《Minerals》：A Dual-Energy X-Ray Differential Response Fusion Method for Three-Class Copper Ore Classification
编辑推荐：
研磨前预富集对于减少不必要的下游处理和提高矿石利用率至关重要。双能X射线透射成像提供了矿石颗粒在不同能级下的配对响应，可用于颗粒级分类。然而，相邻类别（如废石和低品位铜矿石）可能表现出相似的透射外观，且判别线索可能分布在局部衰减细节和全局透射模式中。在本研究中
研磨前预富集对于减少不必要的下游处理和提高矿石利用率至关重要。双能X射线透射成像提供了矿石颗粒在不同能级下的配对响应，可用于颗粒级分类。然而，相邻类别（如废石和低品位铜矿石）可能表现出相似的透射外观，且判别线索可能分布在局部衰减细节和全局透射模式中。在本研究中，研究人员提出了一种双能X射线图像分类方法，命名为差分引导跨层特征融合网络（Difference-Guided Cross-Level Feature Fusion Network, DGCF-Net），用于铜矿石三分类。来自德兴铜矿的废石和铜矿石样本被用于构建三分类双能X射线图像数据集。DGCF-Net融合了来自配对低能和高能图像的响应差分线索，并组合局部和全局特征表示进行矿石颗粒分类。在构建的数据集上的实验结果表明，所提方法达到了0.9570的总体精度（Overall Accuracy, OA）、0.9664的宏F1分数（Macro-F1）和0.9953的曲线下面积（Area Under the Curve, AUC），参数数量为3.6424 M。这些结果表明，所提方法在当前数据集上提供了有效的分类性能，尤其对于图像响应相对相似的类别，而其更广泛的实际适用性需要在更真实的操作条件下进行进一步验证。
**论文解读：双能X射线差分响应融合方法用于铜矿石三分类**
**研究背景与问题**
铜是一种重要的基础金属，广泛应用于电力、电子、设备制造和新能源等领域。随着高品位易选铜矿石资源的逐渐枯竭，铜资源开发日益转向低品位和成分复杂的矿石。若此类矿石未经预先分离直接进入破碎、研磨和浮选流程，大量低价值或废石将进入后续工序，导致能耗、运行成本和设备负荷增加。因此，研磨前的预富集和废石早期剔除对于减少无效下游处理、提高入料品位和资源利用效率至关重要。双能X射线透射（X-ray Transmission, XRT）技术具有穿透能力强、无损检测、便于在线部署等优势，已成为矿石预富集和分选的重要传感手段之一。然而，对于废石、低品位铜矿石和高品位铜矿石的三分类任务，现有方法在判别性表示方面仍有改进空间。一方面，高能-低能图像间的响应差异未被显式强调；另一方面，易混淆类别的判别线索分布在局部衰减细节和全局透射结构中，单级特征建模或固定融合策略难以充分挖掘跨层互补信息。为此，研究人员提出了差分引导跨层特征融合网络（DGCF-Net），旨在通过显式增强双能响应差异并自适应整合跨层判别特征，更有效地表征该三分类任务中的关键线索。
**研究内容与结论**
本研究以德兴铜矿的废石和铜矿石样本为研究对象，构建了三分类双能X射线图像数据集，并提出了DGCF-Net。实验结果表明，DGCF-Net在测试集上取得了总体精度（OA）0.9570、宏F1分数（Macro-F1）0.9664、曲线下面积（AUC）0.9953，参数量仅为3.6424 M，优于ResNet-18、DenseNet-121、ViT-Tiny、Swin-Tiny等对比模型，尤其改善了废石与低品位铜矿石之间的混淆。消融实验验证了差分引导嵌入（DGE）、混合全局-局部特征提取（HFE）和自适应跨层特征融合（ACF）三个模块的互补贡献。该研究为双能X射线图像在铜矿石分类中的应用提供了可行方法，论文发表在《Minerals》。
