矿物含量是衡量矿石品质的重要指标之一，对于实现矿产资源的合理利用具有重要意义。

在选矿厂中，快速准确地检测矿物含量是一个关键问题。传统的矿物含量检测方法步骤繁琐，分析周期长，还会破坏样本内部结构。此外，这些方法对测量人员的实验操作能力要求较高，而且成本昂贵、存在环境污染等缺陷，已经不适合现代数字化工业的快速发展需求。

近几十年来，近红外光谱分析技术由于其易操作、快速、无损等优点，已在医疗、食品、矿物勘探等领域获得了广泛的应用和发展。

本文使用微型光纤光谱仪，以氧化铜矿表面的光学特性为背景，探究孔雀石含量与样本表面反射光谱之间的关系，旨在创建一种快速且环保的矿物含量检测模型。

本文测试数据及数据处理方法由福州大学资源与环境学院占锦玉提供，测试系统采用光谱仪、卤素光源、Y 型光纤、校准白板等进行搭建，如图1所示。此外，为了避免外界光对实验的干扰，将探头和样品置于暗箱当中。

其中光谱仪和卤素光源的主要参数为：

(a)光谱仪：光谱范围180~1100nm，探测器：背照式制冷线阵CCD，有效像素2048pixels。

(b) 卤素光源：工作功率：5w，发射光范围：350~2500nm，供电电流：12V/2A ，输出接口：SMA905。

3.1孔雀石和脉石矿物样品反射率测试

同一孔雀石和脉石矿物样品的 32 条反射率光谱曲线，分别如图2、图3所示。

根据上图，将精矿和脉石矿物的光谱曲线分为 340~400nm，400~1000nm，1000~1165nm 三个波段，在三个波长范围内探究光谱数据采集装置的重复性，分别计算两组样品的峰值标准差、最大值以及最小值。由表1可知，两端波段范围内的峰值偏差均比中间波段大，两端反射光谱的重复性稍差，因此选择400~1000nm波段进行分析。

3.2矿物种类识别模型的建立

采用SVM 算法来建立矿物种类识别模型。建模之前，将孔雀石、石英、赤铁矿三种矿物设置标签值，数字1表示孔雀石，数字2表示石英，数字3表示赤铁矿。将两个主成分的得分值作为新的自变量X代替原始光谱数据，标签值作为因变量Y建立SVM模型。为了防止模型过拟合，选择五折交叉验证的方式的来建模。模型的训练集结果如图4所示，第一类样本中，有一个样本被错误地预测成第二类，为预测错误。第二、三类样本的真实类别与预测类别完全一致，无错误预测。训练集模型总体的识别准确率达 98.88%，表明建立的模型效果较好。

为了检验模型的预测能力，对预测集的30个样本进行测试。模型的测试集结果如图5所示，第一类和第三类样本的预测值和真实值完全一致，第二类样本中有一个被错误识别成第一类，其余全部识别正确。PCA-SVM分类模型的总体预测准确率约为96.67%，模型预测效果较好，表明此模型用于矿物的聚类分析是可行的。

3.3基于BP神经网络的孔雀石含量检测模型建立

经过竞争自适应算法挑选特征后的光谱数据样本按照4:1划分，其中训练集样本93个，测试集样本23个。根据上述设置的神经网络结构参数，将训练集光谱数据X和实际的孔雀石含量值Y作为输入来建立BP神经网络模型，模型训练的结果如图6。

由图6可知，相关系数R=0.9908，模型均方根误差 RMSE=0.04983，表明模型的真实值和预测值较接近，模型内部结构稳定性好。为了检验模型的预测能力，将另外的16个矿物样本的光谱作为测试集输入到建立的模型中，并与真实的孔雀石含量值相比较，如表2所示，模型的预测结果如图7所示。

由表2的预测结果可知，预测相对误差的最大值为0.238，最小值为0.004，误差均在可接受的范围内。模型的相关系数R=0.9832，均方根误差RMSE=0.6936，表明BP模型的预测值和真实值之间相关性高，预测误差较小，建立的模型具备较高的可行性，可用于模型数据分析。