人工智能在礦物加工技術(shù)中的應(yīng)用與發(fā)展

湯化明 王 玲 楊國(guó)華 賈藍(lán)波 熊雨婷夏亮亮 王 龍 劉勝昌 聶軼苗 劉淑賢

（1.華北理工大學(xué)礦業(yè)工程學(xué)院,河北 唐山 063210;2.河北省礦業(yè)開(kāi)發(fā)與安全技術(shù)重點(diǎn)實(shí)驗(yàn)室,河北 唐山 063210;3.河北省礬山磷礦有限公司,河北 張家口 075000）

人工智能技術(shù)是以統(tǒng)計(jì)學(xué)為數(shù)學(xué)基礎(chǔ),通過(guò)計(jì)算機(jī)程序來(lái)模擬人類(lèi)思維和判斷操作的一門(mén)新興的、高速發(fā)展的技術(shù)科學(xué)。人工智能是先將某一類(lèi)問(wèn)題的大量數(shù)據(jù)輸入人工智能系統(tǒng)進(jìn)行訓(xùn)練,使之學(xué)習(xí)解決問(wèn)題的策略,在遇到相同的問(wèn)題時(shí),可以通過(guò)經(jīng)驗(yàn)知識(shí)解決問(wèn)題并積累新的經(jīng)驗(yàn)數(shù)據(jù)[1]。人工智能自問(wèn)世以來(lái),經(jīng)歷了幾十年的持續(xù)發(fā)展。1956年,J.MeCarthy等首次確立了“人工智能”的概念,即是指機(jī)器具有與人類(lèi)相似的理解、思考和學(xué)習(xí)的能力,表明用計(jì)算機(jī)模擬人類(lèi)智能的可能性[2]。因?yàn)槿斯ぶ悄芗夹g(shù)具有非線(xiàn)性、非限制性、非定性和非凸性等特點(diǎn),使其在互聯(lián)網(wǎng)、教育、農(nóng)業(yè)、工業(yè)等多個(gè)領(lǐng)域發(fā)展迅速,并且展現(xiàn)出煥然一新的活力,但由于存在大量的學(xué)科交叉應(yīng)用,研究人員普遍存在知識(shí)壁壘現(xiàn)象,所以在大多數(shù)領(lǐng)域的人工智能應(yīng)用發(fā)展都還有很大的發(fā)展空間[3]。

礦業(yè)一直以來(lái)都是我國(guó)經(jīng)濟(jì)發(fā)展的重要支柱,而且我國(guó)也已成為世界上最大的礦業(yè)市場(chǎng)[4]。礦物加工作為從低品位的礦產(chǎn)資源中通過(guò)加工、提純等物理方法和化學(xué)方法去除礦物雜質(zhì),提高目的礦物的品位的一門(mén)科學(xué)技術(shù),主要研究如何能更充分合理地利用礦物資源。隨著社會(huì)經(jīng)濟(jì)的快速發(fā)展,人類(lèi)對(duì)礦產(chǎn)資源需求量的不斷增長(zhǎng),而可開(kāi)采富礦越來(lái)越少,礦產(chǎn)資源的開(kāi)發(fā)利用逐步轉(zhuǎn)向“貧、細(xì)、雜”方向發(fā)展[5],傳統(tǒng)礦物加工由于生產(chǎn)過(guò)程復(fù)雜,過(guò)程參數(shù)、控制參數(shù)與最終產(chǎn)品的品位、回收率等指標(biāo)無(wú)法用數(shù)學(xué)模型反映其對(duì)應(yīng)關(guān)系和決策原理,且生產(chǎn)過(guò)程極度依賴(lài)人工經(jīng)驗(yàn)操作導(dǎo)致缺乏穩(wěn)定性和可解釋性,難以適應(yīng)當(dāng)前礦產(chǎn)資源開(kāi)發(fā)利用現(xiàn)狀。為此,礦物加工及相關(guān)領(lǐng)域?qū)W者進(jìn)行了大量的理論研究和工藝試驗(yàn),其中人工智能與礦物加工相結(jié)合的相關(guān)應(yīng)用也成為國(guó)內(nèi)外學(xué)者關(guān)注的重要研究方向之一[6]。本文即對(duì)這一國(guó)內(nèi)外研究動(dòng)態(tài)進(jìn)行介紹,主要從礦物識(shí)別、磨礦、浮選等礦物加工技術(shù)方面,對(duì)人工智能在礦物加工領(lǐng)域的應(yīng)用進(jìn)行闡述,分析人工智能在礦物加工方向應(yīng)用的研究思路與發(fā)展方向,為實(shí)現(xiàn)人工智能技術(shù)在礦物加工領(lǐng)域應(yīng)用、加快礦物加工向智能化方向發(fā)展研究提供借鑒。

1 人工智能礦物加工技術(shù)的基本原理

人工智能技術(shù)在礦物加工中的應(yīng)用主要通過(guò)兩種技術(shù)形式:一是計(jì)算機(jī)視覺(jué),應(yīng)用于通過(guò)圖像來(lái)獲取礦物在加工過(guò)程中的精準(zhǔn)信息,完成礦物的識(shí)別、破碎粒度檢測(cè)、浮選泡沫監(jiān)測(cè)等工藝流程的管控,相當(dāng)于為工程師排除干擾項(xiàng),進(jìn)行較復(fù)雜的判別,輔助工程師提高礦物處理的效率;二是深度學(xué)習(xí),主要應(yīng)用于預(yù)測(cè)和分類(lèi),通過(guò)對(duì)于大量礦物加工過(guò)程中產(chǎn)生的數(shù)據(jù)和診斷結(jié)果進(jìn)行特定的多層神經(jīng)網(wǎng)絡(luò)訓(xùn)練,定量分析預(yù)測(cè),提高礦物加工設(shè)備的工作效率、降低設(shè)備的故障頻率及提升浮選藥劑的選礦效果等。

