《Measurement》：Identifying diverse iron ores based on feature enhancement and deep learning classification with hyperspectral images
编辑推荐：
•一种融合特征增强与深度学习的混合框架，用于铁矿石品位检测。•将一维光谱转换为二维空间维度，以提高区分度。•设计多尺度核加权卷积神经网络，充分利用增强后的特征。•在四个采矿区域中，识别准确率超过84.65%。引言铁矿石是支撑基础设施、制造业和能源转型的重要战略资源。最新的地质调查
- •
一种融合特征增强与深度学习的混合框架，用于铁矿石品位检测。
- •
将一维光谱转换为二维空间维度，以提高区分度。
- •
设计多尺度核加权卷积神经网络，充分利用增强后的特征。
- •
在四个采矿区域中，识别准确率超过84.65%。
引言
铁矿石是支撑基础设施、制造业和能源转型的重要战略资源。最新的地质调查数据[1]、[2]显示，澳大利亚、巴西和中国拥有全球最大的铁矿石储量，其中澳大利亚约为500亿吨，巴西为330亿吨，中国则约为230亿吨。澳大利亚铁矿石的铁含量超过60%，而巴西铁矿石的铁含量在63%至68%之间。铁含量达到60%的矿石适合大规模冶炼。然而，作为世界上最大的铁矿石消费国，中国的铁矿石品位通常低于30%，其自给率仅为25%–30%[3]。因此，由于矿石的总铁含量较低，需要更先进的分选技术来降低生产成本[4]、[5]。如果在分选过程中能够准确识别并分类出废料和高品位铁矿石，这些矿石要么可以被处理掉，要么可以直接用于生产。这样一来，这些样本就无需进一步粉碎，从而既提高了效率，又减少了额外的能源消耗[6]。因此，在线矿石品位识别与分选对实际生产具有重要意义。
常见的矿石分选方法可分为人工分选、物理化学分选和基于传感器的分选技术，但这些方法在实际应用中都存在各自的缺陷。早期的人工分选方法不仅主观且效率低下，还无法满足大规模生产的需求，现已被淘汰。传统的物理化学分选方法包括磁选[7]、浮选[8]和重力分选[9]等。随着计算机视觉技术的快速发展，基于X射线[10]和彩色图像[11]、[12]等传感器的新型分选方法应运而生。不过，这些方法的分选精度较低，能耗较高，还会造成严重的环境污染。因此，亟需开发一种快速、高精度、节能且可靠的方法来检测不同品位的矿石。
高光谱技术是一种高效且无损的检测方法，能够捕捉物体的反射和吸收等细微光谱特性。该技术已被广泛用于矿物识别[13]、[14]、成分反演[15]、[16]以及矿产勘探[17]等领域。利用高光谱数据进行处理通常包括特征优化和建模两个主要步骤[18]。特征优化指的是从光谱数据中提取经过转换的特征空间，或选取一些有用的原始波段，以提高不同应用中的识别精度。一些研究人员选择通过主成分分析（PCA）等降维算法对光谱数据进行特征优化，以此预测矿石的品位。例如，有研究针对铁矿和铜矿[19]、[20]，采用序列投影算法（SPA）和竞争自适应重加权采样算法（CARS）对高光谱数据进行降维，以估算矿石中钾、锂等元素的含量[21]、[22]。虽然窄波段能够揭示某种材料的详细光谱响应，但为了减少数据冗余并设计出适合工业应用的低成本高光谱仪器，选取一些具有代表性且具有诊断意义的波段是十分必要的。降维方法旨在用尽可能少的波段获得满意的识别精度，但却忽略了光谱中包含的结构特征。相比之下，有一些方法从结构增强和维度提升的角度出发，成功重建了二维图案，比如格拉姆角差场（GADF）。例如，研究人员利用GADF将光谱数据转换为二维图像，应用于柴油分类、微塑料检测以及水果腐烂检测等领域[23]、[24]、[25]。
随后，可以运用传统的机器学习方法，如支持向量机（SVM）和随机森林（RF），或是深度学习技术，比如卷积神经网络（CNN），对提取的特征进行建模，从而在铜矿分选[26]、锡钨矿识别[27]、污染物浓度预测[28]、煤岩识别[29]、[30]、铁矿石粉品位预测[31]以及铜矿粉品位检测[32]等实际应用中进行分类或回归分析。尽管这些方法在一定程度上能够实现良好的矿石识别和品位预测，但它们仍然依赖于光谱数据的一维特性。目前的研究大多集中在单个采矿区域[33]、[34]、[35]。然而，地质条件和矿物组成是决定铁矿石性质的关键因素，不同采矿区域的铁矿石在品位、矿物结构、伴生元素以及物理性质等方面存在显著差异[36]。这些差异会限制基于某些矿山的模型在其他地点的矿山中的应用，从而影响其实际应用性和可扩展性。
本研究旨在通过两种方式提升高光谱图像的二维特征变换能力和深度学习能力，从而实现铁矿石品位的分类。其主要贡献如下：（1）从四个不同的采矿区域收集了多种矿石样本，以便为实际应用提供可靠且有效的品位识别依据；（2）采用GADF变换，提高不同品位矿石在二维表示下的类间区分度；（3）提出了一种卷积神经网络模型，进一步利用GADF变换所得的二维空间特征，高效地对矿石品位进行分类。
章节要点
材料与方法
实验流程主要包括四个模块：数据采集、特征增强、模型构建以及验证（见图1）。在数据采集阶段，首先获取矿石样本的高光谱原始图像，然后通过目标区域分割提取有效的矿物区域，并得出相应的平均光谱曲线。之后，将这些矿物样本在实验室中进行研磨和化学滴定，从而获得准确的品位标签。
铁矿石的光谱分析
图4展示了来自不同采矿区域的铁矿石样本的平均光谱曲线及方差分布。同一采矿区域内不同品位铁矿石的光谱曲线存在差异，这些差异反映了它们成分的不同，也为利用光谱曲线进行品位区分提供了独特依据。在1000–2500纳米的光谱范围内，铁矿石光谱的反射率通常在0.05到0.30之间。在1000–1350纳米和1450–1900纳米的两个范围内，
结论
高光谱成像技术在矿石品位识别方面具有明显优势，有望推动矿业向智能化、可持续的方向发展。然而，高光谱数据量庞大且结构复杂，这给其在实际铁矿石识别中的应用带来了阻碍。本文提出了一种三级识别方法，包括特征选择、特征增强和分类三个环节，即
CRediT作者贡献声明
徐志芳：写作——初稿撰写、可视化、验证、监督、软件使用、方法设计、研究实施、正式分析、数据整理、概念构建。乔晓军：写作——初稿撰写、可视化、验证、方法设计、研究实施、正式分析、数据整理、概念构建。江金宝：写作——初稿撰写、可视化、验证、方法设计、研究实施、资金筹集、正式分析、数据整理、概念构建。李康宁：
利益冲突声明
作者声明不存在任何可能影响本文研究结果的已知利益冲突或个人关系。
致谢
本研究得到了中国国家自然科学基金（编号：42271389）的支持。同时，我们也感谢北京师范大学表面过程与资源生态国家重点实验室提供的Hyspex-384设备。
Zhifang Xu|Xiaojun Qiao|Jinbao Jiang|Kangning Li|Zezheng Li|Xiaoyu Zu
