ICS73.060.10CCSD31YB中華人民共和國黑色冶金行業(yè)標準Identificationofironores—Laserinducedbreakdownspectroscopy中華人民共和國工業(yè)和信息化部發(fā)布1YB/TXXXXX—XXXX本文件按照GB/T1.1-2020《標準化工作導(dǎo)則第1部分：標準化文件的結(jié)構(gòu)和起草規(guī)則》的規(guī)定起請注意本文件的某些內(nèi)容可能涉及專利。本文件的發(fā)布機構(gòu)不承擔(dān)識別專利的責(zé)任。本文件由中國鋼鐵工業(yè)協(xié)會提出。本文件由全國鐵礦石與直接還原鐵標準化技術(shù)委員會（SAC/TC317）歸口。本文件起草單位：上海海關(guān)工業(yè)品與原材料檢測技術(shù)中心、上海交通大學(xué)、本溪龍新礦業(yè)有限公司、陜西龍門鋼鐵有限責(zé)任公司、嵊泗海關(guān)綜合技術(shù)服務(wù)中心、青島理工大學(xué)、湛江海關(guān)技術(shù)中心、阿拉山口海關(guān)技術(shù)中心、昆明海關(guān)技術(shù)中心、寶山鋼鐵股份有限公司、河北河鋼材料技術(shù)研究院有限公司、攀鋼集團攀枝花鋼釩有限公司、攀鋼集團研究院有限公司、江蘇省沙鋼鋼鐵研究院有限公司、山東東儀光電儀器有限公司、中國科學(xué)院大學(xué)。本文件主要起草人：劉曙、俞進、陳雯、嚴承琳、閔紅、朱志秀、李晨、張慶建、陳濱、劉超、馮偉、楊建鵬、解肖、田瓊、呂新明、滕亞君、陳海嵐、劉潔、周開著、於利慧、朱春要、張勇、趙天卓。YB/TXXXXX—XXXX鐵礦石的鑒別激光誘導(dǎo)擊穿光譜法警示——使用本文件的人員應(yīng)具有正規(guī)實驗室工作實踐經(jīng)驗。本文件未指出所有可能的安全問題，使用者有責(zé)任采取適當(dāng)?shù)陌踩徒】荡胧?，并保證符合國家有關(guān)法規(guī)規(guī)定的條件。本文件規(guī)定了采用激光誘導(dǎo)擊穿光譜結(jié)合卷積神經(jīng)網(wǎng)絡(luò)鑒別鐵礦石的方法。本文件適用于鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的鑒別。本文件僅適用于風(fēng)險提示，不作為執(zhí)法依據(jù)。2規(guī)范性引用文件下列文件對于本文件的應(yīng)用是必不可少的。凡是注日期的引用文件，僅所注日期的版本適用于本文件。凡是不注日期的引用文件，其最新版本（包括所有的修改單）適用于本文件。GB/T5271.31信息技術(shù)詞匯第31部分：人工智能機器學(xué)習(xí)GB/T5271.34信息技術(shù)詞匯第34部分：人工智能神經(jīng)網(wǎng)絡(luò)GB/T6730.1鐵礦石化學(xué)分析用預(yù)干燥試樣的制備GB7247.1激光產(chǎn)品的安全第1部分：設(shè)備分類、要求GB/T10322.1鐵礦石取樣和制樣方法GB/T20565鐵礦石和直接還原鐵術(shù)語GB/T28292鋼鐵工業(yè)含鐵塵泥回收及利用技術(shù)規(guī)范GB/T38257激光誘導(dǎo)擊穿光譜法GB/T41867信息技術(shù)人工智能術(shù)語GB/T42382.1信息技術(shù)神經(jīng)網(wǎng)絡(luò)表示與模型壓縮第1部分：卷積神經(jīng)網(wǎng)絡(luò)HJ/T20工業(yè)固體廢物采樣制樣技術(shù)規(guī)范SN/T3102鐵礦與返礦及氧化鐵皮的鑒別規(guī)程3術(shù)語和定義GB/T20565界定的以及下列術(shù)語和定義適用于本文件。3.1含鐵塵泥iron-bearingdustsandsludges鋼鐵企業(yè)在原料準備、燒結(jié)、球團、煉鐵、煉鋼和軋鋼等工藝過程中進行干法除塵、濕法除塵和廢水處理后得到的固體廢物，不包括冶金輔料塵泥、燃料塵泥和特種礦加工過程產(chǎn)生的塵泥。按含鐵塵泥的來源，可分為原料準備塵泥、燒結(jié)塵泥、球團塵泥、高爐塵泥、煉鋼塵泥和軋鋼塵泥等。