研究背景
礦物含量是衡量礦石品質的重要指標之一，對於實現礦產資源的合理利用具有重要意義。在選礦廠中，快速準確地檢測礦物含量是一個關鍵問題。傳統的礦物含量檢測方法步驟繁瑣，分析週期長，還會破壞樣本內部結構。此外，這些方法對測量人員的實驗操作能力要求較高，而且成本昂貴，存在環境污染等缺陷，已經不適合現代數位化工業的快速發展需求。
近幾十年來，近紅外光譜分析技術由於其易操作、快速、無損等優點，已在醫療、食品、礦物勘探等領域獲得了廣泛的應用和發展。本文使用微型光纖光譜儀，以氧化銅礦表面的光學特性為背景，探究孔雀石含量與樣本表面反射光譜之間的關係，旨在創建一種快速且環保的礦物含量檢測模型。
測試樣品及實驗儀器搭建
本文測試資料及資料處理方法由福州大學資源與環境學院占錦玉教授提供，測試系統採用如海的光纖光譜儀、鹵素光源、Y 型光纖、校準白板等進行搭建，如圖1所示。其為了避免外界光對實驗的干擾，將探頭和樣品置於暗箱當中。
其中光譜儀和鹵素光源的主要參數為：
(a)光譜儀：光譜範圍：180~1100nm，感測器：背照式製冷線陣CCD，有效像素2048pixels。
(b) 鹵素光源：工作功率：8.04w，發射光範圍：350~2500nm，供電電流：12V/1.2A 以上，輸出介面：SMA905。
實驗結果
1. 孔雀石和脈石礦物樣品反射率測試
同一孔雀石和脈石礦物樣品的 32 條反射率光譜曲線，分別如圖2、圖3所示。
根據上圖，將精礦和脈石礦物的光譜曲線分為 340~400nm，400~1000nm，1000~1165nm 三個波段，在三個波長範圍內探究光譜資料獲取裝置的重複性，分別計算兩組樣品的峰值標準差、最大值以及最小值。由表1可知，兩端波段範圍內的峰值偏差均比中間波段大，兩端反射光譜的重複性稍差，因此選擇400~1000nm波段進行分析。
2. 礦物種類識別模型的建立
採用 SVM 演算法來建立礦物種類識別模型。建模之前，將孔雀石、石英、赤鐵礦三種礦物設置標籤值，數位1表示孔雀石，數位2表示石英，數位3表示赤鐵礦。將兩個主成分的得分值作為新的引數X代替原始光譜資料，標籤值作為因變數Y建立SVM模型。為了防止模型過擬合，選擇五折交叉驗證的方式的來建模。模型的訓練集結果如圖4所示，第一類樣本中，有一個樣本被錯誤地預測成第二類，為預測錯誤。第二、三類樣本的真實類別與預測類別完全一致，無錯誤預測。訓練集模型總體的識別準確率達 98.88%，表明建立的模型效果較好。
為了檢驗模型的預測能力，對預測集的30個樣本進行測試。模型的測試集結果如圖5所示，第一類和第三類樣本的預測值和真實值完全一致，第二類樣本中有一個被錯誤識別成第一類，其餘全部識別正確。PCA-SVM分類模型的總體預測準確率約為96.67%，模型預測效果較好，表明此模型用於礦物的聚類分析是可行的。
3. 基於BP神經網路的孔雀石含量檢測模型建立
經過競爭自我調整演算法挑選特徵後的光譜資料樣本按照4:1劃分，其中訓練集樣本93個，測試集樣本23個。根據上述設置的神經網路結構參數，將訓練集光譜資料X和實際的孔雀石含量值Y作為輸入來建立BP神經網路模型，模型訓練的結果如圖6。
由圖6可知，相關係數R=0.9908，模型均方根誤差 RMSE=0.04983，表明模型的真實值和預測值較接近，模型內部結構穩定性好。為了檢驗模型的預測能力，將另外的16個礦物樣本的光譜作為測試集輸入到建立的模型中，並與真實的孔雀石含量值相比較，如表2所示，模型的預測結果如圖7所示。
由表2的預測結果可知，預測相對誤差的最大值為0.238，最小值為0.004，誤差均在可接受的範圍內。模型的相關係數R=0.9832，均方根誤差RMSE=0.6936，表明BP模型的預測值和真實值之間相關性高，預測誤差較小，建立的模型具備較高的可行性，可用於模型資料分析。
實驗結論
結果表明，可通過如海光電XS13256光譜儀、HL10000鹵素光源等設備可搭建礦石分選系統，結合PCA-SVM和BP神經網路演算法可實現礦物的聚類分析以及礦石中孔雀石含量檢測。感謝福州大學資源與環境學院占錦玉教授提供文章素材。
設備推薦