**关键技术方法**
样本采集自德兴铜矿30个具有不同地质特征的采样点，涵盖不同矿化程度、岩性特征和铜品位范围。经破碎后保留原始颗粒形态，使用双能X射线透射成像（160 kV，550 μA）获取低能和高能图像对。通过阈值分割、形态学处理和连通域分析提取单个颗粒样本，构建废石、低品位铜矿石和高品位铜矿石三分类图像数据集，并按7:2:1划分训练集、验证集和测试集。图像统一缩放至224×224像素，训练时采用随机裁剪、翻转、旋转、高斯模糊、亮度/对比度扰动等数据增强，且对低能和高能图像施加相同随机参数以保持空间对应。网络由DGE模块（显式嵌入双能响应差异）、HFE模块（结合注意力全局交互与卷积增强前馈网络，兼顾全局透射模式和局部衰减细节）和ACF模块（自适应融合中间层局部细节与深层全局模式）组成。训练采用交叉熵损失，200个epoch，余弦退火学习率调度，固定随机种子42。
**研究结果**
**3.1 与代表性深度学习模型比较**
通过对比ResNet-18、DenseNet-121、ViT-Tiny、Swin-Tiny及ResNet18-LHD（三通道低能、高能、差分图像直接拼接输入）等模型，在统一训练设置下进行评估。DGCF-Net取得了最高总体精度（OA 0.9570）和宏F1分数（Macro-F1 0.9664），AUC与DenseNet-121并列0.9953，参数量最小（3.6424 M），浮点运算量（FLOPs）为1.4176 G。相比ResNet18-LHD，OA提升1.72个百分点，Macro-F1提升1.35个百分点；相比DenseNet-121，OA提升0.61个百分点，Macro-F1提升0.55个百分点。表明DGCF-Net在分类性能与模型复杂度之间取得了良好平衡，但提升幅度有限。
**3.2 消融研究**
以双能基线网络为基础，逐步引入DGE、HFE和ACF模块。引入DGE后，OA从0.9287升至0.9349，AUC从0.9883升至0.9916，表明DGE增强了双能差分表示。加入HFE后，OA进一步升至0.9496，Macro-F1升至0.9602，说明HFE提升了特征提取质量。加入ACF后，模型达到最优，OA、Macro-F1和Macro-AUC分别为0.9570、0.9664和0.9953，表明ACF自适应整合了局部与全局特征，进一步改善了易混淆样本的识别。
**3.3 易混淆类别分析**
基于混淆矩阵分析废石、低品位和高品位铜矿石的误分类模式。基线配置下，所有高品位样本正确分类，误分类主要集中于废石和低品位铜矿石之间的双向混淆，废石识别率为0.9326。引入DGE后，废石识别率升至0.9551，误分类为低品位的样本减少。加入HFE后，废石识别率进一步升至0.9573。加入ACF后，废石识别率略降至0.9438，但低品位铜矿石正确识别数从259增至271，误分类为废石的样本从22减至10，表明ACF通过整合局部细节与全局上下文建立更平衡的类边界，减少了低品位铜矿石的误认。
**讨论与结论**
**讨论部分总结**
研究分析了双能差分与多尺度融合机制的作用。三分类任务的主要难点在于废石与低品位铜矿石的区分，二者图像模式部分重叠可能与颗粒厚度、密度、形态、内部非均匀性及X射线衰减的混合效应有关。DGE模块通过显式增强高-低能图像差异，降低了废石被误分为低品位的比例；ACF模块自适应融合多尺度特征，减少了低品位铜矿石被误分为废石的情况。两者互补，共同提升了分类性能。然而，研究存在局限性：数据集仅来自单一矿山、离线实验室成像条件，未考虑颗粒尺寸信息，标签基于粗分组而非颗粒级化学分析，且评估仅基于图像分类指标，未量化过程级指标（如废石剔除率、金属损失率等）。未来需扩展数据源、开展在线测试、结合矿物表征和过程级验证。
**研究结论翻译**
本研究针对基于双能X射线图像的铜矿石三分类任务提出了DGCF-Net，使用了来自单一矿源的实验室采集双能XRT图像。结果表明，所提方法在当前数据集上取得了有竞争力的图像分类性能，并以相对较低的模型复杂度改善了易混淆类别（如废石和低品位铜矿石）的区分能力。消融研究支持了DGE、HFE和ACF模块的贡献。此外，结果表明，高能、低能和差分图像的融合为当前数据集中的分类提供了互补图像信息，表明双能XRT图像包含与当前粗类别标签相关的有用图像特征。然而，这些发现应被视为当前实验条件下基于图像分类可行性的初步证据，其与工业预富集性能的相关性仍需进一步验证。