[來源:GB/T28292-2012，3.2、4.1]3.2氧化鐵皮millscaleYB/TXXXXX—XXXX鋼錠及鋼坯在鍛造或軋制過程中表面氧化層脫落而產(chǎn)生的鐵屑，帶片狀，也稱鐵鱗。[來源:SN/T3102-2012，3.2]3.3含鐵冶煉渣iron-bearingsmeltingslag鐵礦石冶煉過程中產(chǎn)生的含鐵副產(chǎn)物，如高爐煉鐵過程中產(chǎn)生的生鐵渣、鑄造生鐵渣、錳鐵礦渣等爐渣，煉鋼過程中產(chǎn)生的酸性液渣、氧氣頂吹轉(zhuǎn)爐、氧氣底吹轉(zhuǎn)爐、復(fù)吹轉(zhuǎn)爐、電爐氧化渣和電爐還原渣等鋼渣，硫鐵礦（或硫精礦、硫酸亞鐵）經(jīng)沸騰爐焙燒脫硫產(chǎn)出的硫鐵礦燒渣。3.4激光誘導(dǎo)擊穿光譜法laser-inducedbreakdownspectroscopy,LIBS通過激光燒蝕待分析物質(zhì)形成等離子體，其中處于激發(fā)態(tài)的原子、離子或分子向低能級或基態(tài)躍遷時，向外發(fā)射特定能量的光子，形成特征光譜，進而獲得待分析物質(zhì)的化學(xué)成分或其它特性。[來源:GB/T38257-2019，3.1]3.5激光誘導(dǎo)等離子體laser-inducedplasma激光燒蝕產(chǎn)生的等離子體。[來源:GB/T38257-2019，3.2]3.6機器學(xué)習(xí)machinelearning功能單元通過獲取新知識或技能，或通過整理已有的知識或技能來改進其性能的過程。[來源:GB/T5271.31-2006，31.01.02]3.7神經(jīng)網(wǎng)絡(luò)neuralnetwork由加權(quán)鏈路且權(quán)值可調(diào)整連接的基本處理元素的網(wǎng)絡(luò)，通過非線性函數(shù)作用到其輸入值上使其輸入值上每一個單元產(chǎn)生一個值，并把它傳送給其它單元或把它表示成輸出值。[來源:GB/T5271.34-2006，34.01.06]3.8卷積神經(jīng)網(wǎng)絡(luò)convolutionalneuralnetwork一種前饋型神經(jīng)網(wǎng)絡(luò)，在其中至少一層中使用卷積。[來源:GB/T42382.1-2023，3.10]3.9訓(xùn)練數(shù)據(jù)trainingdata用于訓(xùn)練機器學(xué)習(xí)模型的輸入數(shù)據(jù)樣本子集。[來源:GB/T41867-2022，3.2.34]3.10驗證數(shù)據(jù)validationdata3YB/TXXXXX—XXXX用于評估單個或多個候選機器學(xué)習(xí)模型性能的輸入數(shù)據(jù)樣本。驗證和測試拆分的情況下，數(shù)據(jù)只能分成兩個集——一個測試集和一個訓(xùn)練或驗證集[來源:GB/T41867-2022，3.2.35]3.11測試數(shù)據(jù)testdata用于評估最終機器學(xué)習(xí)模型性能的數(shù)據(jù)。[來源:GB/T41867-2022，3.2.3]3.12層layer神經(jīng)網(wǎng)絡(luò)中的分級結(jié)構(gòu)。[來源:GB/T42382.1-2023，3.2]3.13輸入層inputlayer一種從外部源接收信號的人工神經(jīng)元層。[來源:GB/T5271.34-2006，34.02.07]3.14輸出層outputlayer把信號送給外部系統(tǒng)的人工神經(jīng)元層。[來源:GB/T5271.34-2006，34.02.08]3.15激活函數(shù)activationfunction基于人工神經(jīng)元輸入值和當(dāng)前連接權(quán)來計算人工神經(jīng)元輸出值的函數(shù)。[來源:GB/T5271.34-2006，34.03.13]3.16模型model對應(yīng)完成單個或多個任務(wù)的神經(jīng)網(wǎng)絡(luò)。[來源:GB/T42382.1-2023，3.19]3.17分類模型classificationmodel一種對給定輸入數(shù)據(jù)，輸出其所屬的一個或多個類別的機器學(xué)習(xí)模型。