© 2021 The Mining and Materials Processing Institute of Japan 1 http://doi.org/10.2473/journalofmmij.137.1 1．は じ め に 中国やインドなど，新興国の台頭や，資源保有国における資源 ナショナリズムの高揚により，世界的に地下資源の獲得競争は激 化している。また，資源価格の高騰により，資源の採掘は大陸の 内部や深海など，地球の僻地にまで及び，資源の枯渇が急速に進 んでいる。特に本研究で着目する銅鉱石においては，従来採掘さ れていた品位の高い鉱石は掘りつくされ，現在品位の低い鉱石あ るいはヒなどの不物を含む鉱石を多く産出している。通常， *2020 年 6 月 9 日受付 2020 年 10 月 26 日受理 1. 学生会員 秋田大学大学院国際資源学研究科資源開発環境学専攻 2. 東京工業大学環境 社会理工学院融合理工学地球環境共創コース 3. 秋田大学国際資源学部国際資源学科資源開発環境コース 4. 正会員 秋田大学大学院国際資源学研究科資源開発環境学専攻 准教授 5. 正会員 秋田大学大学院国際資源学研究科資源開発環境学専攻 教授 [ 著者連絡先 ] TEL: 080-9525-1518 E-mail: m6020204@s.akita-u.ac.jp キーワード：選鉱，ハイパースペクトル，深層学習，機械学習 採掘された鉱石は，選鉱処理により金属品位を高めた鉱となり， 製錬工程へ送られるが，低品位鉱石やヒを多く含む鉱石 ( ヒ 濃度 0.2 ～ 0.5% 以上 ) の選鉱・製錬技術は未だ確立されておら ず，現在も多くの課題が残されている。資源を安定的に供給する ためには，これらの低品位あるいは不物を含む鉱石の処理技術 の確立が必不可欠である。著者らは，これらの課題を決する ため，鉱山操業を自動化する技術であるスマートマイニングを導 入することで，選鉱プロセスのさらに前の段階で，高品位鉱石と 低品位鉱石，または不物を含む鉱石と含まない鉱石を事前に選 別する，便かつ非破壊の鉱石処理システムの開発をみている。 鉱物種の同定あるいは鉱石中の金属品位を測る方法としては， 肉眼での察のほかに，XRD，XRF，ICP など大型測定機器を用 いた方法が存在するが 1) ，析速度，利便性・経済性などの面 で導入が困難である。選鉱プロセスにおける先行研究として，鉱 石の輝度に着目をして分類を行う手法 2) や，鉱石の色・テクス チャ・境界を検出し SVM を用いて分類する手法 3) などが提案さ 選鉱プロセスにおけるハイパースペクトルイメージングと 深層学習を用いたヒ素含有鉱石の分類 * Classification of Arsenic Bearing Minerals Using Hyperspectral Imaging and Deep Learning for Mineral Processing Currently, there have been issues concerning the depletion and scarcity of mineral resources. This is mostly due to the excavation of high grade minerals having already occurred years and years ago, hence forcing the mining industry to opt for the production and optimization of lower grade minerals. This however brings about a plethora of problems, many of which economic, stemming from the purification of those low grade minerals in various stages required for mineral processing. In order to reduce costs and aid in the optimization of the mining stream, this study, introduces an automatic mineral identification system which combines the predictive abilities of deep learning with the excellent resolution of hyperspectral imaging, for pre-stage of mineral processing. These technologies were used to identify and classify high grade arsenic (As) bearing minerals from their low grade mineral counterparts non-destructively. Most of this ability to perform such tasks comes from the highly versatile machine learning model which employs deep learning as a means to classify minerals for mineral processing. Experimental results supported this statement as the model was able to achieve an over 90% accuracy in the prediction of As-bearing minerals, hence, one could conclude that this system has the potential to be employed in the mining industry as it achieves modern day system requirements such as high accuracy, speed, economic, user- friendly and automatic mineral identification. KEY WORDS: Mineral Processing, Hyperspectral Imaging, Deep Learning, Machine Learning by Natsuo OKADA a , Yohei MAEKAWA b , Narihiro OWADA c , Kazutoshi HAGA d , Atsushi SHIBAYAMA e and Youhei KAWAMURA e a. Student, Graduate School of International Resources Sciences, Akita University, 1-1 Tegata Gakuen- machi, Akita City, Akita Prefecture, JAPAN (Corresponding author, E-mail: m6020204@s.akita-u.ac.jp) b. Student, Department of Transdisciplinary Science and Engineering, School of Environment and Society, Tokyo Institute of Technology, Kanagawa, Yokohama, 226-8502, Japan c. Student, Faculty of International Resources Sciences, Akita University, 1-1 Tegata Gakuen-machi, Akita City, Akita Prefecture, JAPAN d. Associate Professor, Graduate School of International Resources Sciences, Akita University, 1-1 Tegata Gakuen-machi, Akita City, Akita Prefecture, JAPAN e. Professor, Graduate School of International Resources Sciences, Akita University, 1-1 Tegata Gakuen- machi, Akita City, Akita Prefecture, JAPAN 岡 田 夏 男 1 前 川 陽 平 2 大和田済熙 3 芳 賀 一 寿 4 柴 山 敦 5 川 村 洋 平 5 Vol.137, No.1, 2021 BY NC ND Journal of MMIJ