1.1 計(jì)算機(jī)視覺(jué)的基本工作原理

一般的計(jì)算機(jī)視覺(jué)系統(tǒng)通常包括圖像的采集、處理、分割和模式識(shí)別等幾個(gè)部分[7]。在計(jì)算機(jī)視覺(jué)系統(tǒng)中,圖像采集子系統(tǒng)的作用是將光學(xué)圖像數(shù)據(jù)轉(zhuǎn)化為數(shù)字?jǐn)?shù)據(jù)陣列。AWCOCK等[8]給出了一個(gè)計(jì)算機(jī)視覺(jué)系統(tǒng)框圖（圖1）。圖框中列出了包括不同過(guò)程的系統(tǒng)和子系統(tǒng)。從圖1可以看出,從光源出發(fā),由圖像傳感器生成光學(xué)圖像,通過(guò)圖像陣列、數(shù)字相機(jī)或其他手段將光學(xué)圖像先轉(zhuǎn)換為電信號(hào),并將其轉(zhuǎn)換為最終的數(shù)字圖像。利用數(shù)字化圖像通過(guò)中值濾波[9]、均值濾波[10]、高斯濾波[11]等圖像濾波技術(shù)對(duì)圖像中的無(wú)關(guān)信息進(jìn)行處理。圖像分割的核心部分在于特征提取,將經(jīng)過(guò)預(yù)處理的圖像按模型算法的規(guī)則進(jìn)行重新表述,以凸顯圖像特征[12]。之后系統(tǒng)分類(lèi)器根據(jù)特征對(duì)圖像進(jìn)行分類(lèi)和解釋,并考慮場(chǎng)景描述,進(jìn)行數(shù)據(jù)驅(qū)動(dòng),與場(chǎng)景圖片進(jìn)行交互。通過(guò)數(shù)據(jù)驅(qū)動(dòng)提供了一個(gè)與原始場(chǎng)景圖片數(shù)據(jù)的交互循環(huán),調(diào)整或修改某些給定的條件可以獲得更好的圖像數(shù)據(jù)。在礦物處理方面,計(jì)算機(jī)視覺(jué)主要應(yīng)用于礦物識(shí)別、破碎粒度檢測(cè)、浮選泡沫、pH值、藥劑用量監(jiān)測(cè)等工藝流程,可以進(jìn)行較復(fù)雜的信息處理,也可以為工程師排除大量的干擾因素,輔助工程師提高礦物處理的效率。FILIPPO等[13]在進(jìn)行偏光顯微鏡下礦石圖片識(shí)別時(shí),通過(guò)輸入鏡下觀察的礦石薄片圖像,利用邊緣提取將不透明礦石顆粒圖像分割提取,再針對(duì)顏色、解理等礦物特性結(jié)合deeplabv3+模型對(duì)透明礦物和環(huán)氧樹(shù)脂進(jìn)行分類(lèi),從而實(shí)現(xiàn)鏡下透明礦物、透明礦物和環(huán)氧樹(shù)脂的分類(lèi)。

圖1 典型的計(jì)算機(jī)視覺(jué)系統(tǒng)操作流程[8]Fig.1 The process for the typical computer vision system operation

1.2 深度學(xué)習(xí)的基本工作原理

深度學(xué)習(xí)可被視為一類(lèi)機(jī)器學(xué)習(xí)算法的集合,用于處理多層非線(xiàn)性變換高復(fù)雜性數(shù)據(jù)[7],如礦物加工生產(chǎn)過(guò)程中的過(guò)程參數(shù)、控制參數(shù)與最終的產(chǎn)品質(zhì)量等生產(chǎn)指標(biāo)之間的對(duì)應(yīng)關(guān)系。如圖2所示,深度神經(jīng)網(wǎng)絡(luò)由多層相互連接的節(jié)點(diǎn)組成,黑色的節(jié)點(diǎn)為輸入層和輸出層,被稱(chēng)為可見(jiàn)層;在輸入層和輸出層之間的白色節(jié)點(diǎn)是隱藏層。每個(gè)節(jié)點(diǎn)都使用逐漸復(fù)雜的深度學(xué)習(xí)算法來(lái)提取和識(shí)別數(shù)據(jù)中的特征和模式。輸入層是深度學(xué)習(xí)模型用于接收數(shù)據(jù)進(jìn)行處理,通常為礦物加工過(guò)程的圖像、視頻或其他生產(chǎn)設(shè)備產(chǎn)生的數(shù)據(jù)。輸出層是用于得到最終識(shí)別、分類(lèi)或描述的結(jié)果,如礦物分類(lèi)模型會(huì)在輸入的圖像中標(biāo)注礦物種類(lèi)（圖3）[14]。多層是指神經(jīng)網(wǎng)絡(luò)的隱藏層的層數(shù),深度學(xué)習(xí)的隱藏層層數(shù)通常超過(guò)3層,相較于1層的機(jī)器學(xué)習(xí)算法模型對(duì)復(fù)雜模型具備更好的擬合效果。非線(xiàn)性是指處理實(shí)際應(yīng)用中復(fù)雜的非線(xiàn)性可分問(wèn)題,難以通過(guò)數(shù)學(xué)建模進(jìn)行定性定量分析和優(yōu)化等,通常是采用復(fù)雜的擬合函數(shù)進(jìn)行逼近。而傳統(tǒng)礦物加工工藝在加工過(guò)程中,受原材料自然屬性的不確定性和人為操作的不穩(wěn)定性,存在非常嚴(yán)重的非線(xiàn)性問(wèn)題。深度學(xué)習(xí)架構(gòu)已應(yīng)用于計(jì)算機(jī)視覺(jué)、機(jī)器視覺(jué)、醫(yī)學(xué)圖像分析、材料檢測(cè)和棋盤(pán)游戲程序等領(lǐng)域,其成果在某些情況下已經(jīng)超過(guò)人類(lèi)達(dá)到的最好成績(jī)[15]。同時(shí),深度學(xué)習(xí)在礦物加工領(lǐng)域已經(jīng)有學(xué)者進(jìn)行了初步探索,并在礦物識(shí)別、浮選、磨礦和揀選等工藝流程的應(yīng)用中獲得良好的研究成果。

圖2 深度神經(jīng)網(wǎng)絡(luò)架構(gòu)Fig.2 Deep neural network architecture

圖3 礦物分類(lèi)模型輸入圖像和分類(lèi)結(jié)果[14]Fig.3 Mineral classification model input images and classification results

