ارائه رابطه تحلیلی بین رنگ کف سلول و عیار ماده معدنی مس در عملیات فلوتاسیون | |
| روش های تحلیلی و عددی در مهندسی معدن | |
| دوره 15، شماره 42، فروردین 1404، صفحه 25-36 اصل مقاله (2.06 M) | |
| نوع مقاله: مقاله پژوهشی | |
| شناسه دیجیتال (DOI): 10.22034/anm.2024.20444.1605 | |
| نویسندگان | |
| رضا ﻋﻠﻰ ﭘﻮر ﻗﺎﺳﻤﻰ ﻧﮋاد؛ محمدحسین قلی زاده* ؛ حسین قیومی زاده | |
| دانشکده فنی و مهندسی، گروه مهندسی برق، دانشگاه ولیعصر (عج) رفسنجان، رفسنجان، ایران | |
| چکیده | |
| کنترل فلوتاسیون عموماً با مشاهده سطح سلولها توسط انسان انجام میشود. سطح سلول عمدتاً توسط رنگ حباب و ویژگی بافت مشاهدهشده توسط اپراتورها تنظیم میشود. رنگ کف موجود بر روی سطح سلول شامل اطلاعات ضروری از محتوای مواد معدنی است که با مشاهده طولانیمدت در طول روند فلوتاسیون در مقیاس صنعتی آشکار میشود. ازاینرو، رنگ سطح کف یک عنصر اساسی برای ارزیابی عملکرد فلوتاسیون است. در این مقاله، ارتباط بین رنگ کف موجود در سطح سلول فلوتاسیون و عیار ماده معدنی با تکیهبر روشهای پردازش تصویر موردبررسی قرار میگیرد. نمونههای مورداستفاده در اینجا از معدن مس میدوک در استان کرمان بهصورت واقعی تهیه گردیده است. در این بررسی، با تهیه فیلم از سطح سلول فلوتاسیون با دوربین عکاسی دیجیتال، ارتباط بین میانگین اجزای رنگی فریمهای فیلمهای موجود، ویژگیهای بافتی هارالیک شامل آنتروپی، یکنواختی تصویر و انرژی و ویژگی پیچیدگی بافت در سه فضای رنگی با عیار ماده معدنی مورد تجزیهوتحلیل قرار میگیرد. سه فضای رنگی موردبررسی عبارتاند از RGB، YCbCr و HSI. با تحلیل ارتباط جداگانه هر یک از پارامترهای فوق با عیار قابلمشاهده است که پارامترهای شدت در سه فضای رنگی دارای ضریب همبستگی بین 8461/0 تا 8483/0 با عیار هستند. انجام رگرسیون جهت تخمین ریاضی این ارتباط و همچنین مقایسه رگرسیون انجامشده بر اساس معیارهای تئوری نیز مؤید ارتباط نزدیکتر این پارامترها با عیار است، چراکه برای ضریب تعیین مقداری بین 6693/0 تا 7302/0 و برای ضریب تعیین تعدیلشده مقداری بین 6220/0 تا 7271/0 حاصل شد. قدرت تخمین عیار نیز توسط پارامترهای شدت با معیار خطای ریشه میانگین مربعات (RMSE) مورد ارزیابی قرار گرفت که مقداری بین 32/2 تا 70/2 درصد را نتیجه داد که حاکی از قدرت روش پیشنهادی است. | |
| کلیدواژهها | |
| فضاهای رنگی؛ سلول های فلوتاسیون؛ تعیین عیار؛ پردازش تصویر | |
| عنوان مقاله [English] | |
| Providing an Analytical Relationship Between the Froth Color on the Cell Surface and the Copper Mineral Grade in Flotation | |
| نویسندگان [English] | |
| Reza Alipourghaseminejad؛ Mohammad Hossein Gholizadeh؛ Hossein Ghayoumi Zadeh | |
| Dept. of Electrical Engineering, Faculty of Engineering, Vali-e-Asr University of Rafsanjan, Rafsanjan, Iran | |
| چکیده [English] | |
| Summary In this paper, by preparing a film with a digital camera from the surface of a flotation cell in the Miduk copper mine in Kerman province, the relationship of the mean color components of existing film frames, Haralick textural features including entropy, image uniformity and energy, as well as the texture complexity feature in three color spaces RGB, YCbCr and HSI with the mineral grade is analyzed. Introduction Flotation control is usually performed by observing the surface of cells by humans. The cell surface is mainly adjusted by the operators using the color of the bubble and the texture characteristics. The color of the froth on the surface of cells includes essential information about the mineral content, which is revealed by long-term observation during the flotation process on an industrial scale. Hence, the surface of froth is a fundamental element to evaluate the flotation performance. In this paper, the relationship between the texture color related to the froth on the surface of the flotation cell and the mineral grade is investigated based on image processing procedures. The employed samples in the paper are provided by the Miduk copper mine in Kerman province. Methodology and Approaches Taking a movie from the floor surface of the flotation cell was done with a GoPro 6 camera capable of recording 60 frames per second, which was installed at a height