王 龍 林興浩 王 彬

(廣東省科學(xué)技術(shù)情報研究所,廣東 廣州 510033)

礦產(chǎn)資源作為人類社會生存和發(fā)展的基礎(chǔ),對整個國民經(jīng)濟(jì)的發(fā)展有著舉足輕重的作用。隨著社會經(jīng)濟(jì)發(fā)展進(jìn)入新時代,我國對礦石產(chǎn)品需求增長迅速,對礦產(chǎn)資源的開發(fā)規(guī)模達(dá)到空前的程度[1]。我國礦產(chǎn)資源總體稟賦條件較差,典型特點為:貧礦多、嵌布粒度細(xì)、共(伴)生關(guān)系復(fù)雜[2]。近年來,隨著礦產(chǎn)資源的持續(xù)過度開采,資源不斷枯竭,高品位易選礦石儲量越來越少,礦石貧化加劇,低品位難選礦石的入選比例持續(xù)攀升,導(dǎo)致選礦成本大幅增加。隨著我國易選礦產(chǎn)資源的不斷消耗及選礦技術(shù)水平的不斷提升,開采和處理貧礦和極貧礦已成為必然。但在采礦作業(yè)過程中,不可避免地會有一定量的廢石混入,使礦石進(jìn)一步被貧化;同時,也會有一些高品位礦石混入圍巖中,造成資源的浪費[3]。

揀選是利用不同礦物的光學(xué)性質(zhì)、導(dǎo)電性、磁性、放射性及不同射線輻射下的反射/吸收特性差異,通過逐一檢測后機(jī)械分離的選礦方法。揀選是解決入選礦石日益貧化趨勢的一項重要對策,是提高選礦技術(shù)經(jīng)濟(jì)指標(biāo)的重要途徑。對于采礦而言,揀選可使低品位礦石被高效開采利用,避免了以往常規(guī)開采帶來的資源浪費,而且可使一些低品位的表外礦石變成有用資源,提高礦山的服務(wù)年限;對于選礦而言,合理利用揀選,不僅可以降低能耗和各個后續(xù)加工段的費用,而且揀選出的廢礦石可用于回填或作建筑材料,為企業(yè)帶來額外利潤。進(jìn)入21 世紀(jì),深度學(xué)習(xí)、遺傳算法等人工智能AI 算法,以及X 射線、激光誘導(dǎo)、微波技術(shù)等智能光電選礦技術(shù)的快速發(fā)展,使智能揀選裝備得到了快速發(fā)展和工業(yè)應(yīng)用。面對入選礦石和堆存廢石的現(xiàn)狀,智能揀選裝備的有效利用已經(jīng)成為降低選礦成本、提高資源利用率和企業(yè)經(jīng)濟(jì)效益的重要手段[4]。

1 智能揀選裝備的組成與原理

1.1 智能揀選裝備的組成與分選過程

智能揀選裝備主要由振動布料系統(tǒng)、信號檢測系統(tǒng)、計算機(jī)軟件算法系統(tǒng)、動作執(zhí)行裝置四大模塊組成。圖1為X 射線熒光分選機(jī)結(jié)構(gòu)圖,其中布料系統(tǒng)一般由給料機(jī)、溜槽、皮帶組成,礦物在給料系統(tǒng)的作用下形成單層平鋪的狀態(tài)經(jīng)過信號檢測系統(tǒng);信號檢測系統(tǒng)由射線發(fā)生器及射線接收器組成,高清圖像識別系統(tǒng)由高亮光源和高清數(shù)碼相機(jī)組成;算法系統(tǒng)通過分析礦石特征信息,實現(xiàn)礦石的高速準(zhǔn)確識別;動作執(zhí)行硬件控制部分由工控機(jī)、高速控制器、繼電器等原件組成,聯(lián)合算法優(yōu)化實時動態(tài)分離礦廢[5]。

圖1 X 射線熒光分選機(jī)結(jié)構(gòu)Fig.1 Structure diagram of X-ray fluorescence sorting machine