4YB/TXXXXX—XXXX[來源:GB/T41867-2022，3.2.6]3.18模型訓(xùn)練modeltraining利用訓(xùn)練數(shù)據(jù)，基于機器學(xué)習(xí)算法，確定或改進機器學(xué)習(xí)模型參數(shù)的過程。[來源:GB/T41867-2022，3.2.18]3.19模型優(yōu)化modeloptimization提升模型執(zhí)行速度，泛化能力，或改善利益相關(guān)方所關(guān)心的其他特性的方法。注：如神經(jīng)網(wǎng)絡(luò)模型優(yōu)化的方式包括含剪枝、量化、調(diào)整參數(shù)、調(diào)整模型[來源:GB/T41867-2022，3.2.19]3.20權(quán)重weight一個系數(shù)，在它與其他輸入值結(jié)合前，乘以人工神經(jīng)元的輸入值。[來源:GB/T42382.1-2023，3.21]3.21人工神經(jīng)元artificialneuron具有幾個輸入和一個輸出的神經(jīng)網(wǎng)絡(luò)中的本原處理單元，其輸出值是具有可調(diào)加權(quán)系數(shù)的輸入值的加權(quán)線性組合的非線性函數(shù)。注2：每個人工神經(jīng)元都是神經(jīng)網(wǎng)絡(luò)的一個結(jié)點，它和其他神經(jīng)元合作及通信。神經(jīng)網(wǎng)絡(luò)也可以有不是人工神經(jīng)元[來源:GB/T5271.34-2006，34.01.07]3.22損失函數(shù)lossfunction是一個衡量模型預(yù)測值與真實值之間差異的函數(shù)。它是一個非負實值函數(shù)，通常表示為L(y,f(x))，其中y是觀測到的真實值，f(x)是模型的預(yù)測值，x是輸入數(shù)據(jù)。3.23交叉熵損失函數(shù)cross-entropylossfunction是一種常用于衡量分類問題中模型性能的損失函數(shù)。特別地，在二分類或多分類問題中，交叉熵損失函數(shù)可以衡量模型預(yù)測概率分布與真實標簽的概率分布之間的差異。3.24L2正則化L2regularization又稱為嶺回歸或Tikhonov正則化，是一種用于機器學(xué)習(xí)和統(tǒng)計建模中防止過擬合的技術(shù)。在模型訓(xùn)練過程中，它通過在損失函數(shù)中添加一個正則項來約束模型參數(shù)的大小，從而促使模型學(xué)習(xí)到更加平滑和泛化的特征表示。5YB/TXXXXX—XXXX3.25過擬合overfitting創(chuàng)建的模型過于精確地擬合訓(xùn)練數(shù)據(jù)，對新數(shù)據(jù)缺乏泛化性。訓(xùn)練數(shù)據(jù)中過多的噪聲（例如，過多的離群點），訓(xùn)練數(shù)據(jù)與生注2：當(dāng)在訓(xùn)練數(shù)據(jù)測量的誤差與在獨立的測試及驗證數(shù)據(jù)測量的誤差之間存在顯著差異時，過擬合能被識別。當(dāng)[來源:GB/T41867-2022，3.2.7]3.26欠擬合underfitting由于訓(xùn)練數(shù)據(jù)不足或不充分導(dǎo)致創(chuàng)建的模型在面向新數(shù)據(jù)時性能表現(xiàn)不佳或不準確。注：欠擬合可能發(fā)生的情況：特征選擇不當(dāng)、訓(xùn)練時間不足，或者因模型[來源:GB/T41867-2022，3.2.22]4原理使用激光誘導(dǎo)擊穿光譜儀采集鐵礦石、主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）以及待鑒別樣品的激光誘導(dǎo)擊穿光譜，根據(jù)鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）與光譜信息之間的相關(guān)性建立卷積神經(jīng)網(wǎng)絡(luò)分類模型，把待鑒別樣品的激光誘導(dǎo)擊穿光譜代入分類模型實現(xiàn)對樣品的鑒別。