2 人工智能在礦物加工中的應(yīng)用

人工智能技術(shù)可以更快速準(zhǔn)確地完成部分繁重的工程計(jì)算,使許多需要大量專(zhuān)業(yè)知識(shí)和工作經(jīng)驗(yàn)的工作簡(jiǎn)單化,使研究人員從大量繁重的工程計(jì)算、多次重復(fù)的機(jī)械勞動(dòng)等中解放出來(lái),可以將更多的精力投入到其他研究當(dāng)中。人工智能在礦物加工領(lǐng)域的應(yīng)用從20世紀(jì)80年代開(kāi)始[16],在礦物鑒定、磨礦過(guò)程和浮選過(guò)程的預(yù)測(cè)和監(jiān)控等工藝流程中的應(yīng)用最為廣泛。

2.1 人工智能在礦物識(shí)別方向的應(yīng)用

礦物識(shí)別是礦物加工的基礎(chǔ),只有通過(guò)礦物識(shí)別確定包括礦物樣本、碎屑和粉末中的物理和化學(xué)成分及相關(guān)特征,如礦物組成、礦物生成序列、結(jié)構(gòu)和構(gòu)造等信息,才能更好地利用選別技術(shù)將礦石中的目的礦物分選出來(lái)[17]。礦物識(shí)別通常從礦物的多種性質(zhì)進(jìn)行鑒定,例如礦物外部形態(tài)、鏡下圖像、化學(xué)成分、晶體結(jié)構(gòu)以及多種條件綜合判別等。

通常,相關(guān)工作人員首先會(huì)對(duì)待測(cè)礦物進(jìn)行肉眼識(shí)別,通過(guò)對(duì)待測(cè)礦物的形態(tài)、顏色、解理、光澤、硬度等特征的觀察與經(jīng)驗(yàn)積累進(jìn)行對(duì)比進(jìn)而進(jìn)行判別[18]。這種方法簡(jiǎn)單易用,但對(duì)專(zhuān)業(yè)知識(shí)要求高,依賴(lài)于識(shí)別人員的經(jīng)驗(yàn)積累,但對(duì)于識(shí)別非常見(jiàn)礦物存在一定難度。利用光學(xué)顯微鏡對(duì)礦物樣本的干涉色、解理、均質(zhì)性等礦物學(xué)相關(guān)鏡下特征進(jìn)行觀察,是較常用且相對(duì)精度更高的礦物鑒別方法,但鏡下觀察判別礦物對(duì)研究者的專(zhuān)業(yè)知識(shí)有較高的要求。近年來(lái)隨著技術(shù)的發(fā)展,拉曼光譜分析法、X射線(xiàn)熒光光譜法、X射線(xiàn)衍射法等廣泛應(yīng)用于礦物分析鑒定,但這些方法產(chǎn)生的數(shù)據(jù)并不直觀,仍需要專(zhuān)業(yè)人員進(jìn)行分析。隨著人工智能技術(shù)的快速發(fā)展,許多學(xué)者嘗試運(yùn)用人工智能技術(shù)開(kāi)展礦物識(shí)別工作。

當(dāng)前研究中,采用人工智能技術(shù)識(shí)別礦物通常分為4個(gè)階段:①樣本采集,利用相關(guān)儀器設(shè)備采集包括礦物的圖像、解理、反光率等物理數(shù)據(jù)和礦物的元素組成、光譜圖像等其他重要數(shù)據(jù);②模型建立,選擇合適的人工智能算法模型框架,建立應(yīng)用于礦物識(shí)別的識(shí)別模型;③模型訓(xùn)練,使用采集到的大量的礦物數(shù)據(jù),訓(xùn)練建立好的礦物識(shí)別模型,針對(duì)不同礦物種類(lèi),提取的特征不同,識(shí)別方法也有所區(qū)別;④種類(lèi)識(shí)別,使用訓(xùn)練好的礦物識(shí)別模型對(duì)待測(cè)礦物樣本進(jìn)行識(shí)別,判斷待測(cè)礦物樣本種類(lèi)。其中,最核心的是模型建立,同一類(lèi)型的不同算法模型在相同數(shù)據(jù)集的情況下,其精確度、運(yùn)算時(shí)間、是否需要實(shí)時(shí)檢測(cè)等方面各有優(yōu)勢(shì),針對(duì)某些特定目標(biāo)的任務(wù),選擇合適的算法模型尤為重要。而模型的準(zhǔn)確率、運(yùn)行時(shí)間也會(huì)受到礦物性質(zhì)、數(shù)據(jù)集的形式和規(guī)模等因素的影響,從而使結(jié)果產(chǎn)生較大的差別。

2.1.1 基于顯微光學(xué)系統(tǒng)的礦物識(shí)別模型

基于顯微光學(xué)系統(tǒng)的礦物識(shí)別模型,首先通過(guò)采集礦物顯微光學(xué)特征數(shù)據(jù),建立相關(guān)數(shù)據(jù)集,在此基礎(chǔ)上建立礦物識(shí)別模型,通過(guò)參數(shù)調(diào)整對(duì)模型進(jìn)行優(yōu)化,然后通過(guò)采集的訓(xùn)練集對(duì)模型進(jìn)行訓(xùn)練,最終實(shí)現(xiàn)所建立的模型對(duì)于礦物的識(shí)別。

