کاربرد طبقه بندی تصاویر کف فلوتاسیون بر اساس مشخصه های تصویری در ارزیابی عملکرد سلول فلوتاسیون

فلوتاسیون از جمله مرسوم‌ترین روش‌های پرعیارسازی کانی‌های فلزی در کارخانه‌های فرآوری مواد معدنی است. کنترل پیوسته مدارهای فلوتاسیون برای رسیدن به کارایی متالورژیکی مطلوب اهمیت بسزایی دارد. تحقیقات نشان داده است که همبستگی معناداری بین مشخصات تصویری کف سطح سلول‌های فلوتاسیون با شرایط عملیاتی و شاخص‌های کارایی متالورژیکی فرآیند وجود دارد. هدف از انجام پژوهش حاضر توسعه الگوریتم‌ها برای استخراج مشخصه‌های بصری (ابعاد حباب‌های هوا، سرعت و رنگ کف) و بافتی (انرژی، آنتروپی و همبستگی) از تصاویر کف یک فرآیند فلوتاسیون ناپیوسته و سپس طبقه‌بندی و خوشه‌بندی تصاویر بر اساس متغیرهای تصویری است. برای این منظور آزمایش‌های فلوتاسیون در یک سلول ناپیوسته آزمایشگاهی در شرایط مختلف (دبی هوادهی، درصد جامد، غلظت کفساز، غلظت کلکتور و ph پالپ) انجام شد و پارامترهای متالورژیکی (بازیابی مس و عیار مس کنسانتره) و ویژگی‌های تصویری کف برای هر آزمایش اندازه‌گیری شد. از الگوریتم‌های سلسله مراتبی (درخت تصمیم‌گیری) و فازی fcm به ترتیب برای طبقه‌بندی و خوشه‌بندی تصاویر کف استفاده شدند. مقایسه نتایج طبقه‌بندی تصاویر کف ارایه شده به وسیله سیستم بینایی ماشین با سیستم اپراتوری نشان داد که دقت این سیستم در طبقه‌بندی تصاویر از سیستم اپراتوری بالاتر است. نتایج این تحقیق نشان داد که الگوریتم‌های توسعه داده شده به خوبی قادر به طبقه‌بندی تصاویر کف بر اساس مشخصه‌های تصویری و پارامترهای متالورژیکی بوده است که این امر در طراحی یک سیستم کنترل مبتنی بر بینایی ماشین بسیار ضروری است.

Application of Froth Images Classification and Clustering Based on Visual Features in Flotation Cell Performance

Flotation is the most frequently approach for beneficiation of metallic ores in mineral processing plants. Continuous control of flotation circuits is necessary to achieve optimum metallurgical performance. Previous research has established that there is a meaningful correlation between the froth visual features and process conditions and performance. The main objective of the current study is to develop algorithms for extraction of visual (bubble size, froth velocity and froth colour) and textural (energy, entropy and correlation) features from the froth images as well as classification of the images based on the captured properties. For this purpose, flotation tests were conducted in a batch cell under various process conditions and the metallurgical parameters (copper recovery and concentrate grade) along with the image variables were measured. Decision tree and fuzzy Cmeans algorithms were used for classification and clustering of the froth images. It was found that the developed machine vision system is capable of more accurately classifying the froth images than a manual operatory system. The results indicate that the developed algorithms are capable of accurately classifying the froth images with respect to the visual as well as the metallurgical parameters, which is of central importance for development of a machine vision based control system.