5儀器及材料5.1激光誘導(dǎo)擊穿光譜儀激光誘導(dǎo)擊穿光譜儀由激光光源系統(tǒng)、激光聚焦系統(tǒng)、等離子體輻射收集系統(tǒng)、光譜儀和控制電路及數(shù)據(jù)處理系統(tǒng)組成，應(yīng)滿足GB/T38257的要求。其中，激光器波長1064nm，最大激光能量大于等于~60mJ，激光能量相對標準偏差不大于3%，激光脈沖寬度小于等于10ns，光譜儀光譜范圍包含200nm~800nm，其中200nm~400nm分辨率應(yīng)小于0.1nm，400nm~800nm分辨率應(yīng)小于0.35nm。5.2壓片機，壓力應(yīng)不小于30t。5.3塑料壓片環(huán)6模型的建立6.1建模樣品采集與預(yù)處理6.1.1建模樣品采集按照GB/T10322.1進行鐵礦石取制樣，一般試樣粒度應(yīng)小于100μm，如試樣中化合水或易氧化物含量較高時，其粒度應(yīng)小于160μm。依據(jù)HJ/T20采集和制備主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、6YB/TXXXXX—XXXX含鐵冶煉渣）試樣。建模樣品應(yīng)具有代表性，鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）兩類建模樣品的數(shù)量都應(yīng)不少于100個，并包含待鑒別試樣理化性能相同或類似的樣品。6.1.2建模試樣預(yù)處理充分混勻?qū)嶒炇以嚇樱捎梅輼涌s分法取樣。按GB/T6730.1的規(guī)定，在105℃±2℃溫度下干燥試樣，于干燥器中冷卻至室溫備用。使用塑料壓片環(huán)使粉末樣品聚攏，采用壓片機在30t壓力下對試樣進行壓片，維持30s。檢查壓制樣品表面，確認均勻且無裂紋、脫落現(xiàn)象，用洗耳球吹凈樣品表面粉塵。6.2建模樣品光譜采集儀器開機預(yù)熱，使激光器輸出的脈沖能量、光譜儀的分析性能以及電路控制系統(tǒng)達到穩(wěn)定。按照測量不同樣品對光譜信號強度和穩(wěn)定性的要求，設(shè)置激光脈沖能量、延遲時間、重復(fù)頻率、測量點數(shù)、單點清掃次數(shù)、單點累積次數(shù)等儀器參數(shù)。測試樣品前，采用標準光源對光譜儀進行波長校準，采用鐵礦石標準物質(zhì)/樣品對激光誘導(dǎo)擊穿光譜進行強度校準。將樣品固定在樣品臺上，操作激光誘導(dǎo)擊穿光譜儀發(fā)射激光脈沖，發(fā)射的激光垂直聚焦在樣品表面，選擇一定數(shù)量的點位進行激光誘導(dǎo)擊穿光譜采集，依據(jù)式（1）和式（2）計算建模樣品（Z-）的平均激光誘導(dǎo)擊穿光譜強度。]（1）（2）注：鐵礦石及主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）激6.3模型建立將平均激光誘導(dǎo)擊穿光譜強度作為輸入變量，對應(yīng)的輸出變量是需要進行分類識別的鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）類別標簽，用數(shù)值進行表示，如1-鐵礦石、0-主要含鐵固體廢物。將數(shù)據(jù)按照70%、10%和20%的比例劃分為訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)，訓(xùn)練數(shù)據(jù)對模型進行訓(xùn)練，驗證數(shù)據(jù)用來評估單個或多個候選模型的性能，測試數(shù)據(jù)用于評估最終模型的性能。注：通常情況下，1個建模樣品采集1條平均激光誘導(dǎo)擊穿光譜。然而，出考慮，也可對同一建模樣品采集多條平均激光誘導(dǎo)擊穿光譜，需要注意的是，訓(xùn)練建立鑒別鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的一維卷積神經(jīng)網(wǎng)絡(luò)分類模型，卷積神經(jīng)網(wǎng)絡(luò)的分類模型結(jié)構(gòu)可根據(jù)光譜特征及數(shù)量設(shè)計，包括輸入層、卷積層、池化層、展平層、全連接層、輸出層或其中的若干層，采用訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)的準確率和交叉熵損失函數(shù)進行模型訓(xùn)練和模型優(yōu)化。