ALIGHOLI等[19]提出一種基于神經(jīng)網(wǎng)絡(luò)的礦物自動(dòng)分類(lèi)模型,通過(guò)引入CIELab色彩空間和礦物多種光學(xué)特性,包括顏色、干涉色等,集成了局部二元模式運(yùn)算器和特征建模,來(lái)實(shí)現(xiàn)礦物顯微圖像中的同質(zhì)區(qū)域的識(shí)別,該模型針對(duì)數(shù)據(jù)集中的4種礦物樣本的識(shí)別準(zhǔn)確率都在95%以上。ALIGHOLI等[20]還提出一種通過(guò)礦物樣本的單偏光圖像和正交偏光圖像,觀察兩組圖像變化并將圖形轉(zhuǎn)化成點(diǎn)云,用于計(jì)算出待測(cè)礦物與已知礦物的豪斯多夫距離來(lái)進(jìn)行礦物識(shí)別的方法,通過(guò)混淆矩陣驗(yàn)證模型識(shí)別精確度可以達(dá)到96.2%以上。MAITRE等[21]采用簡(jiǎn)單的線(xiàn)性迭代聚類(lèi)分割生成超像素,用于對(duì)樣本砂礫圖像進(jìn)行預(yù)處理,通過(guò)提取樣本圖像中的顏色、光澤、解理等特征信息與掃描電鏡圖像相結(jié)合生成的數(shù)據(jù)集,可以有效地提高模型對(duì)砂礫中的礦物進(jìn)行分類(lèi)的準(zhǔn)確率,最終獲得的總體結(jié)果約為90%。LIU等[22]提取一套用于進(jìn)行礦物識(shí)別的綜合模型,顏色和紋理是巖石礦物識(shí)別的重要特征,深度學(xué)習(xí)方法可以有效提高識(shí)別精度,利用基于Inception-v3模型的深度學(xué)習(xí)算法模型和基于K-means算法的顏色模型搭建的一套用于進(jìn)行礦物識(shí)別的綜合模型,對(duì)巖石中赤鐵礦、磁鐵礦、方解石等12種礦物進(jìn)行識(shí)別,最高可達(dá)99.0%的識(shí)別準(zhǔn)確率。AGANGIBA等[23]通過(guò)手工礦物標(biāo)本圖像數(shù)據(jù)集訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),開(kāi)發(fā)出名為MINet的單標(biāo)簽礦物分類(lèi)模型,可以對(duì)黑石英、云母、黃鐵礦等7種礦物進(jìn)行識(shí)別,準(zhǔn)確率可達(dá) 90.75%。KHVOSTIKOV等[24]對(duì)礦物拋光截面圖像的自動(dòng)識(shí)別進(jìn)行研究,針對(duì)拋光截面圖像創(chuàng)建一套具有像素級(jí)語(yǔ)義標(biāo)注的礦物數(shù)據(jù)集,通過(guò)這套數(shù)據(jù)集利用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練出礦物自動(dòng)識(shí)別模型,礦物鑒定的總體準(zhǔn)確度達(dá)到了89.2%。

綜合上述可知,通過(guò)顯微光學(xué)系統(tǒng)的礦物識(shí)別方法主要是利用顯微圖像上可識(shí)別出的礦物的物理性質(zhì),如顏色、干涉色、光澤、解理等。但因?yàn)閹в袠?biāo)注的礦物圖像數(shù)據(jù)處理工作量大,標(biāo)準(zhǔn)的數(shù)據(jù)集較少,所以目前通過(guò)人工智能算法實(shí)現(xiàn)的基于顯微光學(xué)系統(tǒng)的礦物識(shí)別方法難以廣泛地應(yīng)用;而且由于用于訓(xùn)練的數(shù)據(jù)集包含礦物種類(lèi)少,數(shù)據(jù)集格式不統(tǒng)一,無(wú)法通用,目前該方法難以做到普適性。

2.1.2 基于光譜分析的礦物識(shí)別模型

基于光譜分析的礦物識(shí)別模型,首先通過(guò)光譜分析獲得礦物的微觀結(jié)構(gòu)特征和組成成分,獲取制作數(shù)據(jù)集的相關(guān)信息,根據(jù)現(xiàn)有算法模型特點(diǎn)選擇合適的模型進(jìn)行訓(xùn)練,最后對(duì)目標(biāo)礦物進(jìn)行識(shí)別操作。

CAREY等[25]通過(guò)機(jī)器學(xué)習(xí)技術(shù)處理待分類(lèi)礦物的拉曼光譜數(shù)據(jù)集,采用了基于向量相似度量的加權(quán)鄰域分類(lèi)器可以有效地提升礦物光譜匹配性能,在拉曼光譜數(shù)據(jù)集中進(jìn)行礦物分類(lèi)任務(wù)達(dá)到了97.8%的總預(yù)測(cè)精度。LIU等[26]提出一種基于LeNets卷積神經(jīng)網(wǎng)絡(luò)的一個(gè)變體模型,無(wú)需對(duì)數(shù)據(jù)集進(jìn)行預(yù)處理,能自動(dòng)識(shí)別由礦物樣品數(shù)據(jù)組成的光譜數(shù)據(jù)集,將傳統(tǒng)識(shí)別方法的識(shí)別率提高了20%～40%,準(zhǔn)確率提升到了93.3%。SEVETLIDIS等[27]通過(guò)對(duì)拉曼光譜數(shù)據(jù)集進(jìn)行再處理得到優(yōu)化后的數(shù)據(jù)集,通過(guò)優(yōu)化后的隨機(jī)森林算法訓(xùn)練出的礦物識(shí)別模型,可以在保持高效利用計(jì)算資源的同時(shí)并發(fā)處理礦物識(shí)別任務(wù),并達(dá)到較好的分析效果,將未優(yōu)化的隨機(jī)森林模型的準(zhǔn)確率從67.5%提升至88.8%。JAHODA等[28]提出結(jié)合拉曼散射、反射式可見(jiàn)-近紅外（VNIR）和激光誘導(dǎo)分解光譜（LIBS）3種光譜分析方法的數(shù)據(jù),進(jìn)行深度卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練,并且通過(guò)3種光譜分析方法兩兩結(jié)合的數(shù)據(jù)實(shí)驗(yàn)結(jié)果進(jìn)行對(duì)比,得到將拉曼光譜和VNIR光譜相結(jié)合的數(shù)據(jù)集可以訓(xùn)練出精確度最高的識(shí)別模型,最高精確度可達(dá)88.95%。

光譜分析方法均為微觀下的分析結(jié)果,可以直接獲取礦物的原子、分子的成分信息和組成結(jié)構(gòu)信息,能達(dá)到較高精度的識(shí)別效果,但由于取樣樣本量很小,分析結(jié)果具有局限性。人工智能算法的礦物識(shí)別模型采取大量的數(shù)據(jù)集進(jìn)行模型訓(xùn)練從宏觀角度彌補(bǔ)了傳統(tǒng)光譜分析法只能對(duì)少量試樣進(jìn)行分析的局限性問(wèn)題,但由于光譜分析法的分析結(jié)果為信號(hào)數(shù)據(jù),難以直觀反映礦物成分信息,大多數(shù)算法模型需要對(duì)光譜數(shù)據(jù)結(jié)果進(jìn)行預(yù)處理,數(shù)據(jù)集制作成本較高。

