基于浮選工藝改進(jìn)與圖像處理的銅礦篩選研究

王 剛

(陜西財經(jīng)職業(yè)技術(shù)學(xué)院，陜西 咸陽 712000)

隨著銅礦開采的深入，如何提高對銅礦開采的篩選效率，成為思考的重點。當(dāng)前為提高銅礦浮選工藝，人們通常對傳統(tǒng)的銅礦浮選工藝進(jìn)行改進(jìn)，以此提高銅礦浮選工藝篩選的正確率。但是在銅礦浮選工藝中，如何對銅礦浮選工藝進(jìn)行改進(jìn)，一直是探討的重點，也是當(dāng)前研究的難點。在銅礦浮選中通常采用人工篩選的方式，這種方式受人工影響較大。因此在對傳統(tǒng)銅礦浮選工藝進(jìn)行改進(jìn)的前提下，采用自動化的方式對泡沫圖像進(jìn)行篩選，是本文的一個創(chuàng)新點。而在圖像處理方面，譚穎在圖像融合和邊緣檢測的基礎(chǔ)上[1]，通過小波降噪的方式對圖像進(jìn)行提純，進(jìn)而提高金屬銅破損圖像檢測的準(zhǔn)確率；郭俊[2]提出一種局部輪廓視覺特征提取方法，通過在采集過程中對圖像進(jìn)行全面增強，然后采用圖像分割的方法對圖像輪廓信息進(jìn)行提取，并及時不明確的部分。在參考上述研究理論的基礎(chǔ)上，本文從來那個方面入手，一是對銅礦浮選工藝進(jìn)行優(yōu)化，一是對產(chǎn)生的銅礦浮選泡沫圖像算法進(jìn)行改進(jìn)，從而通過兩者結(jié)合的方式，提高銅礦識別的正確率。

1 礦石性質(zhì)分析

1.1 礦物組成分析

為更好的了解礦石的組成，借助MLA自動檢測技術(shù)對礦石組成進(jìn)行測定和分析。經(jīng)過測定得到表1所示的結(jié)果。

表1 主要礦物含量(質(zhì)量分?jǐn)?shù))/%

通過表1看出，在該礦石種類中，礦物種類較多，并且大部分以Cu2O和CuO的形式存在。

1.2 銅礦礦物相分析

為更好的查明銅礦中的具體組成，對銅礦進(jìn)行了銅物相查定，具體的分析結(jié)果見表2所示。

表2 銅物相分析結(jié)果

通過上述的結(jié)果看出，本文所篩選的銅礦中，氧化銅的含量超過84.58%，說明在該礦石中，其主要的含量為氧化銅，其次為硫化銅。

2 選礦工藝設(shè)計

通過對上述的礦石組成和銅礦物相的分析看出，一方面，在該銅礦篩選中擁有多種礦石類型，不同的銅礦物在可浮性和浮選速率方面都存在很大的區(qū)別，從而給銅的回收帶來很大的影響。如采用傳統(tǒng)的硫化浮選方法對銅進(jìn)行回收，在一定用量后會受到礦石中的黃銅礦等的影響。因此，考慮到這個因素，在大量試驗的基礎(chǔ)上，采用硫化浮選和優(yōu)先浮選結(jié)合的工藝流程，具體見圖1所示。

圖1 硫化浮選—優(yōu)先浮選結(jié)合工藝

3 基于小波變換的浮選泡沫圖像特征提取

在對銅礦浮選工藝進(jìn)行改進(jìn)的基礎(chǔ)上，本文還針對當(dāng)前銅礦浮選中大部分都是通過人工浮選的問題，提出一種自動化的浮選泡沫圖像篩選方法。而提出該構(gòu)想的目的，旨在對工藝改進(jìn)的前提下，提高銅礦浮選的自動識別效率，進(jìn)而提升自動化水平。研究認(rèn)為，灰度共生矩陣在對圖像的灰度、間距等方面具有良好的特性，但是卻不能很好描述圖像的不同紋理。為了獲取圖像的不同紋理，會對灰度共生矩陣進(jìn)行二次統(tǒng)計[3]。在灰度共生矩陣中，常用的紋理特征主要包含以下4個[4]。

3.1 能量E

能量E的計算表達(dá)式為：

該紋理特征主要是對圖像灰度分布情況的統(tǒng)計，并判斷其紋理的粗細(xì)程度。在共生矩陣中的元素值越接近，能量越小，那么說明其中的紋理也就越細(xì)，反之越粗。

