王 剛

(陜西財(cái)經(jīng)職業(yè)技術(shù)學(xué)院，陜西 咸陽(yáng) 712000)

隨著銅礦開采的深入，如何提高對(duì)銅礦開采的篩選效率，成為思考的重點(diǎn)。當(dāng)前為提高銅礦浮選工藝，人們通常對(duì)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(duì)銅礦浮選工藝進(jìn)行改進(jìn)，一直是探討的重點(diǎn)，也是當(dāng)前研究的難點(diǎn)。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(duì)傳統(tǒng)銅礦浮選工藝進(jìn)行改進(jìn)的前提下，采用自動(dòng)化的方式對(duì)泡沫圖像進(jìn)行篩選，是本文的一個(gè)創(chuàng)新點(diǎn)。而在圖像處理方面，譚穎在圖像融合和邊緣檢測(cè)的基礎(chǔ)上[1]，通過小波降噪的方式對(duì)圖像進(jìn)行提純，進(jìn)而提高金屬銅破損圖像檢測(cè)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(duì)圖像進(jìn)行全面增強(qiáng)，然后采用圖像分割的方法對(duì)圖像輪廓信息進(jìn)行提取，并及時(shí)不明確的部分。在參考上述研究理論的基礎(chǔ)上，本文從來(lái)那個(gè)方面入手，一是對(duì)銅礦浮選工藝進(jìn)行優(yōu)化，一是對(duì)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(shí)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(dòng)檢測(cè)技術(shù)對(duì)礦石組成進(jìn)行測(cè)定和分析。經(jīng)過測(cè)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(duì)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(shuō)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(jì)

通過對(duì)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(lái)很大的影響。如采用傳統(tǒng)的硫化浮選方法對(duì)銅進(jìn)行回收，在一定用量后會(huì)受到礦石中的黃銅礦等的影響。因此，考慮到這個(gè)因素，在大量試驗(yàn)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(duì)銅礦浮選工藝進(jìn)行改進(jìn)的基礎(chǔ)上，本文還針對(duì)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(dòng)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(duì)工藝改進(jìn)的前提下，提高銅礦浮選的自動(dòng)識(shí)別效率，進(jìn)而提升自動(dòng)化水平。研究認(rèn)為，灰度共生矩陣在對(duì)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(huì)對(duì)灰度共生矩陣進(jìn)行二次統(tǒng)計(jì)[3]。在灰度共生矩陣中，常用的紋理特征主要包含以下4個(gè)[4]。

3.1 能量E

能量E的計(jì)算表達(dá)式為：

該紋理特征主要是對(duì)圖像灰度分布情況的統(tǒng)計(jì)，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(shuō)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(shí)，熵值達(dá)到最大，當(dāng)圖像中沒有紋理時(shí)候，此時(shí)的熵則為零。

3.3 對(duì)比度I

該指標(biāo)主要表示圖像的清晰度，當(dāng)對(duì)比度較大的時(shí)候，表示圖像比較清晰，而對(duì)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(jì)算公式為：

3.5 具體步驟

灰度共生矩陣對(duì)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(duì)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(duì)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(duì)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(duì)應(yīng)系數(shù)矩陣的行和列。由此，通過計(jì)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(jí)小波變換，相對(duì)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(duì)銅礦浮選泡沫圖像進(jìn)行處理，具體的處理流程設(shè)計(jì)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(gè)方向?qū)采仃囘M(jìn)行計(jì)算和求解，并最終取能量、相關(guān)性、對(duì)比度和熵的平均值，得到各個(gè)子圖的共生特征。

在上述的公式中，fi為各個(gè)方向上的不同參數(shù)特征值。

4 試驗(yàn)驗(yàn)證

為驗(yàn)證上述兩個(gè)結(jié)合方法的有效性，在對(duì)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(cè)模型對(duì)采集到工藝硫化銅視頻泡沫圖像進(jìn)行預(yù)測(cè)。通過上述的試驗(yàn)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(shuō)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(jià)值。

5 結(jié) 語(yǔ)

總之，對(duì)于銅礦浮選工藝來(lái)講，是一個(gè)非常復(fù)雜的過程。在這個(gè)過程中，需要結(jié)合具體礦石的情況對(duì)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(jì)的情況下，還引入圖像自動(dòng)化處理和識(shí)別技術(shù)，這樣大大提高了對(duì)銅礦分辨的準(zhǔn)確性和效率。但是，本文在設(shè)計(jì)中，缺乏對(duì)基于紋理特征的硫化銅圖像預(yù)測(cè)模型的構(gòu)建，只是借鑒了任傳成的PLS模型，對(duì)此在接下來(lái)的工作研究中還需進(jìn)一步的研究。