超參數(shù)包含卷積層的數(shù)量、卷積核的數(shù)量和大小、卷積步長、池化層類型、池化核的大小、池化步長等。準確率（A）指模型預(yù)測正確的樣本數(shù)占總樣本數(shù)的比例，計算公式如下式（3）：（3）7YB/TXXXXX—XXXXTN—真負例，指模型預(yù)測為主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣），實際上也是主要含鐵固體），卷積神經(jīng)網(wǎng)絡(luò)分類模型采用交叉熵損失函數(shù)和L2正則化進行模型訓(xùn)練，計算公式如下（4）：L=?Σ=1[ynl0gn+(1?yn)l0g(1?n)]+λ||w||2（4）6.4模型評價采用測試數(shù)據(jù)的準確率、精確度、召回率和F1分數(shù)對最終卷積神經(jīng)網(wǎng)絡(luò)分類模型進行評價，測試數(shù)據(jù)的準確率、精確度、召回率和F1分數(shù)應(yīng)大于0.95。精確度（P），指模型預(yù)測為鐵礦石的樣本中，實際也為鐵礦石的比例，計算公式如下式（5）：（5）P—精確度；召回率（R），指實際為鐵礦石的樣本中，模型預(yù)測為鐵礦石的比例，計算公式如下式（6）：（6）F1分數(shù)（F1），指召回率和精確度的調(diào)和平均數(shù)，是一個介于[0,1]之間的計算結(jié)果，計算公式如下式（7）：（7）F1—F1分數(shù);P—精確度。7鑒別過程8YB/TXXXXX—XXXX7.1樣品采集與預(yù)處理根據(jù)GB/T10322.1采集待鑒別樣品，參照6.1.2進行試樣預(yù)處理。7.2光譜采集參照6.2進行待鑒別樣品的平均激光誘導(dǎo)擊穿光譜采集。7.3數(shù)據(jù)處理將待鑒別樣品的激光誘導(dǎo)擊穿光譜輸入到鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的卷積神經(jīng)網(wǎng)絡(luò)分類模型，計算待鑒別樣品分別屬于鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的概率。7.4結(jié)果判定根據(jù)待鑒別樣品預(yù)測為鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的概率，判斷待鑒別樣品的屬性。鐵礦石與主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的鑒別實例見附錄A。8試驗報告試驗報告應(yīng)至少給出以下幾個方面的內(nèi)容：a）實驗室名稱和地址；b）試驗報告發(fā)布日期；c）本文件編號；d）試樣本身必要的詳細說明；e）鑒別過程，包括試驗?zāi)康?、鐵礦石與主要含鐵固體廢物鑒別模型、鑒別結(jié)果等；f）測定過程中存在的任何異常特性和在本部分中沒有規(guī)定的可能對試樣或標準樣品的分析結(jié)果產(chǎn)生影響的任何操作。9YB/TXXXX.X—XXXX附錄A(資料性)1批申報品名為“鐵礦粉”樣品的鑒別實例A.1試驗?zāi)康蔫b別1批申報品名為“鐵礦粉”的樣品是否為鐵礦石。A.2鑒別模型A.2.1建模樣品采集與預(yù)處理A.2.1.1建模樣品采集根據(jù)GB/T10322.1采集來自澳大利亞、巴西、南非、哈薩克斯坦、緬甸等23個國家生產(chǎn)的99類219批鐵礦石代表性樣品，制備化學(xué)分析樣。根據(jù)HJ/T20采集37批含鐵塵泥、16批含鐵冶煉渣、52批氧化鐵皮的代表性樣品，制備試樣。A.2.1.2建模試樣預(yù)處理按GB/T6730.1的規(guī)定，在105℃±2℃溫度下干燥試樣，于干燥器中冷卻至室溫備用。