基于鞍山式铁矿成像光谱的融合算法研究

铁矿资源是我国经济发展和社会进步的物质基础。在铁矿开采过程中,快速精准地确定铁矿品位,对矿山开采决策及经济效益具有重要影响。高光谱成像技术具有影像覆盖范围广、精度高等优势,已广泛应用于矿石分类及成分反演等领域。然而目前高光谱成像传感器的波段范围主要为可见短近红外(Vis-SWIR)和近红外(NIR)两类,且两类数据多为独立获取,缺乏连续性,采用单一数据所建模型的精度往往偏低。因此融合多传感器所获光谱数据,可有效解决单一传感器波段范围小、包含目标特征波段少等问题,提高基于高光谱成像技术的铁矿品位反演精度。使用Pika L与Pika NIR-320高光谱成像仪,分别在Vis-SWIR与NIR两个波段范围内采集鞍山式铁矿的成像光谱数据,提出了基于互信息(MI)的光谱串联融合方法,该方法首先对两组光谱数据进行预处理,然后对处理后的数据进行互信息计算以此对光谱数据进行串联融合。最后分别以Vis-SWIR、NIR以及基于不同波段串联融合的光谱数据为数据源,建立RBF神经网络品位反演模型,并以融合前后光谱数据所建模型的准确性与精度为融合算法有效性的判别指标。结果表明,光谱数据串联融合后所建模型的准确性与精度高于单独使用Vis-SWIR、NIR光谱数据所建模型的准确性与精度。与基于其余波段串联融合的光谱数据相比,在基于互信息计算得出的959.89nm处串联融合后光谱数据所建模型的准确性与精度最高,R2为0.88,RPD为2.97,RMSE为4.464,MAE为3.32。该研究针对多传感器光谱融合提出了一种新思路,对成像光谱技术应用于铁矿品位反演具有现实指导意义。

可见光-近红外光谱的低品位斑岩型铜矿反演模型

目前,国内外铜矿品位分析多以化学分析法为主,但由于化学分析法存在成本高、时间长和污染物残留等缺点,其相对配矿流程存在严重的滞后效应,致使尾矿铜含量过高,必然造成资源浪费。开展斑岩型铜矿可见光-近红外光谱特征与建模研究是解决这一问题的有效途径。以121个乌山斑岩型铜矿的化学分析与光谱测试数据为数据源,分析了斑岩型铜矿可见光-近红外光谱特征,以主成分分析法(PCA)、局部线性嵌入算法(LLE)两种降维算法对原始光谱数据进行了处理,所降维数分别为3维和5维,同时利用遗传算法(GA)对原始光谱数据进行了波段选择,共选取了467个最佳波段。然后以BP神经网络为建模方法,并分别以92个和29个斑岩型铜矿可见光-近红外光谱数据作为建模样本和测试样本,建立了斑岩型铜矿可见光-近红外光谱的定量反演模型。利用原始数据所建模型的品位反演平均绝对误差为0.104%,利用主成分分析法、局部线性嵌入算法、遗传算法处理后的数据所建模型品位反演平均绝对误差分别为0.110%, 0.093%和0.045%,由此可见,利用主成分分析法处理后的数据所建模型品位反演精度较差,利用局部线性嵌入算法处理后的数据所建模型品位反演精度略有提高,而利用遗传算法处理后的数据所建模型品位反演精度有明显提高。研究结果表明,基于低品位斑岩型铜矿可见光-近红外光谱数据反演模型的品位分析具有一定的可行性,为我国低品位斑岩型铜矿的品位快速检测提供了一种有效的手段。

