的識(shí)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(zhǎng)位置、深度、寬度、對(duì)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(jiàn)光—近紅外光譜曲線

2、基于高光譜圖像的礦物種類(lèi)深度識(shí)別算法

2.1神經(jīng)網(wǎng)絡(luò)模型介紹

CNN的全稱是Convolutional Neura lNetworks，即卷積神經(jīng)網(wǎng)絡(luò)?？紤]到CNN的廣泛適用性以及在其他領(lǐng)域的杰出識(shí)別表現(xiàn)，選擇CNN中的經(jīng)典Resnet框架對(duì)礦物的RGB數(shù)據(jù)和高光譜數(shù)據(jù)進(jìn)行學(xué)習(xí)訓(xùn)練，比較兩者的表示能力。所提方法應(yīng)用場(chǎng)景如圖2所示,對(duì)開(kāi)采出來(lái)的礦石進(jìn)行初步分選之后，考慮到高光譜在礦物識(shí)別中的重要作用，利用高光譜相機(jī)對(duì)礦石進(jìn)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(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，實(shí)現(xiàn)礦物種類(lèi)以及大小的分類(lèi)，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(xué)習(xí)分類(lèi)的礦物識(shí)別示意

2.2基于高光譜圖像的礦物種類(lèi)深度識(shí)別算法

選用了在圖像分類(lèi)領(lǐng)域取得杰出表現(xiàn)的ResNet框架構(gòu)建礦物識(shí)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(guò)5層設(shè)計(jì)好的卷積層后，再經(jīng)過(guò)一個(gè)全連接層得到分類(lèi)概率。

圖3 礦物識(shí)別模型

3、識(shí)別效果分析

3.1基于礦物RGB圖像的識(shí)別效果分析

為了加快數(shù)據(jù)的處理速度，選用預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，節(jié)省了從頭開(kāi)始訓(xùn)練的時(shí)間。實(shí)驗(yàn)結(jié)果表明，利用RGB圖像進(jìn)行識(shí)別時(shí)，5種礦物的分類(lèi)準(zhǔn)確率為39.52%。這可能是因?yàn)榈V物的RGB圖像中包含的信息不足以判斷礦物的種類(lèi)。

圖4利用RGB圖像的識(shí)別表現(xiàn)

3.2基于礦物高光譜圖像的識(shí)別效果分析

表2兩種礦物的實(shí)驗(yàn)結(jié)果

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

表3 3種不同尺寸礦物的實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)測(cè)試集合共包含29900張不同粒徑的赤鐵礦高光譜圖像，識(shí)別正確的圖像共計(jì)28326張，識(shí)別正確率為94.73%。

4、結(jié)論

為了篩選出礦物表達(dá)能力強(qiáng)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(luò)學(xué)習(xí)后的識(shí)別結(jié)果，發(fā)現(xiàn)前者的識(shí)別結(jié)果僅為39.52%，而基于高光譜圖像的識(shí)別結(jié)果達(dá)到了94.7%以上。因此，本文采用的卷積神經(jīng)網(wǎng)絡(luò)能有效學(xué)習(xí)到輸入數(shù)據(jù)的隱藏特征，達(dá)到礦物種類(lèi)分類(lèi)分級(jí)的要求，解決了礦物加工方法選擇過(guò)程中顧此失彼的問(wèn)題。礦物RGB的識(shí)別表現(xiàn)低下的原因可能是因?yàn)镽GB圖像所攜信息較為單一，不足以判斷礦物種類(lèi)，后續(xù)關(guān)于選礦方法的研究所采用的特征可重點(diǎn)考慮高光譜信息。

推薦：

無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)iSpecHyper-VM100

一款基于小型多旋翼無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)，該系統(tǒng)由高光譜成像相機(jī)、穩(wěn)定云臺(tái)、機(jī)載控制與數(shù)據(jù)采集模塊、機(jī)載供電模塊等部分組成。無(wú)人機(jī)機(jī)載高光譜成像系統(tǒng)通過(guò)獨(dú)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(wú)人機(jī)搭載推掃式高光譜照相機(jī)時(shí)，由于振動(dòng)引起的圖像質(zhì)量較差的問(wèn)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