2.1.3 基于化學(xué)成分的礦物識(shí)別模型

化學(xué)成分分析用于確定礦物中所含化學(xué)成分的種類(lèi)和含量,從而確定礦物中重要成分和較重要成分,是礦物識(shí)別的一種重要方法。在礦物識(shí)別領(lǐng)域常用于測(cè)定礦物化學(xué)成分的技術(shù)主要包括能量色散X射線(xiàn)光譜（EDS）、電子探針（EPMA）等[29]。由于礦物中含有的元素種類(lèi)多,部分礦物組成相似,給人工測(cè)定礦物化學(xué)成分判斷礦物種類(lèi)造成一定困難。近些年有學(xué)者通過(guò)人工智能系統(tǒng)利用化學(xué)成分分析結(jié)果判別礦物種類(lèi),準(zhǔn)確率最高提升至99.2%[30]。

能量色散X射線(xiàn)光譜（EDS）自70年代問(wèn)世以來(lái)迅速發(fā)展,對(duì)于礦物化學(xué)成分測(cè)試具有很高的效率。NIELSEN等[31]早在1998年嘗試通過(guò)Jeffreys-Matusita距離和一個(gè)類(lèi)均值被歸類(lèi)為另一個(gè)類(lèi)的后驗(yàn)概率來(lái)檢查礦物類(lèi)別的可分性,分類(lèi)模型采用四個(gè)監(jiān)督分類(lèi)器（簡(jiǎn)單二次型、上下文二次型和2個(gè)分級(jí)二次型分類(lèi)器）成功實(shí)現(xiàn)巖石中礦物的識(shí)別。而后LARSEN等[32]對(duì)NIELSEN的方法提出改進(jìn),通過(guò)擴(kuò)展種子點(diǎn)區(qū)域,計(jì)算歐幾里得光譜距離和馬氏距離對(duì)種子算法相對(duì)于參數(shù)設(shè)置的敏感性進(jìn)行評(píng)估。對(duì)種子算法對(duì)參數(shù)設(shè)置的敏感性的評(píng)估是通過(guò)使用標(biāo)準(zhǔn)的二次分類(lèi)器,從掃描電子顯微鏡（SEM）的能量色散光譜（EDS）的薄片上測(cè)得的12種化學(xué)元素,對(duì)硅質(zhì)巖或碳酸鹽巖中常遇到的礦物進(jìn)行分類(lèi)。近幾年,AKKA?等[30]使用掃描電鏡能譜儀產(chǎn)生的特征X光,無(wú)需標(biāo)準(zhǔn)化分析條件,通過(guò)C5.0決策樹(shù)算法可以快速、準(zhǔn)確地進(jìn)行礦物鑒別,在實(shí)驗(yàn)的測(cè)試集中,準(zhǔn)確率最高可達(dá)99.77%。

而在基于電子探針顯微分析儀（EPMA）圖譜數(shù)據(jù)的礦物識(shí)別模型方面,TSUJI等[33]通過(guò)使用一種競(jìng)爭(zhēng)性學(xué)習(xí)神經(jīng)網(wǎng)絡(luò),KOHONEN自組織特征圖（SOM）,對(duì)多個(gè)通過(guò)電子探針獲取元素強(qiáng)度的X射線(xiàn)強(qiáng)度圖中對(duì)薄片中的礦物進(jìn)行分類(lèi),通過(guò)無(wú)監(jiān)督訓(xùn)練來(lái)產(chǎn)生多維輸入數(shù)據(jù)的二維表示,根據(jù)圖像數(shù)據(jù)中的礦物比例設(shè)置分類(lèi)閾值從而實(shí)現(xiàn)礦物識(shí)別效果。da Silva等[34]基于隨機(jī)森林算法訓(xùn)練出一套可以自動(dòng)化協(xié)助提高礦物化學(xué)數(shù)據(jù)處理和分析階段效率的應(yīng)用程序,可以對(duì)電子探針顯微分析儀產(chǎn)生的大量數(shù)據(jù)進(jìn)行輔助處理,在11 000多份礦物化學(xué)分析數(shù)據(jù)中,數(shù)據(jù)處理準(zhǔn)確率約為99%。

綜合來(lái)看,在礦物識(shí)別方面,通過(guò)人工智能方法在基于化學(xué)成分分析法方面的應(yīng)用,可以很好地彌補(bǔ)傳統(tǒng)化學(xué)成分分析法因測(cè)試元素過(guò)多、光譜數(shù)據(jù)范圍較廣、元素組成類(lèi)似難以判別的問(wèn)題,又保留了化學(xué)成分分析法能快速地、準(zhǔn)確地、定量地對(duì)礦物進(jìn)行識(shí)別分析的優(yōu)點(diǎn),但測(cè)試需要特定的設(shè)備,分析成本較高,且因?yàn)椴煌芯咳藛T使用的設(shè)備品牌、型號(hào)不同,導(dǎo)致測(cè)試結(jié)果的數(shù)據(jù)類(lèi)型不同,也給后續(xù)研究在數(shù)據(jù)處理方面造成困難。

2.1.4 基于多條件綜合利用的礦物識(shí)別模型

礦物的多種性質(zhì)綜合利用也是基于人工智能技術(shù)的礦物識(shí)別研究關(guān)注的方向之一。由于礦物樣本顯微圖像攜帶信息有限,有些研究人員將礦物光學(xué)性質(zhì)與其他性質(zhì)相結(jié)合來(lái)提升神經(jīng)網(wǎng)絡(luò)模型識(shí)別的準(zhǔn)確度。ZENG等[35]提出一種基于EfficientNet-b4深度神經(jīng)網(wǎng)絡(luò)礦物識(shí)別模型,結(jié)合礦物光學(xué)圖像和礦物自身莫氏硬度對(duì)應(yīng)生成數(shù)據(jù)集,實(shí)現(xiàn)對(duì)73種礦物樣本的識(shí)別,最高精度達(dá)到99.6%。

總體來(lái)看,人工智能技術(shù)在礦物識(shí)別方向的應(yīng)用更多的是通過(guò)原有的鑒別方法,通過(guò)訓(xùn)練好的人工智能算法模型取代以往的依靠經(jīng)驗(yàn)、需要專(zhuān)業(yè)的分析工具和知識(shí)儲(chǔ)備的鑒定方法。人工智能算法模型通過(guò)對(duì)礦物的物理性質(zhì)和化學(xué)性質(zhì)數(shù)據(jù)集進(jìn)行學(xué)習(xí),可以準(zhǔn)確地對(duì)待測(cè)礦物進(jìn)行判別,彌補(bǔ)了人工鑒別時(shí)礦物種類(lèi)判斷錯(cuò)誤或無(wú)法判斷的問(wèn)題。在傳統(tǒng)礦物鑒定方法中,根據(jù)礦物鏡下晶形和晶體光學(xué)性質(zhì)進(jìn)行礦物識(shí)別也是常用的鑒別方法,目前在晶體結(jié)構(gòu)方面基于人工智能技術(shù)相關(guān)礦物鑒定工作尚未展開(kāi),值得更多研究人員進(jìn)行深入研究。