智能揀選過程中,礦物以單層形式通過布料系統(tǒng)進(jìn)入信號檢測區(qū),檢測信號經(jīng)過算法系統(tǒng)處理后利用動作執(zhí)行裝置實現(xiàn)礦物顆粒選擇性分離。作為一種物理分選技術(shù),揀選對礦石分選整體效率的提升作用巨大。對于所處理礦物,在目的礦物存在礦物學(xué)或元素獨特特征的基礎(chǔ)上,智能揀選裝備的傳感器應(yīng)對信噪比足夠敏感,算法系統(tǒng)應(yīng)迅速對檢測信號進(jìn)行校準(zhǔn)和驗證并做出判斷,同時動作執(zhí)行裝置能夠及時有效地將目的礦物與脈石分開。

1.2 智能揀選裝備的傳感器

信號檢測分析系統(tǒng)是智能揀選裝備最關(guān)鍵的部件,而傳感器是信號檢測分析系統(tǒng)的眼睛。近年來,隨著色選(Color)、X 射線熒光(XRF)、X 射線透射(XRT)、近紅外射線(NIR)、激光誘導(dǎo)、微波等傳感檢測技術(shù)的發(fā)展,智能揀選技術(shù)越來越獲得全球知名礦業(yè)企業(yè)的高度關(guān)注[6]。目前,世界上比較成熟的傳感器信息采集技術(shù)以Color 和XRT為主,工業(yè)應(yīng)用較為成熟。XRF 技術(shù)在國內(nèi)未得到大面積推廣,相關(guān)生產(chǎn)企業(yè)大多向XRT 技術(shù)轉(zhuǎn)型,使得XRT 成為應(yīng)用最為廣泛的傳感器信息采集技術(shù)[4]。常見傳感器信息采集技術(shù)在礦石揀選中的應(yīng)用如表1所示。

表1 常見傳感器信息采集技術(shù)在礦石揀選中的應(yīng)用Table 1 Application of common sensor information collection technology in ore sorting

1.3 智能揀選裝備在分選中的作用

采礦的剝離作業(yè)和表外礦石的堆存是造成金屬流失的重要原因,智能揀選裝備最常用于處理低開采成本的邊際開采區(qū)塊礦,對已達(dá)到工業(yè)入選品位的礦石可通過揀選預(yù)先拋除廢石以提高入選品位;為了獲得合適的塊礦粒度,一般還需在揀選前增加粗碎和中碎作業(yè)[7]。此外,一些銅礦礦山將智能揀選裝備置于自磨機(jī)前,揀選出低品位廢石,從而顯著降低了入磨量和磨機(jī)功耗,應(yīng)用潛力巨大[8]。

總的來說,礦石預(yù)選流程主要分為3種:① 直接預(yù)選流程,適宜礦石粒度均勻、細(xì)粒粉狀礦石較少的原礦;② 篩分—預(yù)選流程,通過篩分去除粒度過小部分;③ 破碎—篩分—預(yù)選流程,經(jīng)破碎和篩分后,過大顆粒返回破碎形成閉路;3種流程圖見圖2。

圖2 常見揀選流程Fig.2 Common sorting flowsheet

2 常見智能揀選裝備的應(yīng)用

國外在智能揀選裝備領(lǐng)域的技術(shù)研發(fā)企業(yè)主要有挪威Tomra 集團(tuán)、德國Steinert 公司、俄羅斯Rados、芬蘭IMA Engineering、挪威Comex、美國Thermo Fisher、加拿大MineSense、澳大利亞NextOre 和澳大利亞CRC ORE 等;中國企業(yè)主要有贛州好朋友、天津美騰、北京霍里思特和沈陽隆基等。

2.1 X 射線透射(XRT)揀選

XRT 透射揀選技術(shù)是依靠X 射線穿透礦石后,不同成分對X 射線吸收能力不同而實現(xiàn)品位識別的揀選方法[9]。由于XRT 分揀裝備根據(jù)物料的特定原子密度識別和分離,直接反映礦石內(nèi)部信息,可以避免礦石大小、濕度或表面污染程度的影響,具有較高的精度,因此在市場上得到最多的關(guān)注[10]。

