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

جاهد سراوانی, علی; مسینایی, محمد; خلیل‌پور, جعفر

doi:10.30479/jmre.2019.9879.1209

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

نویسندگان

¹ استادیار، گروه مهندسی کنترل، دانشگاه پدافند هوایی خاتم الانبیاء تهران

² دانشیار فرآوری مواد معدنی، گروه مهندسی معدن، دانشگاه بیرجند

³ دانشیار، گروه مهندسی مخابرات، دانشگاه پدافند هوایی خاتم الانبیاء تهران

10.30479/jmre.2019.9879.1209

چکیده

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.

کلیدواژه‌ها

موضوعات

فرآوری مواد معدنی

عنوان مقاله [English]

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

نویسندگان [English]

A. Jahedsaravani ¹
M. Massinaei ²
J. Khalilpour ³

¹ Assistant Professor, Dept. of Electrical Engineering, Khatam al-Anbiya University, Tehran, Iran

² Associate Professor, Dept. of Mining Engineering, University of Birjand, P.O. Box: 97175-376, Birjand, Iran

³ Associate Professor, Dept. of Electrical Engineering, Khatam al-Anbiya University, Tehran, Iran

چکیده [English]

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 C-means 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.

کلیدواژه‌ها [English]

Flotation
Froth Images
Image Analysis
Machine Vision
Visual Features

مراجع

[1] Wills, B. A., and Napier-Munn, T. J. (2011). “Mineral Processing Technology: An Introduction to the Practical Aspects of Ore Treatment and Mineral Recovery”. Butterworth-Heinemann, 267-352.

[2] Bergh, L. G., and Yianatos, J. (2003). “Flotation column automation: State of the art”. Control Engineering Practice, 11: 67-72.

[3] Aldrich, C., Marais, C., Shean, B., and Cilliers, J. (2010). “Online monitoring and control of froth flotation systems with machine vision: A review”. International Journal of Mineral Processing, 96: 1-13.

[4] Sadr-Kazemi, N., and Cilliers, J. (1997). “An image processing algorithm for measurement of flotation froth bubble size and shape distributions”. Minerals Engineering, 10: 1075-1083.

[5] Holtham, P., and Nguyen, K. (2002). “On-line analysis of froth surface in coal and mineral flotation using JKFrothCam”. International Journal of Mineral Processing, 64: 163-180.

[6] Kaartinen, J., Hätönen, J., Hyötyniemi, H., and Miettunen, J. (2006). “Machine-vision-based control of zinc flotation-a case study”. Control Engineering Practice, 14: 1455-1466.

[7] Mehrabi, A., Mehrshad, N., and Massinaei, M. (2014). “Machine vision based monitoring of an industrial flotation cell in an iron flotation plant”. International Journal of Mineral Processing, 133: 60-66.

[8] Jahedsaravani, A., Marhaban, M., and Massinaei, M. (2014). “Prediction of the metallurgical performances of a batch flotation system by image analysis and neural networks”. Minerals Engineering, 69: 137-145.

[9] Mehrshad, N., and Massinaei, M. (2011). “New image-processing algorithm for measurement of bubble size distribution from flotation froth images”. Minerals and Metallurgical Processing Journal, 28(3): 146-150.

[10] Jahedsaravani, A., Marhaban, M., Massinaei, M., Saripan, M., Mehrshad, N., and Noor, S. (2014). “Development of a new algorithm for segmentation of flotation froth images”. Minerals & Metallurgical Processing Journal, 31: 66-72.

[11] Jahedsaravani, A., Massinaei, M., and Marhaban, M. H. (2017). “An image segmentation algorithm for measurement of flotation froth bubble size distributions”. Measurement, 111: 29-37.