2.2 人工智能在浮選過(guò)程中的應(yīng)用

浮選工藝是一種利用有用礦物與脈石礦物之間疏水性差異進(jìn)行分離的工藝。通過(guò)使用活化劑和抑制劑,增加或改變有用礦物和脈石之間的疏水性差異,使有用礦物成為疏水性物質(zhì),附著在氣泡上,當(dāng)氣泡上升到礦漿頂部的泡沫層,將氣泡中的有價(jià)值礦物收集起來(lái),以達(dá)到分選的目的。浮選效果受許多因素的影響,如藥劑劑量、氣泡流量、浮選礦漿的pH值、給礦品位、磨礦粒度等,任一條件的改變對(duì)于泡沫質(zhì)量、分選結(jié)果都會(huì)產(chǎn)生偏差和影響。由于基礎(chǔ)微觀現(xiàn)象本身具有混沌性,浮選過(guò)程的控制一直是一個(gè)具有挑戰(zhàn)性的研究方向。當(dāng)前,人工智能在浮選過(guò)程中的應(yīng)用研究主要包括對(duì)浮選礦漿pH的監(jiān)測(cè)和對(duì)浮選泡沫的監(jiān)控兩方面。

2.2.1 對(duì)浮選礦漿pH的監(jiān)測(cè)

在礦物浮選過(guò)程中,pH值是浮選過(guò)程中對(duì)浮選效果產(chǎn)生直接影響的重要因素之一,礦物顆粒表面的化學(xué)性質(zhì)、與藥劑作用解離成離子的程度、與水的親疏性等均與礦漿中的pH值有關(guān),pH值的大小變化對(duì)浮選過(guò)程的監(jiān)測(cè)和優(yōu)化控制非常重要。目前大多數(shù)選礦廠(chǎng)采用的pH值測(cè)定儀對(duì)礦漿中的pH值變化非常不敏感,且容易被其他因素干擾,同時(shí)還存在著交叉感染的問(wèn)題,容易造成測(cè)量結(jié)果不準(zhǔn)確,對(duì)試劑的調(diào)整造成很大的影響[36]。在實(shí)際浮選過(guò)程中,由于礦漿與藥劑是持續(xù)反應(yīng)的過(guò)程,同時(shí)還有持續(xù)添加的新礦漿和其他過(guò)程的回水,控制礦漿pH值是一個(gè)復(fù)雜的非線(xiàn)性問(wèn)題。

唐朝暉等[37]提出了一種基于浮選泡沫圖像中的特征信息的礦漿pH值預(yù)測(cè)和控制的方法。利用BP神經(jīng)網(wǎng)絡(luò)的優(yōu)良性能可以準(zhǔn)確建模、精準(zhǔn)仿真等特點(diǎn)和RBF神經(jīng)網(wǎng)絡(luò)可以快速適應(yīng)樣本變化的特點(diǎn),組合出一種混合神經(jīng)網(wǎng)絡(luò)模型?；诖四Ｐ脱芯康V漿pH值與浮選泡沫圖像中的特征信息之間的關(guān)系,建立了一種礦漿pH值預(yù)測(cè)和控制模型,解決了礦漿pH值不穩(wěn)定的問(wèn)題。陽(yáng)春華等[38]對(duì)隸屬函數(shù)和輸出權(quán)值通過(guò)變尺度分級(jí)混沌方法進(jìn)行優(yōu)化,利用浮選礦漿泡沫大小、流速等特征建立了有關(guān)浮選礦漿pH值的軟測(cè)量神經(jīng)網(wǎng)絡(luò)模型,主要用于解決pH值檢測(cè)設(shè)備長(zhǎng)時(shí)間使用后因積垢等原因?qū)е聹y(cè)量不準(zhǔn)確的問(wèn)題。

在浮選過(guò)程中,通過(guò)人工智能技術(shù)對(duì)礦漿pH值進(jìn)行預(yù)測(cè)和控制的優(yōu)勢(shì)在于:精準(zhǔn)控制礦漿pH值,可以有效排除因?yàn)樵O(shè)備不敏感、人工操作不精細(xì)等導(dǎo)致礦漿pH值控制不當(dāng)造成不必要的損失。

2.2.2 對(duì)浮選泡沫監(jiān)控

浮選是通過(guò)礦漿中的泡沫攜帶目的礦物進(jìn)行分選的一種選礦方法。眾所周知,泡沫的顏色、氣泡結(jié)構(gòu)、形態(tài)、流速等泡沫特征分別與礦物品位（濃度）、工藝狀態(tài)和回收率有密切的定量關(guān)系[39]。目前,礦物浮選效果很大程度依賴(lài)于浮選工人依據(jù)自身經(jīng)驗(yàn)對(duì)泡沫的觀察判斷。浮選過(guò)程中難以精確管控的問(wèn)題主要來(lái)源于浮選工人的主觀經(jīng)驗(yàn)問(wèn)題和缺乏準(zhǔn)確的測(cè)量設(shè)備。所以泡沫質(zhì)量監(jiān)控對(duì)于浮選效果至關(guān)重要。