使用塑料壓片環(huán)使粉末樣品聚攏，采用壓片機在30t壓力下對試樣進行壓片，維持30s。檢查壓制樣品表面，確認均勻且無裂紋、脫落現(xiàn)象，用洗耳球吹凈樣品表面粉塵。A.2.2建模光譜采集將激光誘導(dǎo)擊穿光譜儀開機預(yù)熱，使激光器輸出的脈沖能量、光譜儀的分析性能以及電路控制系統(tǒng)達到穩(wěn)定。參照表A.1設(shè)置激光脈沖能量、延遲時間、重復(fù)頻率、測量點數(shù)、單點清掃次數(shù)、單點累積次數(shù)等儀器參數(shù)。測試樣品前，采用鐵礦石標準物質(zhì)/樣品對儀器進行強度校準。將樣品固定在樣品臺上，操作激光誘導(dǎo)擊穿光譜儀發(fā)射激光脈沖，發(fā)射的激光垂直聚焦在樣品表面，隨機選擇一定數(shù)量的點位進行激光誘導(dǎo)擊穿光譜采集，依據(jù)式（1）和式（2）計算建模樣品（z-）的平均激光誘導(dǎo)擊穿光譜。1個建模樣品采集1條平均激光誘導(dǎo)擊穿光譜。表A.1激光誘導(dǎo)擊穿光譜儀工作條件儀器參數(shù)設(shè)置激光能量/mJ30延遲時間/μs2重復(fù)頻率/Hz5測量點數(shù)單點清掃次數(shù)5單點累積次數(shù)5A.2.3模型建立將平均激光誘導(dǎo)擊穿光譜強度作為輸入變量，對應(yīng)的輸出變量是需要進行分類識別的鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）類別標簽，用數(shù)值進行表示：1-鐵礦石、0-主要含鐵固體廢物。按照70%、10%和20%的比例隨機劃分成訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)和測試數(shù)據(jù)。建立鑒別鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的一維卷積神經(jīng)網(wǎng)絡(luò)分類模型，卷積神經(jīng)網(wǎng)絡(luò)的分類模型結(jié)構(gòu)包括輸入層、卷積層1、卷積層2、卷積層3、全局平均池化層、輸出層，見圖A.1。采用訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)的準確率和交叉熵損失函數(shù)進行模型訓(xùn)練和模型優(yōu)化。圖A.2為模型200次迭代過程學(xué)習(xí)曲線，訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)準確率高，訓(xùn)練數(shù)據(jù)和驗證數(shù)據(jù)的交叉熵損失函數(shù)接近，說明不存在過擬合和欠擬合現(xiàn)象。表A.2為優(yōu)化后的模型參數(shù)。YB/TXXXX.X—XXXX圖A.1模型結(jié)構(gòu)：（卷積層1卷積核大小60卷積核數(shù)量8激活函數(shù)Relu卷積步長2卷積層2卷積核大小50卷積核數(shù)量激活函數(shù)Relu卷積步長1卷積層3卷積核大小40卷積核數(shù)量32YB/TXXXX.X—XXXX激活函數(shù)Relu卷積步長1全局平均池化層池化類型全局平均池化輸出層激活函數(shù)SoftmaxA.2.4模型評價最終卷積神經(jīng)網(wǎng)絡(luò)分類模型對測試數(shù)據(jù)的準確率、精確度、召回率和F1分數(shù)分別為1.00、1.00、A.3樣品鑒別A.3.1樣品采集與預(yù)處理根據(jù)GB/T10322.1采集待驗證樣品，并參照A.2.1.2進行待鑒別樣品預(yù)處理。A.3.2光譜采集參照A.2.2進行待鑒別樣品的光譜采集，平均激光誘導(dǎo)擊穿光譜見圖A.3。A.3.3數(shù)據(jù)處理將待鑒別樣品的平均激光誘導(dǎo)擊穿光譜輸入到鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的卷積神經(jīng)網(wǎng)絡(luò)分類模型中，計算待鑒別樣品分別屬于鐵礦石和主要含鐵固體廢物（含鐵塵泥、氧化鐵皮、含鐵冶煉渣）的概率。計算方法如下：輸出卷