高光谱图像对矿产资源种类的深度识别方法

随着社会的发展，我国对矿产资源的需求日益增加，如何更加高效地利用矿石，减少加工过程中产生的废料，是当前迫切需要解决的问题。解决这个问题的关键之一是精准地识别矿物，为不同种类、不同大小的矿物选取合适的冶炼方法。随着可见光—近红外光谱技术的发展和传感器精度的提高，一些研究者提出使用高光谱来进行矿物识别。

高光谱图像处理技术

通常情况下，人类可以识别出与红色、蓝色和绿色相关的3个波长区域，而高光谱相机则可以收集整个跨电磁波谱的信息。不同的矿物具有的光谱信息不同，因此可以利用高光谱信息进行矿物的识别。

矿石光谱通常包含一系列特征吸收谱带，在不同的矿物中所提取的特征谱带信息不同。矿物的诊断性吸收特征可以用光谱吸收特征参数表征，如吸收波段波长位置、深度、宽度、对称度、面积等，从这些参数中可以提取各种矿物的定性和定量信息。

图1 菱镁矿可见光—近红外光谱曲线

2、基于高光谱图像的矿物种类深度识别算法

2.1神经网络模型介绍

CNN的全称是Convolutional Neura lNetworks，即卷积神经网络。考虑到CNN的广泛适用性以及在其他领域的杰出识别表现，选择CNN中的经典Resnet框架对矿物的RGB数据和高光谱数据进行学习训练，比较两者的表示能力。所提方法应用场景如图2所示,对开采出来的矿石进行初步分选之后，考虑到高光谱在矿物识别中的重要作用，利用高光谱相机对矿石进行拍照获取高光谱图像，然后将高光谱数据输入神经网络进行学习训练，实现矿物种类以及大小的分类，有助于后续冶炼方法的选择。

图2 利用高光谱图像和深度学习分类的矿物识别示意

2.2基于高光谱图像的矿物种类深度识别算法

选用了在图像分类领域取得杰出表现的ResNet框架构建矿物识别的深度模型。图3所示为ResNet模型的结构，其输入为矿物图像，经过5层设计好的卷积层后，再经过一个全连接层得到分类概率。

图3 矿物识别模型

3、识别效果分析

3.1基于矿物RGB图像的识别效果分析

为了加快数据的处理速度，选用预训练好的网络模型进行训练，节省了从头开始训练的时间。实验结果表明，利用RGB图像进行识别时，5种矿物的分类准确率为39.52%。这可能是因为矿物的RGB图像中包含的信息不足以判断矿物的种类。

图4利用RGB图像的识别表现

3.2基于矿物高光谱图像的识别效果分析

表2两种矿物的实验结果

189张黄铜矿图像被识别为方铅矿，占测试集比例为0.97%。识别正确的图像共计18898张，识别正确率为97.41%。

表3 3种不同尺寸矿物的实验结果

实验测试集合共包含29900张不同粒径的赤铁矿高光谱图像，识别正确的图像共计28326张，识别正确率为94.73%。

4、结论

为了筛选出矿物表达能力强的数据，本文比较了矿物的RGB图像和高光谱图像经深度网络学习后的识别结果，发现前者的识别结果仅为39.52%，而基于高光谱图像的识别结果达到了94.7%以上。因此，本文采用的卷积神经网络能有效学习到输入数据的隐藏特征，达到矿物种类分类分级的要求，解决了矿物加工方法选择过程中顾此失彼的问题。矿物RGB的识别表现低下的原因可能是因为RGB图像所携信息较为单一，不足以判断矿物种类，后续关于选矿方法的研究所采用的特征可重点考虑高光谱信息。

推荐：

无人机机载高光谱成像系统iSpecHyper-VM100

一款基于小型多旋翼无人机机载高光谱成像系统，该系统由高光谱成像相机、稳定云台、机载控制与数据采集模块、机载供电模块等部分组成。无人机机载高光谱成像系统通过独特的内置式或外部扫描和稳定控制，有效地解决了在微型无人机搭载推扫式高光谱照相机时，由于振动引起的图像质量较差的问题，并具备较高的光谱分辨率和良好的成像性能。

审核编辑 黄宇