Automated Hyperspectral Ore–Waste Discrimination for a Gold Mine: Comparative Study of Data-Driven and Knowledge-Based Approaches in Laboratory and Field Environments
Notice bibliographique
Résumé
Hyperspectral imaging has been increasingly used in mining for detailed mineral characterization and enhanced ore–waste discrimination, which is essential for optimizing resource extraction. However, the full deployment of this technology still faces challenges due to the variability of field conditions and the spectral complexity inherent in real-world mining environments. In this study, we compare the performance of two approaches for ore–waste discrimination in both laboratory and actual mine site conditions: (i) a data-driven feature extraction (FE) method and (ii) a knowledge-based mineral mapping method. Rock samples, including ore and waste from an open-pit gold mine, were obtained and scanned using a hyperspectral imaging system under laboratory conditions. The FE method, which quantifies the frequency absorption peaks at different wavelengths for a given rock sample, was used to train three discriminative models using the random forest classifier (RFC), support vector classification (SVC), and K-nearest neighbor classifier (KNNC) algorithms, with RFC achieving the highest performance with an F1-score of 0.95 for the laboratory data. The mineral mapping method, which quantifies the presence of pyrite, calcite, and potassium feldspar based on prior geochemical analysis, yielded an F1-score of 0.78 for the ore class using the RFC algorithm. In the next step, the performance of the developed discriminative models was tested using hyperspectral data of two muck piles scanned in the open-pit gold mine. The results demonstrated the robustness of the mineral mapping method under field conditions compared to the FE method. These results highlight hyperspectral imaging as a valuable tool for improving ore-sorting efficiency in mining operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».