矿石识别与预选
围绕目标矿石与废石的光谱差异建立分类模型，结合 RGB 图像定位，为剔除、分级和分流提供决策。
01 / OUR EXPERIENCE
已有工作：精铁矿与粗铁矿分类
中科曜光此前已开展精铁矿与粗铁矿分类工作，以此为基础，进一步推进面向矿石识别与分选的光谱感知方案。
后续围绕代表性样品、化验标签、跨批次验证与输送带测试，建立从样品分类到在线识别的工程流程。
研究对象精铁矿 / 粗铁矿推进方向光谱识别 → 分选联动
02 / APPLICATIONS
从矿石分选，到矿区环境
固废分类与资源化
面向建筑固废、矿山废石及混合固废开展组分识别；根据目标材料选择可见光、近红外或短波红外组合。
矿区水环境与巡检
结合固定水质分析仪、便携光谱仪、无人机载荷与 AI 摄像头，联动排口、水体变化和现场巡检。
03 / SYSTEM INTEGRATION
把识别结果，接入分选流程
受控采集
均匀给料、稳定照明、暗白参考，获取光谱与图像。
特征与判别
筛选有效波段，融合纹理与形状，输出类别、位置及置信度。
执行与复核
结合编码器、PLC 与执行机构分流，记录回收率、纯度和误分。
中科曜光提供光谱感知、识别算法与集成接口，输送及分选机构结合设备伙伴配置。根据波段覆盖、粒径、含水率和带速制定测试方案。
04 / PUBLISHED RESEARCH
文献实验与实测数据
以下为公开论文报告的实验结果，用于波段选型、算法比较与试验设计参考。
F1 · 铁矿面分类
对象为 martite（假象赤铁矿）、页岩及天空背景；迁移学习与光谱增强组合方法使用 430–860 nm，测试矿面在 11:30 与 13:30 的影像。指标对应矿面分类，不是皮带分选回收率。
查看论文 ↗总体准确率 · PCA–ELM
研究使用 900–1700 nm 系统区分塑料、泡沫、木材、砖和混凝土五类材料。数值对应论文实验数据及 PCA–ELM 分类器。
查看论文 ↗mIoU · 固废目标分割
SpectralWaste 表 IV：RGB 输入的 SegFormer-B0 为 48.4%，RGB–高光谱混合融合的 CMX-B0 为 58.2%。输入与模型结构均有变化；数据集包含 852 张标注图像、2,059 个实例、六类目标。
查看论文 ↗05 / SPECTRAL MEASUREMENTS
公开样品光谱：保留数值与来源
mortar-01mortar-02mortar-03mortar-04
四个砂浆样品 / 400–1000 nm
按 Vítek 等（2025）附录 C 表 1 的数值重新绘制，展示四个砂浆样品各七个波长点的归一化反射率。折线仅连接原表数据点。
该研究将 500 nm 与 800 nm 作为 RGB 特征的有效补充，为建筑固废分类筛选波段。这可用于参考专用超表面通道的设计。
数据来源：附录 C，表 1 ↗下载原表摘录数据（CSV）
查看数值表
| nm | mortar-01 | mortar-02 | mortar-03 | mortar-04 |
|---|---|---|---|---|
| 400 | 0.4100 | 0.4011 | 0.3763 | 0.4198 |
| 500 | 0.4642 | 0.4623 | 0.4181 | 0.4564 |
| 600 | 0.6407 | 0.6266 | 0.5234 | 0.5143 |
| 700 | 0.6757 | 0.6658 | 0.5466 | 0.5325 |
| 800 | 0.6905 | 0.6871 | 0.5547 | 0.5392 |
| 900 | 0.6842 | 0.6870 | 0.5496 | 0.5438 |
| 1000 | 0.6884 | 0.6950 | 0.5494 | 0.5528 |
06 / ENGINEERING
从样品到现场试点
样品筛选
整理代表性批次、化验标签及干湿表面条件。
台架验证
测量光谱差异，筛选波段，以独立批次检验分类。
产线试点
联调同步与执行机构，评价回收率、纯度与处理量。
- Windrim et al. · 2023. Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data.
- Xiao et al. · 2019. Development of online classification system for construction waste based on industrial camera and hyperspectral camera.
- Casao et al. · 2024. SpectralWaste Dataset: Multimodal Data for Waste Sorting Automation.
- Vítek, Zbíral & Nežerka · 2025. Identification of critical wavelengths for classifying construction and demolition waste materials using hyperspectral imaging.