相比于重介質(zhì)選礦,XRT 智能揀選裝備對中低品位粗顆粒磷礦拋尾效果好,綜合技術(shù)指標(biāo)優(yōu)于重介質(zhì)選礦指標(biāo),分選流程簡單,運行成本低,且不產(chǎn)生廢水,有利于環(huán)境保護(hù)。對四川某地鎂硅質(zhì)磷礦石研究發(fā)現(xiàn),相較于傳統(tǒng)的“破碎—磨礦—正浮選—反浮選”工藝,在磨礦作業(yè)前使用XRT 揀選,采用“破碎—XRT 分選—磨礦—反浮選”工藝,最終磷精礦中的石英去除率可提高26個百分點,礦山產(chǎn)能提高一倍[11]。沙特磷礦在分選中使用XRT 揀選裝備可使大量廢石在中碎之前就被分離拋棄,使全廠能源、水量和藥劑消耗分別降低了19、22 和31個百分點,并獲得了尾礦庫筑壩所需的粗顆粒尾礦[12]。

XRT 智能揀選裝備一段分選就可以使酒鋼鏡鐵山鐵礦在較大拋廢率的情況下,尾礦品位保持在12%以內(nèi),同時揀選粗精礦鐵品位提高了3.6個百分點以上,智能揀選指標(biāo)較人工揀選好[13];進(jìn)一步采用智能揀選—1 粗1 掃強(qiáng)磁干式揀選工藝聯(lián)合拋廢,鐵精礦品位提高了3.85個百分點[14]。安徽某鏡鐵礦揀選試驗結(jié)果也證明使用XRT 智能揀選裝備,在控制廢石鐵品位8%左右的情況下的拋廢率為6%,同時拋除的大塊尾礦可以加工成砂石料出售,節(jié)能降耗效果明顯,說明該裝備在難選鐵礦石的揀選領(lǐng)域具有較好的應(yīng)用前景[15]。

湖南某鎢礦使用XRT 智能揀選機(jī)對鎢礦進(jìn)行了揀選研究,可獲得富集比和拋廢率分別為2.32 和65.37%的良好指標(biāo),使選礦成本降低了34.91個百分點,提高選廠處理量53.33個百分點,提高了低品位鎢礦資源利用率[16-17]。XRT 射線智能揀選裝備對稀土礦的富集比在3～4,稀土的損失量可控制在2%以下,對于銅和錫的富集比分別為1.73 和1.24,拋廢率達(dá)16%左右[9,18]。

2.2 X 射線熒光(XRF)揀選

XRF 揀選技術(shù)是利用探測器接收礦石受到X 射線照射后所激發(fā)的二次X 射線來分選礦石?；谠乇患ぐl(fā)躍遷時釋放的本征X 射線,通過射線能量及其強(qiáng)弱獲知該元素信息[19]。

夜長坪300～150 mm粒級鉬礦通過XRF 智能揀選機(jī)預(yù)選使富集比達(dá)到1.25～1.50,顯著提高了選廠技術(shù)經(jīng)濟(jì)指標(biāo)和綜合效益[20];150～20 mm粒級新華鉬礦使用XRF 揀選機(jī)獲得富集比1.44、精礦回收率95.87%的良好指標(biāo)[21];湖南某鎢鉬礦(40～20 mm)經(jīng)過XRF 揀選機(jī)預(yù)選后鎢和鉬的富集比分別為1.72和1.88,綜合拋廢率39%[22]。