LIU等[40]提出一種結(jié)合多尺度去模糊全卷積網(wǎng)絡(luò)和多級(jí)跳躍特征融合全卷積網(wǎng)絡(luò)的浮選泡沫監(jiān)控方案。多尺度去模糊全卷積網(wǎng)絡(luò)可以對(duì)由于空氣水霧、相機(jī)振動(dòng)和高速流造成場(chǎng)景中泡沫模糊的圖像進(jìn)行還原,多級(jí)跳躍特征融合全卷積網(wǎng)絡(luò)以準(zhǔn)確分割各種具有全占位和緊密粘附的易碎氣泡的泡沫圖像,自適應(yīng)地劃分各種大小的氣泡。通過(guò)結(jié)合兩種卷積神經(jīng)網(wǎng)絡(luò)特性組合出一種在線(xiàn)浮選泡沫監(jiān)控方案,經(jīng)過(guò)對(duì)實(shí)際生產(chǎn)銅礦浮選過(guò)程實(shí)驗(yàn),驗(yàn)證所提方案對(duì)于浮選泡沫狀態(tài)有良好的監(jiān)控效果。ZARIE等[41]提出一種用于對(duì)工業(yè)煤浮選柱在不同工藝條件下采集的泡沫圖像進(jìn)行分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)模型,通過(guò)對(duì)浮選過(guò)程中空氣流速、泡沫劑用量、礦漿固體含量百分比、泡沫深度等不同的條件下運(yùn)行的泡沫圖像收集處理,利用卷積神經(jīng)網(wǎng)絡(luò)算法對(duì)采集的泡沫圖像進(jìn)行分類(lèi),按照可燃物回收率和精煤灰品位將圖像快速準(zhǔn)確分為4個(gè)泡沫等級(jí),避免浮選工人依靠自身經(jīng)驗(yàn)判斷不準(zhǔn)確的問(wèn)題。ZHANG等[42]通過(guò)XRD分析儀對(duì)浮選泡沫品位進(jìn)行分級(jí),利用浮選泡沫監(jiān)控視頻和浮選泡沫等級(jí)建立數(shù)據(jù)集,通過(guò)長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)（LSTM）訓(xùn)練出一種預(yù)估鋅浮選回路中第一粗選浮選機(jī)的尾礦品位的預(yù)測(cè)模型,對(duì)比感知器網(wǎng)絡(luò)模型,均方根誤差降低約8.48%、擬合優(yōu)度增加約9.32%。

選礦過(guò)程中,浮選工藝因其工藝繁雜,需要控制的因素較多,一直是選礦流程中較難把控的工藝。在與人工智能技術(shù)結(jié)合過(guò)程中,神經(jīng)網(wǎng)絡(luò)算法可以精確預(yù)測(cè)浮選過(guò)程中所需監(jiān)控的指標(biāo)參數(shù),也可通過(guò)浮選泡沫圖像對(duì)浮選進(jìn)度進(jìn)行判斷,配合視覺(jué)傳感器達(dá)到實(shí)時(shí)測(cè)量精礦品位的效果。

2.3 人工智能在磨礦過(guò)程中的應(yīng)用

磨礦是借助球磨機(jī)、棒磨機(jī)等研磨機(jī)械,通過(guò)研磨介質(zhì)和礦物之間的機(jī)械力克服礦物內(nèi)部黏結(jié)力來(lái)破壞結(jié)構(gòu),使礦物達(dá)到目標(biāo)粒度的作業(yè)。研究人員分別將磨礦過(guò)程中的介質(zhì)配比、礦石粒度、磨機(jī)振動(dòng)信號(hào)等數(shù)據(jù)收集處理,建立對(duì)應(yīng)的數(shù)據(jù)集,利用人工智能算法模型對(duì)磨礦作業(yè)的控制過(guò)程進(jìn)行改進(jìn),提升磨機(jī)磨礦工作效率。

張勝東等[43]通過(guò)利用BP神經(jīng)網(wǎng)絡(luò)建立球磨機(jī)鋼球配比預(yù)測(cè)模型,通過(guò)保持其他條件不變,控制球磨機(jī)中大、中、小鋼球的配比這一單一變量,進(jìn)行多次試驗(yàn),以此實(shí)驗(yàn)方法得到磨礦產(chǎn)品粒度分布,再將磨礦產(chǎn)品粒度分布作為輸入,鋼球各自質(zhì)量分?jǐn)?shù)作為輸出,訓(xùn)練出的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型可用于預(yù)測(cè)不同磨礦產(chǎn)品粒度對(duì)應(yīng)的鋼球配比。ZHANG等[44]使用灰色模型進(jìn)行磨礦粒度預(yù)測(cè),并用神經(jīng)網(wǎng)絡(luò)進(jìn)行誤差補(bǔ)償,比未使用神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型更加接近實(shí)際值。NAYAK等[45]通過(guò)監(jiān)測(cè)球磨機(jī)的振動(dòng)信號(hào),建立人工神經(jīng)網(wǎng)絡(luò)模型,用于定期監(jiān)測(cè)球磨機(jī)內(nèi)部的料位。該實(shí)驗(yàn)在球磨機(jī)底部采集振動(dòng)信號(hào),通過(guò)使用快速傅里葉變換分析信號(hào)的方法,從振動(dòng)信號(hào)中提取特征,將這些特征作為人工神經(jīng)網(wǎng)絡(luò)的輸入,用于預(yù)測(cè)球磨機(jī)內(nèi)部的物料填充百分比。ZAKAMALDIN等[46]使用外部輸入的非線(xiàn)性自回歸神經(jīng)網(wǎng)絡(luò)對(duì)中心排料球磨機(jī)進(jìn)行識(shí)別,在帶篩分的閉路研磨中獲得細(xì)碎的磨機(jī)填充技術(shù)過(guò)程的簡(jiǎn)化模型,之后在實(shí)際研磨過(guò)程中對(duì)最佳模型進(jìn)行測(cè)試,通過(guò)神經(jīng)網(wǎng)絡(luò)建立的模型與實(shí)際最佳估值達(dá)到了72.1%的匹配度。

磨礦作業(yè)在與人工智能技術(shù)相結(jié)合的過(guò)程中,人工智能算法模型將磨機(jī)中介質(zhì)和礦物配比、磨礦粒度、磨礦作業(yè)技術(shù)流程等精細(xì)化定量預(yù)測(cè),解決了傳統(tǒng)磨礦工藝存在的多條件相互作用導(dǎo)致的非線(xiàn)性問(wèn)題,有效地提升了磨機(jī)作業(yè)率、磨機(jī)利用系數(shù)等指標(biāo),使目的礦物和脈石礦物更大程度地達(dá)到單體解離,同時(shí)降低選礦成本,對(duì)于工業(yè)生產(chǎn)具有重大作用。

