عیارسنجی مس از روی کف فلوتاسیون با استفاده از آنالیز تصویر و بینایی ماشین

تعیین پارامترهای متالورژیکی فرایند فلوتاسیون (عیار و بازیابی) از طریق مشاهده سطح ظاهری کف و توسط اپراتور انجام می شود که با مشکلات زیادی مانند ناتوانی در نظارت مستمر و تفاوت چشم گیر در نتایج و مشاهدات توسط افراد همراه است. بنابراین اندازه گیری پیوسته عیار کف برای ایجاد یک مدار پایا ضروری است. در این تحقیق برای تعیین عیار کف فلوتاسیون کانه اکسیدیاکسیدی مس از ویژگی‌های فیزیکی و بافتی تصاویر (کف فلوتاسیون) استفاده شده است. پیش‌پردازش و پردازش‌ در برنامه متلب و با استفاده از شبکه‌ عصبی بر روی تصاویر انجام گرفت. برای بررسی آزمون صحت و دقت سیستم، عیار تخمینی با عیار واقعی مقایسه شدند. بررسی ها نشان می دهند که وقتی از سه ویژگی رنگی (رنگ های قرمز، سبز و آبی) تصاویر برای تعیین عیار استفاده می‌شود، این ویژگی ها به تنهایی برای تخمین عیار کافی نیستند و میزان خطای ایجاد شده به 21/7 درصد می رسد. میزان خطای ایجاد شده در هنگام استفاده از سه ویژگی رنگی و انحراف معیار آن‌ها به 8/7 درصد رسید که نشان می داد باید از پارامترهای بیشتری استفاده شود. در نهایت از 11 ویژگی شامل کانال های رنگی و انحراف معیار آن‌ها و نیز از ویژگی‌های هارالیک (آنتروپی، کنتراست، انرژی، همبستگی و گرادیان-دانسیته) استفاده شده که نشان دهنده همسانی بسیار خوبی بین عیار واقعی با عیار پیش‌بینی شده آن‌ها است. میزان خطای محاسبه شده بسیار کاهش یافته و به 2/3 درصد رسیده است. روش کار سیستم تعیین عیار کف فلوتاسیون شامل عکس برداری از کف فلوتاسیون، پیش پردازش و پردازش تصاویر، استخراج ویژگی ها، آموزش سیستم، آزمون و اعتبارسنجی و ارائه آنلاین عیار است.

estimation of copper grade from the flotation froth using image analysis and machine vision

by observing froth surface, operators can usually determine the metallurgical parameters (grade and recovery) of the flotation process, but it is associated with many problems such as the inability to continuously monitor significant differences with operation results, and various observations by different persons. in this study, the physical and structural properties of flotation froth images have been investigated to determine the metallurgical parameters of copper oxide ore. pre-processing and processing of images obtained from the flotation froth were studied using artificial neural networks in the matlab program. the estimated grade was compared with the actual grade to check the accuracy of the system. studies show that when the three color characteristics (red, green, and blue colors) of images are used to determine the grade of froth, these three characteristics alone are not sufficient to estimate the grade, and the amount of error rate is 21.7%. when factors of the three color characteristics and their standard deviation were studied for estimating the grade, the error rate reached 8.7%. finally, the simultaneous studies of 11 characteristics including color channels, their standard deviation and haralic characteristics (entropy, contrast, energy, correlation, and gradient-density) showed a very good similarity between the actual grade and their predicted grade. the calculated error rate was greatly reduced to 2.3%. the method of work was including of the picture taking of froth flotation, pre-processing and processing of images, characteristics extraction, system training, testing and validation, and finally, the results showed that the amount of froth grade in the online form.