XRF 智能揀選廣泛應(yīng)用于銅礦及銅金、銅鋅等共生礦揀選中[23]。紅透山銅礦150～20 mm粒級廢石含銅0.1%,經(jīng)XRF 揀選后獲得銅品位為1.10%、回收率為70.80%的揀選產(chǎn)品,進(jìn)一步的研究發(fā)現(xiàn)礦石粒度對揀選指標(biāo)有影響,在其他試驗條件相同的情況下,150～100 mm粒級的分選指標(biāo)明顯優(yōu)于其他粒級,適當(dāng)增大給礦塊粒度有利于改善該銅礦廢石的分選指標(biāo)[24,7]。對于入選粒度對揀選指標(biāo)的影響方面,內(nèi)蒙古赤峰大井子銅礦圍巖XRF 揀選結(jié)果證明100～60 mm粒級的分選效果要明顯好于60～20 mm粒級[25]。靈寶金源金-石英-金屬硫化物型金礦石,有用礦物主要為自然金和銀金礦,脈石礦物主要為石英,原礦金品位2.34 g/t,對150～30 mm粒級礦石進(jìn)行揀選半工業(yè)試驗,揀選后的精礦金品位提高至3.40 g/t,金損失率僅為1.95%[5]。

XRF 智能揀選裝備還廣泛應(yīng)用于磷礦[26]、金剛石[27]、稀土礦[28]等非金屬礦和其它稀有礦石的揀選中,除此之外,也可用于鐵礦揀選(圖3),用于分離鐵礦石和石英,分離效果高效,但應(yīng)用并不廣泛[29]。

圖3 鐵礦與石英純礦物分選情況[29]Fig.3 Separation of pure mineral iron ore and quartz

XRF 技術(shù)具有分析速度快,分析過程不受樣品形態(tài)影響等優(yōu)點,使得XRF 智能揀選裝備起步較XRT 早,但由于其容易受元素相互干擾和疊加峰影響,在實際使用時可能出現(xiàn)的頻繁校正、擬合等問題在一定程度上限制了其應(yīng)用和發(fā)展。

2.3 近紅外射線(NIR)揀選

NIR 主要是基于非諧振性分子振動,使分子振動從基態(tài)向高能級躍遷時產(chǎn)生的光譜分析,記錄的是分子中單個化學(xué)鍵的基頻振動的倍頻和合頻信息,是一種優(yōu)良的振動光譜,檢測性能優(yōu)于常規(guī)的表面檢測[30]。

對于NIR 分析,在相似波長位置,吸收特征峰和峰寬不受礦物顆粒尺寸的影響,但是特征峰深度受顆粒尺寸和礦石類型的影響。例如,對于富含孔雀石的銅礦而言,較大顆粒尺寸礦石在整個波長范圍內(nèi)對光譜的吸收度比較小顆粒尺寸礦石高,且特征吸收峰波長位置是最優(yōu)識別參數(shù)[31]。利用基于不同NIR 活性礦物的銅品位與NIR 響應(yīng)的間接關(guān)系,可以有效預(yù)測銅品位。NIR 智能揀選裝備也可用于鐵礦,對粒徑10 mm的高鋁鐵礦揀選后可使鐵品位由59%提高至69%,此過程伴隨鋁富集,鋁含量由0.35%升高至8.85%[32]。NIR 揀選應(yīng)用于納米比亞Scorpion 氧化鋅礦和加拿大Renard 礦的金伯利巖選礦,均獲得了成功[33]。

由于NIR 光譜的表面激活厚度約30 μm,一定程度上能夠耐受較薄粉塵的干擾,雖然濕篩或脫水后顆粒的表面水分不會對分選效率產(chǎn)生負(fù)面影響,但在多變量校準(zhǔn)中仍需要考慮表面水分的影響。

2.4 顏色揀選(色選)

顏色揀選(色選)是利用礦物對光的反射率、吸收率和投射率等光學(xué)信息差異來實現(xiàn)目的礦物和廢石分離的方法。色選所用光源多為漫反射光源,不同光源的光譜特征有差異,需根據(jù)礦石的表面光學(xué)性質(zhì)選擇合適的光源和濾光片,有時還需要對光源進(jìn)行設(shè)計[34]。

