Geosci. Front. | 基于自适应光谱–纹理特征融合深度学习模型的碳酸盐黏土型锂矿分选研究

背景：在全球清洁能源需求增长和锂资源分布不均的背景下，碳酸盐黏土型锂矿作为重要补充资源，其高效分选对提升资源利用效率和降低环境负担具有重要意义。现有智能分选技术存在局限，而高光谱成像技术结合光谱与纹理信息，具有识别潜力。研究目的：针对碳酸盐黏土型锂矿光谱与纹理高度耦合、矿石非均质性强的问题，构建高光谱矿石数据集，并提出自适应光谱–纹理特征融合深度学习模型（A2ST-OSNet），以实现锂矿、铝土矿及尾矿的精细区分。结论：研究验证了高光谱成像与深度学习结合用于锂矿预分选的可行性，A2ST-OSNet模型能有效融合光谱与纹理特征，在定位和分类任务中表现优异，完整光谱信息与数据标准化对提升精度至关重要，该技术为锂资源高效开发提供了有力支撑。