3.2 熵S

該值主要反映出圖像的紋理非均勻程度，當(dāng)圖像中都為紋理時，熵值達(dá)到最大，當(dāng)圖像中沒有紋理時候，此時的熵則為零。

3.3 對比度I

該指標(biāo)主要表示圖像的清晰度，當(dāng)對比度較大的時候，表示圖像比較清晰，而對比度較小，則表示圖像比較模糊。

3.4 相關(guān)性C

該值主要用于判斷圖像紋理的主要方向，計算公式為：

3.5 具體步驟

灰度共生矩陣對浮選泡沫圖像紋理的提取中，具體步驟可以用圖2表示。

圖2 銅礦浮選泡沫圖像紋理特征提取步驟

3.6 小波變換算法的提出

通過對灰度共生矩陣算法的分析看出，該算法雖然可以獲得銅礦浮選泡沫圖像紋理，但是獲得的紋理圖案只能在單一尺度上，并且對紋理特征的描述不夠細(xì)致。要得到更好的圖像的紋理特征，必須要改變這種單一尺度的紋理采集方式，從多尺度的角度對圖像進(jìn)行采集，這樣才能獲得更加完整的圖像紋理信息。

3.6.1 小波變換原理

其中，φ,Ψ分別代表尺度函數(shù)和小波函數(shù)；k、m分別為對應(yīng)系數(shù)矩陣的行和列。由此，通過計算可以得到：

cj+1k,m=

上述的序列{dj,dj,1,dj,2,dj,3}則是cj+1的二維小波變換，并通過二維小波的分解，可以得到cj+1的多級小波變換，相對應(yīng)的也可得到fj+1(x,y)的多尺度表示，具體見圖3所示。

圖3 小波變換分解

3.6.2 基于小波變換的灰度共生矩陣改進(jìn)

結(jié)合小波變換，可以得到經(jīng)分解后的圖像，然后結(jié)合圖1的步驟，對銅礦浮選泡沫圖像進(jìn)行處理，具體的處理流程設(shè)計為如圖4所示。

在上述的步驟中，考慮到小波變換后的小波系數(shù)矩陣的元素是不在(0～255)的灰度范圍之內(nèi)，所以必須要將其映射到(0～255)的范圍以內(nèi)。具體映射公式為：

圖4 基于改進(jìn)的銅礦浮選泡沫圖像紋理提取

式中Mg——灰度系數(shù)矩陣；

Me——小波系數(shù)矩陣；

emin——最小值；

emax——最大值。

經(jīng)過映射后，分別從0(°)，45(°)，90(°)，135(°)4個方向?qū)采仃囘M(jìn)行計算和求解，并最終取能量、相關(guān)性、對比度和熵的平均值，得到各個子圖的共生特征。

在上述的公式中，fi為各個方向上的不同參數(shù)特征值。

4 試驗驗證

為驗證上述兩個結(jié)合方法的有效性，在對紋理特征進(jìn)行提取的情況下，采用任傳成構(gòu)建的回歸預(yù)測模型對采集到工藝硫化銅視頻泡沫圖像進(jìn)行預(yù)測。通過上述的試驗發(fā)現(xiàn)，在采用優(yōu)先浮選硫化銅—硫化浮選氧化銅的工藝流程，其得到的硫化銅總精礦總回收率為91.96%，而單純采用優(yōu)先浮選硫化銅—硫化浮選氧化銅，并經(jīng)過人工選擇的銅總的回收率為82.7%，采用原始硫化浮選工藝的硫化銅總回收率為65.3%。由此說明本文提出的綜合工藝和智能圖像處理的方法具有一定的價值。

5 結(jié) 語

總之，對于銅礦浮選工藝來講，是一個非常復(fù)雜的過程。在這個過程中，需要結(jié)合具體礦石的情況對工藝參數(shù)進(jìn)行大量的優(yōu)化，這樣才能提高礦石分類的精度，最終得到精礦。而本文在傳統(tǒng)工藝設(shè)計的情況下，還引入圖像自動化處理和識別技術(shù)，這樣大大提高了對銅礦分辨的準(zhǔn)確性和效率。但是，本文在設(shè)計中，缺乏對基于紋理特征的硫化銅圖像預(yù)測模型的構(gòu)建，只是借鑒了任傳成的PLS模型，對此在接下來的工作研究中還需進(jìn)一步的研究。