色選裝備廣泛應(yīng)用于石英砂、鉀長石、碳酸鹽、鎢礦、錫礦和螢石等揀選[35]。趙秀鳥等[36]建立了一套鎢礦初選系統(tǒng),為了確保機(jī)器視覺技術(shù)在鎢礦初選環(huán)節(jié)的可行性和高效性,作者針對鎢礦的特征提出了SUSAN 邊緣檢測算法,如圖4所示,該算法在灰度變換和邊緣檢測的基礎(chǔ)上可顯著提高鎢礦在圖像中的顯示程度。陳明文等[34]在分析鉀長石光反射特性和LED 光源在鉀長石光電揀選中技術(shù)特點的基礎(chǔ)上,總結(jié)并提出了LED 光源應(yīng)用于鉀長石智能揀選系統(tǒng)光源的配光設(shè)計方法,為鉀長石智能揀選系統(tǒng)光源的制備提供了技術(shù)依據(jù)。但在金礦分選方面,河南某金礦色選研究發(fā)現(xiàn),其含有的綠色廢石與金礦石不容易區(qū)分,造成較高的誤揀率或較低的揀出率問題[37]。

圖4 經(jīng)過處理的原始礦石圖像和SUSAN 檢測效果Fig.4 Processed raw ore images and SUSAN inspection results

雖然色選裝備可應(yīng)用于很多礦種,但在金礦揀分選中的效果較差,還需輔助其他傳感設(shè)備以提高分揀精度。

2.5 其他類型揀選

放射性揀選依據(jù)礦物天然放射性的差異(如含鈾的礦石和廢石)實現(xiàn)分離,主要用于放射性礦物,具有識別精度高、處理量大、分選效率高等優(yōu)點[38]。紅外線熱成像特性揀選(IRT)是利用物料不同組分受熱后紅外線輻射強(qiáng)度差異進(jìn)行分選,此類揀選裝備無需額外照射,但在分選前需對礦石加熱,如圖5所示,微波-熱紅外成像技術(shù)(WM-IRT)可以有效改善難處理斑銅礦的分揀效果[39]。

圖5 測試碎片布局和50.8～25.4 mm碎片微波處理后的熱圖像Fig.5 Example test fragment layout and thermal image after microwave treatment for 50.8～25.4 mmfragments

3 智能揀選裝備的發(fā)展趨勢

3.1 硬件方面

作為智能分揀裝備的信息源頭,傳感器在滿足實時測量、無損、無接觸、空間和光譜分辨率足夠、成本合理的基礎(chǔ)上,越來越多光源優(yōu)質(zhì)、分辨率高、識別速度快、抗干擾性強(qiáng)的傳感器被研究并用于智能分揀裝備中。傳感器光源也已經(jīng)從可見光發(fā)展到近紅外線、高能X 射線和同步加速X 射線(sXRF)甚至中子伽馬射線,其分辨率、穿透性和互補性更好。

sXRF 傳感器具有極高的分辨率(10 nm),可以在更高空間分辨率下分析礦石的化學(xué)組成,評估流體包裹體形態(tài)特征等[40]。研究發(fā)現(xiàn)多通道激光(MCL)傳感技術(shù)特別適合石英的識別,可有效檢測500 μm大小的塊狀、脈狀石英,并成功用于石英共生金礦的分選和高純石英提純[6]?？焖僦凶蛹せ罘治?PGNAA)穿透性很強(qiáng),但對不同元素品位檢測下限和測量時長不同,礦石類型變化時需要重新校準(zhǔn),主要用于元素含量或比例的測定,其測定時間范圍為0.5～5 min,該方法對分揀裝備中布料傳送帶上物料流的過程控制要求較高,可有效用于塊狀礦石的分揀。磁共振分揀裝備(MR)穿透能力強(qiáng),可以直接檢測礦石中目標(biāo)礦物的存在,對體積較小的礦石,具有測量時間短、分辨率高、測量數(shù)據(jù)準(zhǔn)確、無需頻繁校準(zhǔn)等特點,而且此類分揀裝備無需對礦塊進(jìn)行表面清潔和嚴(yán)格的物料尺寸分布或預(yù)混合處理,即可獲得可靠的數(shù)據(jù),目前適用于硫化銅、鐵礦、黃金等礦石[41]。激光誘導(dǎo)擊穿光譜法(LIBS)是一種新興的物質(zhì)成分檢測與分析技術(shù),有快速、簡單、在線等特點,已被用于礦石的品位分析,如分析鐵礦石中Mn 和Si[42]。激光誘導(dǎo)熒光(LIF)具有靈敏度高、可在線等優(yōu)點,近年來得到快速發(fā)展,其技術(shù)已在瑞典Kiruna 鐵礦獲得應(yīng)用,實現(xiàn)了對鐵礦石中磷含量的準(zhǔn)確在線檢測和揀選[43]。β延遲中子分析法用于預(yù)測鈾礦含量,該方法可以消除由U-Ra 不平衡問題引起的系統(tǒng)誤差問題[38]。