智能矿山中的岩矿光谱智能感知技术与研究进展

随着新时代背景下的大数据、云计算、人工智能等先进技术的兴起,我国矿山正在由过去的机械化、数字化发展阶段逐步向智能化阶段迈进,智能化矿山或智慧矿山应运而生。传统的岩矿测试方法由于存在工作量大、效率低、周期长等缺陷,已成为智能矿山建设的瓶颈,研发新的岩矿测试技术已成为现代智能矿山建设的必由之路。在分析目前岩矿测试技术现状及存在问题的基础上,提出了基于光谱分析的岩矿智能感知技术,简称岩矿光谱智能感知技术。该技术具有原位测试、非接触、周期短、工序简单、经济高效和智能化特点,并可以识别矿岩中不同矿物的成分及其含量。结合课题组的科研实践,分析了该技术目前发展现状,指出加强岩矿光谱库建设、完善和发展现有光谱分析算法、提高光谱理论研究水平,从而提高岩矿识别与定量分析精度,将是未来科研工作的主方向,加强软硬件的集成化研究和应用化研究则是该技术落地的关键所在。

可见光-近红外光谱的矽卡岩型铁矿反演模型

铁矿资源是我国国民经济基础产业中的重要组成要素,在我国经济发展中有举足轻重的地位。铁矿品位的检定效率对铁矿石开采效率有重大影响。目前,铁矿石品位的化学分析检定法,不仅存在成本较高,化验周期长的问题,更主要的是其无法实现铁矿品位原位测定,相对配矿流程存在滞后效应,无法有效降低矿石开采的损失贫化率;基于可见光-近红外光谱分析的铁矿品位原位测定技术是解决这一问题的有效途径。以225个红岭矽卡岩型铁矿测试样本的可见光-近红外光谱数据及化学分析数据为数据源,首先对原始数据进行了平滑处理,并分析了矽卡岩型铁矿可见光-近红外光谱特征,然后利用倒数对数、多元散射校正(MSC)两种预处理方法对平滑后的光谱数据进行处理,再分别以主成分分析法(PCA)、遗传算法(GA)两种降维算法对预处理前后的光谱数据进行了处理,获取了六种不同预处理组合算法处理后的数据源。其中以PCA降维算法所降维数分别为3维、3维、7维;以GA降维算法所降维数分别为477维、489维、509维。最后基于随机森林(RF)和极限学习机(ELM)建立了矽卡岩型矿石金属铁品位的定量反演模型,以决定系数(R^(2))、均方根误差(RMSE)和平均相对误差(MRE)三个指标分别对模型的稳定性、精确度、可信度进行评价。结果表明,经MSC处理及PCA降维后的数据基于ELM算法建立的定量反演模型效果最优,其R^(2)可达0.99、RMSE为0.0057、MRE为2.0%,该方法所建模型对红岭矽卡岩型铁矿品位反演精度有明显的提升。对矽卡岩铁矿品位的实时、快速分析提供了一种有效的方法,对实现矽卡岩型铁矿的高效开采具有重要的现实意义。

颗粒度对高品位赤铁矿可见光——近红外光谱的影响研究

岩矿的反射光谱是进行岩矿分类与定量分析的重要依据,而颗粒度是影响光谱反射率的关键因素之一,探究不同颗粒度对岩矿反射光谱的影响至关重要。为了揭示颗粒度对赤铁矿反射光谱的影响规律,以巴西高品位赤铁矿为研究对象,利用SVC HR-1024光谱仪对不同颗粒度的样品进行可见光—近红外光谱测试,分析了赤铁矿样品的光谱反射率随着颗粒度的变化规律。研究表明:0.07~3.00 mm颗粒度范围内赤铁矿样品的光谱反射率随着颗粒度变化较小,且无明显规律;颗粒度为0.04~0.07 mm时,颗粒度对于光谱的影响主要体现在1 000~2 500 nm范围的近红外波段,颗粒度与反射率呈负相关关系;当颗粒度<0.04 mm时,样品光谱反射率发生突然性升高,在红光波段(620~760 nm)的反射峰突显,使得样品呈现明显的砖红色,同时在850~1 200 nm波段。光谱曲线出现陡边,反射率增加加快。试验结果很好地解释了赤铁矿在块状呈现钢灰色而在粉末状呈现红色的原因,同时也为提高铁矿遥感分类和定量反演精度提供了参考。