2.4 人工智能在礦物加工中的其他應(yīng)用

近年來(lái),人工智能技術(shù)在礦物揀選、浸出等領(lǐng)域中也受到礦物加工工作者的關(guān)注。

張永超等[47]基于傳統(tǒng)煤矸石分揀機(jī)器人對(duì)于煤矸石的位置不敏感的問(wèn)題,通過(guò)單激發(fā)多盒探測(cè)器機(jī)器視覺(jué)算法對(duì)煤矸石檢測(cè)方法進(jìn)行優(yōu)化,有效地提升了煤矸石分揀機(jī)器人的感知與分揀能力。卜斤革等[48]利用粒子群算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)建立了浸出率的預(yù)測(cè)模型,得到的預(yù)測(cè)結(jié)果與實(shí)際值相差甚小,同時(shí)驗(yàn)證了神經(jīng)網(wǎng)絡(luò)可以在一定條件下有效地把控浸出作業(yè)過(guò)程中的不確定性,提升浸出率。PEREIRA等[49]對(duì)比了多項(xiàng)式建模和人工神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于磷灰石、方解石和白云石生物沉積的基本原理,采用遺傳算法優(yōu)化的全二次模型和三層前饋神經(jīng)網(wǎng)絡(luò)來(lái)描述礦物回收率,實(shí)驗(yàn)發(fā)現(xiàn)使用標(biāo)準(zhǔn)數(shù)值訓(xùn)練算法生成的人工神經(jīng)網(wǎng)絡(luò)模型具有更高的精度,與多項(xiàng)式模型相比,人工神經(jīng)網(wǎng)絡(luò)模型更適合描述和預(yù)測(cè)礦物回收率。

人工智能技術(shù)與其他礦物加工工藝流程的應(yīng)用還在起步階段,但根據(jù)現(xiàn)有研究人員的實(shí)驗(yàn)結(jié)果觀測(cè),人工智能技術(shù)在礦物加工中的其他工藝流程中依然具有很大的研究空間。

3 結(jié) 論

人工智能技術(shù)作為一門(mén)新興技術(shù)具有很好地處理非線(xiàn)性問(wèn)題的優(yōu)勢(shì),可以排除依賴(lài)人為經(jīng)驗(yàn)操作所導(dǎo)致的穩(wěn)定性低和可解釋性差等問(wèn)題,成為礦物加工領(lǐng)域新的研究方向。利用人工智能技術(shù)在礦物識(shí)別、磨礦、浮選等相關(guān)領(lǐng)域的研究成果,對(duì)已經(jīng)得到的精確數(shù)據(jù)進(jìn)行在線(xiàn)分析處理,可以使礦物加工工藝流程更精細(xì)化,有效地提升礦物加工效果、提高精礦品位,同時(shí)也降低相關(guān)工藝流程操作難度,有利于選礦廠(chǎng)人力成本的降低。展現(xiàn)了其在推動(dòng)礦物加工高質(zhì)、高效、綠色與創(chuàng)新發(fā)展,助力我國(guó)綠色礦山、生態(tài)礦山建設(shè)方面的重要意義與潛在前景。但是,當(dāng)前現(xiàn)有研究成果尚存在不足的地方,主要有以下4個(gè)方面:①缺少統(tǒng)一標(biāo)準(zhǔn)的、全品類(lèi)的礦物加工領(lǐng)域的數(shù)據(jù)集?，F(xiàn)有研究成果絕大多數(shù)是基于自建數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)研究,而數(shù)據(jù)集的質(zhì)量對(duì)實(shí)驗(yàn)的結(jié)果會(huì)產(chǎn)生較大的影響,統(tǒng)一標(biāo)準(zhǔn)、格式的數(shù)據(jù)集將有助于更好地評(píng)判算法模型;②缺乏應(yīng)用在實(shí)際生產(chǎn)中的人工智能算法模型。目前人工智能算法在礦物加工領(lǐng)域的應(yīng)用仍然處于早期的探索階段,大量的研究成果依然來(lái)源于實(shí)驗(yàn)室,而并非實(shí)際的選礦廠(chǎng);③人工智能在礦物加工領(lǐng)域中的應(yīng)用大多用于研究某一工藝流程,缺乏整體性。礦物加工領(lǐng)域工藝流程多,整體性強(qiáng),依靠人工智能對(duì)浮選、磨礦或其他某一工藝的改善對(duì)于礦物加工的最終結(jié)果很難產(chǎn)生質(zhì)的變化;④選礦廠(chǎng)大量生產(chǎn)數(shù)據(jù)未加以合理利用。礦物加工設(shè)備每日產(chǎn)生大量各種類(lèi)型的數(shù)據(jù),許多形式的數(shù)據(jù)（如球磨機(jī)的振動(dòng)信號(hào)）在選礦廠(chǎng)甚至尚未采集,而單純?nèi)斯ぬ幚砗秃?jiǎn)單算法無(wú)法體現(xiàn)數(shù)據(jù)的最大價(jià)值。

人工智能在礦物加工領(lǐng)域的應(yīng)用快速增長(zhǎng),反映了當(dāng)前工業(yè)領(lǐng)域?qū)τ诳茖W(xué)前沿技術(shù)的需求,但還需要很長(zhǎng)一段時(shí)間的磨合和探索。未來(lái)可以從以下4個(gè)方面對(duì)人工智能在礦物加工領(lǐng)域的應(yīng)用進(jìn)行探索:①建立統(tǒng)一規(guī)范的、全品類(lèi)的標(biāo)準(zhǔn)數(shù)據(jù)集和數(shù)據(jù)集測(cè)試標(biāo)準(zhǔn),通過(guò)標(biāo)準(zhǔn)數(shù)據(jù)集對(duì)人工智能算法模型進(jìn)行性能評(píng)估;②通過(guò)使用選礦廠(chǎng)的真實(shí)生產(chǎn)數(shù)據(jù)進(jìn)行算法模型的建立,從實(shí)際生產(chǎn)角度出發(fā),將算法模型實(shí)際應(yīng)用于選礦廠(chǎng)的生產(chǎn)當(dāng)中;③加強(qiáng)人工智能技術(shù)結(jié)合礦物加工領(lǐng)域中其他工藝的應(yīng)用研究,包括但不限于揀選、浸出等技術(shù);④通過(guò)人工智能算法模型開(kāi)發(fā)具有高可用性、高魯棒性的自動(dòng)化礦物加工設(shè)備,在礦物加工領(lǐng)域充分發(fā)揮人工智能優(yōu)勢(shì)。人工智能技術(shù)在礦物加工領(lǐng)域的應(yīng)用已經(jīng)成為未來(lái)發(fā)展的大方向。隨著人工智能的不斷迭代創(chuàng)新,礦物加工領(lǐng)域也將迎來(lái)飛速發(fā)展。