除了新型傳感器不斷涌現(xiàn)外,傳統(tǒng)傳感器間相互組合有時可獲得更好的效果,如雙能X 射線智能分選裝備(DE-XRT)、NIR-XRT、MW-IRT、PGNAA-XRF等,其中最為典型的是DE-XRT,該技術(shù)采用兩種獨立能量級水平的射線對礦石進(jìn)行檢測,其優(yōu)點是能記錄一些與物料粒度變化無關(guān)的數(shù)據(jù),有利于提高目標(biāo)礦物成像建模的準(zhǔn)確率,從而提高礦石的分選精度;例如可以記錄一種礦物的原子密度與另一種礦物的差異,DE-XRT 適用于如銅、鉛鋅、鉬、金銀等金屬礦物,螢石、石英、磷輝石等一般礦物與脈石原子系數(shù)相差較小的礦石[44-46]。在煤礦分揀煤矸石過程中,DEXRT 可有效節(jié)省人工成本,改善作業(yè)環(huán)境,降低勞動強(qiáng)度,提升安全管理效率。廣西某低品位鉛鋅礦試驗研究結(jié)果顯示,經(jīng)DE-XRT 3 次揀選的綜合拋廢率可達(dá)34.05%,Pb 和Zn 的損失率分別僅為2.41%和1.61%,揀選效果良好[47]。

在外觀上,智能分揀裝備呈現(xiàn)出微型-移動化與大型-規(guī)?；瘍蓸O分化的發(fā)展趨勢,微型化具有靈活可拆接的優(yōu)點,可用于地下礦山;而大型化則向動力學(xué)模擬智能型發(fā)展,智能分揀裝備大型化在降低生產(chǎn)成本方面效果顯著。例如,博茨瓦納Karow 鉆石礦,通過增加XRT 分選設(shè)備的設(shè)計容量,使其設(shè)計進(jìn)料能力與10年前相比增加了近5 倍,而投資成本和運營成本幾乎減半,設(shè)備的配件壽命以及保養(yǎng)和維護(hù)的綜合經(jīng)驗也為新一代設(shè)備的開發(fā)奠定了基礎(chǔ)[48]。

3.2 軟件方面

高效的算法不僅節(jié)省計算資源而且可以提高檢測精度和響應(yīng)速度,提高分揀效率[49]。在XRF 揀選裝備的算法方面,劉明寶等[50]引入峰背比法,采用單點法對鉬礦XRF 譜圖分析確定鉬礦分揀的最佳工藝條件,此方法也可用于低品位釔族稀土礦的品位預(yù)測。聯(lián)合使用PGNAA 和XRF、Nadolski 等[51]利用內(nèi)在異質(zhì)性參數(shù)優(yōu)化成功實現(xiàn)了對礦石中銅品位的預(yù)測。李根壯[52]針對常規(guī)揀選算法中金屬分布頻率曲線內(nèi)在異質(zhì)性和分布異質(zhì)性對礦石特性反映不全,無法對揀選的可行性進(jìn)行直接評價等問題,通過引入分形理論,優(yōu)化礦石揀選的決策算法,縮小了銅礦揀選預(yù)測與實際效果的差距。

