阮顺玲|孟凌轩|居金荣|何万|蒙蒙|李家旭
西安建筑科技大学资源工程学院，中国西安710055
**摘要**
快速准确地识别钼矿对于优化选矿过程至关重要，但由于复杂的脉石干扰和环境噪声，这一任务仍然具有挑战性。本研究提出了一种基于可见近红外-短波红外（VNIR-SWIR）光谱的智能识别框架，该框架将新颖的化学计量算法与多特征融合技术相结合。为了解决光谱耦合问题，我们引入了多尺度带耦合四分位数范围（MC-IQR）算法，这是一种预处理技术，通过自适应滑动窗口滤波来稳健地提取重叠的光谱特征。与传统单一特征方法不同，我们的方法采用了一种动态加权的融合模型，该模型结合了欧几里得距离（EUCLIDIAN DISTANCE）、余弦相似性（COSINE SIMILARITY）和光谱信息散度（SPECTRAL INFORMATION DIVERGENCE，SID）算法。这种策略协同优化了多维光谱信息——包括幅度、几何形状和概率分布——以确保在复杂采矿环境中的适应性。在独立测试集上的统计验证显示，所有目标矿物类别的总体准确率为97.8%，每个样本的处理速度更快，不到10毫秒。消融实验进一步证实，完整的ED-CS-SID融合配置优于所有单一特征和双重特征变体。此外，在颚式破碎机处理的原始矿石样本上进行盲场测试，为模型的鲁棒性提供了额外的实际证据，证明了其在面对地表灰尘和混合矿物干扰时的有效性。这些结果支持所提出方法作为一种非破坏性和实时工具，在复杂采矿环境中实现智能矿物分选的潜力。
**引言**
准确的矿物识别是地质勘探、资源评估和选矿过程优化的基础，因为它直接影响矿石分类效率、浮选参数调整以及整体资源利用率。钼矿石通常具有复杂的矿物组合，而层状硅酸盐脉石矿物的存在会显著降低浮选效果[1]。在实际生产环境中，这些相关矿物常常具有重叠的宏观特征和部分相似的光谱响应，这增加了快速区分的难度。传统的化学分析方法可以提供可靠的成分信息，但它们通常耗时、成本高且对样品具有破坏性，因此不适合在动态采矿和分选场景中进行快速和非破坏性识别[2][3][4][5][6][7][8]。因此，开发一种快速、稳健且非破坏性的钼矿识别策略对于提高浮选响应性和选矿效率至关重要。
随着光谱技术的快速发展，已经引入了多种用于矿物表征的方法，包括X射线吸收光谱（XAS）[2][3]、X射线荧光光谱（XRF）[4][5]、激光诱导击穿光谱（LIBS）[6][7]和伽马射线光谱[8]。这些技术在矿物识别、岩石学分析和矿石性质评估方面显示出了巨大潜力。在钼矿浮选的背景下，不仅需要在浮选前对原料进行矿物识别以确定其类型，还需要在浮选过程中动态调整试剂方案和操作参数。然而，大多数现有的分析方法仍然基于采样后的实验室测量，这导致了矿石状态识别与浮选响应之间的时间延迟。因此，一种快速、非破坏性且适用于现场的矿物识别方法对于浮选前评估和实时浮选过程调整非常必要。
可见近红外至短波红外（VNIR-SWIR）反射光谱为这类应用提供了一个有吸引力的途径，因为它可以捕捉与晶体场效应[9]、电荷转移过程[10]和分子振动特征[11]相关的诊断光谱响应。这些光谱特征构成了矿物识别的关键物理基础，并已被广泛应用于地质分析和材料区分[12]。与传统的湿化学或实验室密集型方法相比，基于现场光谱仪的光谱测量具有多项实际优势，包括快速数据采集、宽光谱覆盖范围、非破坏性操作以及便于在采矿环境中部署[13]。通过将未知矿石的测量光谱与参考光谱库进行匹配，原则上可以实现快速矿物识别和在线决策支持。
近年来的研究从不同角度证明了基于光谱的矿物和矿石识别的可行性。肖等人（2020年）利用铁矿石的可见-红外光谱数据建立了总铁含量的逆向模型，该方法提高了检测效率并提供了新的铁矿石含量检测方法[14]。吕玉东等人（2022年）使用现场光谱仪验证了全光谱采集在 granite 识别中的适用性[15]。曹等人（2024年）提出了一种基于空间-光谱多维特征融合的岩石分类方法，分类准确率为97.956%[16]。邹等人（2024年）将可见近红外光谱与对比增强深度学习网络结合，开发了FADC-VIS模型，在大规模矿石分类中表现出较强的预测能力[17]。王晓宇等人（2023年）使用超微型光谱仪实现了对稗草的高精度早期识别[18]。劳埃德·温德里姆等人（2023年）提出了RSA-SAE模型，以抑制照明变化对光谱分析的影响，并实现了露天采矿中的自动化矿石/废料分类[19]。冈田直男等人（2020年）将深度学习与高分辨率点光谱结合，建立了适用于复杂含铜、赤铁矿和黄铁矿矿区的自动化分类框架，具有很强的泛化能力[20]。此外，彭阳Soaring等人（2023年）使用欧几里得距离作为区分指标，量化了400–1000纳米范围内钼矿石的成分差异[21]，而M. Dalm等人（2019年）展示了NIR-SWIR光谱信息在区分蚀变矿物方面的有效性[22]。总体而言，这些研究证实了反射光谱在快速矿物分析和矿石分类方面的巨大潜力。
然而，对于钼矿识别的具体任务，仍存在一些未解决的问题。首先，关于VNIR-SWIR范围内含钼矿石的光谱特异性的研究仍然有限，特别是在涉及混合矿物、表面污染和粒度变化的现实条件下[21]。其次，许多基于深度学习的方法虽然实现了高分类准确率，但它们通常作为黑盒模型运行，需要大量的标记数据集，并且物理可解释性有限。这降低了它们在矿场应用的实用性，因为在矿场环境中，快速校准、透明的决策逻辑和对外部干扰的鲁棒性都很重要。第三，传统的光谱匹配方法通常依赖于单一的几何或基于距离的指标。尽管计算效率高，但这些单一特征方法对由工业灰尘、颗粒大小不均、光照波动和多矿物干扰引起的振幅变化和局部扭曲非常敏感，因此可能在现场条件下稳定性降低且适应性有限。为了解决这些问题，本研究提出了一个适用于VNIR-SWIR区域的含钼矿石的智能识别框架。该框架旨在在保持物理可解释性的同时提高在复杂矿场干扰下的鲁棒性。通过结合多种互补的光谱相似性描述符并引入更自适应的决策策略，所提出的方法旨在克服固定权重或单一指标匹配方法的局限性。通过这种方式，本研究旨在提供一种快速、非破坏性和实际可部署的钼矿识别方案，从而支持更高效的矿石分选和浮选过程控制。
**部分摘录**
**钼矿主要矿物的快速识别模型**
为了解决钼精矿中可能存在矿物的复杂性，必须首先对其主要矿物成分的光谱数据进行处理，以提取VNIR-SWIR波段内的关键特征。然后基于这些特征构建一个准确的光谱库，从而能够在各种环境中快速识别出主要的钼矿精矿矿物。随后，收集目标采矿区域的矿石样本。
**特征分析模块**
钼矿在VNIR-SWIR范围内的光谱吸收特性经常受到相关矿物的干扰，导致单一方法表征无法准确确定主要吸收带。为了解决这个问题，提出了一种多角度融合光谱特征分析模块，该模块结合了几何、动态和形态特征，从而建立更稳健的光谱信息表示。
**结论与展望**
本研究利用全波段人工光源和便携式高分辨率地面光谱仪，获得了钼矿及其相关主要矿物的VNIR-SWIR反射光谱。这种方法有效减轻了环境干扰并增强了光谱连续性。通过特征吸收特征的识别以及与定制的地面光谱库的自动匹配，实现了有效的矿物识别。
**作者利益声明**
作者声明没有已知的财务利益或个人关系可能影响本文所述的工作。
**致谢**
本研究得到了国家自然科学基金（项目编号：52374160）和陕西省自然科学基础研究计划（项目编号：2022JM-201）的支持，为研究提供了重要支持。