在色選算法領(lǐng)域,中值濾波原理、邊緣檢測算法、基于DSP 的改進(jìn)邊緣檢測算法、深度學(xué)習(xí)和基于CNN 卷積神經(jīng)網(wǎng)絡(luò)算法等新型算法開始被用于圖形預(yù)處理與識別,新算法的使用在一定程度上克服了利用顏色灰度特征區(qū)分被礦泥覆蓋脈石和多處鏡面反光帶來的干擾,提高了分揀精度和效率。

SUSAN 算法的邊緣檢測算法用于鎢礦粗選環(huán)節(jié)的圖像分割,為提升鎢礦初選環(huán)節(jié)的機(jī)械化程度和分選效率提供了理論依據(jù)[36]。LIU 等[53]在考慮模型深度、模型結(jié)構(gòu)和數(shù)據(jù)集大小的前提下,基于Alex Net和VGG Net 建立了不同深度的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型(VGG19_BN),用于煤炭圖像分類器的運行過程進(jìn)行可視化分析。K均值聚類算法[54]是一種迭代下降聚類方法,具有計算簡單、能夠動態(tài)聚類、自適應(yīng)性強(qiáng)等特點,將其用于鉀長石礦粒圖像分選判定,獲得了富集比1.3 的較理想揀選效果。

卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network,CNN)近年來被廣泛應(yīng)用于自然語言處理、圖像處理與醫(yī)學(xué)研究等自然科學(xué)領(lǐng)域,特別在圖像處理方面,它能夠?qū)D像進(jìn)行多層次特征提取和分類輸出,在運算速度和準(zhǔn)確率方面,也比以往任何一種圖像識別模式具有優(yōu)勢。王莉等[55]提出了一種基于CNN 的煤矸石自動分選算法,它根據(jù)煤塊和矸石的顏色、紋理不同,通過CNN 模型進(jìn)行深層特征提取來識別,避免了常規(guī)檢測中煤礦表面粉塵污染的干擾和必須在相同的照明環(huán)境下進(jìn)行樣本取樣的苛刻要求,且準(zhǔn)確率和辨識速度均優(yōu)于傳統(tǒng)色選算法。

如今,利用先進(jìn)模型預(yù)測控制技術(shù)、智能學(xué)習(xí)與遠(yuǎn)程協(xié)同技術(shù),以及對礦石特性或工藝參數(shù)變化的迅捷響應(yīng),智能揀選裝備將進(jìn)一步實現(xiàn)動態(tài)控制和持續(xù)優(yōu)化,以提高礦物加工的效率和盈利能力。

4 結(jié) 語

(1)揀選具有提高低品位礦區(qū)開采效率,增加礦山服務(wù)年限,降低選礦成本的優(yōu)點,是提高選礦技術(shù)經(jīng)濟(jì)指標(biāo)的重要途徑。雖然國內(nèi)在智能分揀裝備方面的研究起步較晚,但發(fā)展較快。

(2)組合式傳感器、高速高分辨率探測器、快速中子激活分析、激光誘導(dǎo)擊穿光譜、3D 掃描等新技術(shù)還需要進(jìn)一步探索和優(yōu)化。隨著計算機(jī)性能的提升和高效算法的引入,視覺識別和智能圖像處理技術(shù)的重要性日趨顯現(xiàn)。

(3)智能分揀裝備大小兩極化發(fā)展趨勢明顯,模塊化已嵌入先進(jìn)過程控制中。云計算、多端數(shù)據(jù)處理等與協(xié)同中心的普及對企業(yè)整體智能生產(chǎn)系統(tǒng)的完善具有推動作用。

(4)近年來,雖然國內(nèi)智能分揀技術(shù)和裝備方面的熱度持續(xù)攀高,但成功的工業(yè)應(yīng)用案例卻不多,未來在技術(shù)的實際推廣應(yīng)用方面還需加大投入。