of 50 cm from the floor surface. Consistency of the amount of light and the location of the camera is very important for all samples. At the same time as filming, the copper concentrate material is also sampled and sent to the laboratory for copper grading. Filming has been done during 3 months in different weeks and at various times of the day, from an active rougher flotation cell in the concentration section of Miduk copper mine. The result of the work was 109 films of 120 seconds, from each film, 10 frames with a time interval of 12 seconds were extracted as frames of the desired image. Results and Conclusions By analyzing the relationship between the mean color components of existing film frames, Haralick textural features including entropy, image uniformity and energy, as well as the texture complexity feature in three color spaces and the mineral grade separately, it is concluded that the intensity parameters in the three color spaces have a value of the correlation coefficient between 0.8461 and 0.8483 with the mineral grade. Performing the regression to estimate the relationship mathematically, and comparing the performed regression based on theoretical criteria also confirm the closer relationship of the mentioned parameters with the mineral grade, because for the coefficient of determination, a value between 0.6693 and 0.7302, and the adjusted coefficient of determination, a value between 0.6220 and 0.7271 is obtained. The reliability of grade estimation based on the intensity parameters is evaluated by the root mean square error (RMSE) criterion, which resulted in a value between 2.32 to 2.70 percent, which indicates the superiority of the proposed method. | |
| کلیدواژهها [English] | |
| Color spaces, flotation cells, mineral grade specification, image processing | |
|
سایر فایل های مرتبط با مقاله
|
|
| مراجع | |
|
[1] Marvinney, R. G. (2015). Overview of Maine metallic mineral deposits and mining. Maine Geological Survey Circular, 15-9.
[2] Drzymala, J., Kowalczuk, P. B., Oteng-Peprah, M., Foszcz, D., Muszer, A., Henc, T., & Luszczkiewicz, A. (2013). Application of the grade-recovery curve in the batch flotation of Polish copper ore. Minerals Engineering, 49, 17-23.
[3] Barbian, N., Cilliers, J. J., Morar, S. H., & Bradshaw, D. J. (2007). Froth imaging, air recovery and bubble loading to describe flotation bank performance. International Journal of Mineral Processing, 84(1-4), 81-88.
[4] Aldrich, C., Marais, C., Shean, B. J., & Cilliers, J. J. (2010). Online monitoring and control of froth flotation systems with machine vision: A review. International Journal of Mineral Processing, 96(1-4), 1-13.
[5] Nakhaei, F., Irannajad, M., & Mohammadnejad, S. (2023). A comprehensive review of froth surface monitoring as an aid for grade and recovery prediction of flotation process. Part A: Structural features. Energy Sources, Part A: Recovery, Utilization, and Environmental Effects, 45(1), 2587-2605.
[6] Jahedsaravani,A., Marhaban, M., & Massinaei, M. (2014). Prediction of the metallurgical performances of a batch flotation system by image analysis and neural networks. Minerals Engineering, 69, 137-145.
[7] Massinaei, M. (2015). Estimation of metallurgical parameters of flotation process from froth visual features. International Journal of Mining & Geo-Engineering, 49, 75-81.
[8] Jahedsaravani,A., Marhaban, M., & Massinaei, M. (2016). Application of statistical and intelligent techniques for modeling of metallurgical performance of a batch flotation process. Chemical Engineering Communications, 203, 151-160.
[9] Chang, Y. T., Lin, J., Shieh, J. S., & Abbod, M. F. (2012). Optimization the initial weights of artificial neural networks via genetic algorithm applied to hip bone fracture prediction. Advances in Fuzzy Systems, 2012(6), 1-9.
[10] Zarie, M., Jahedsaravani, A., & Massinaei, M. (2020). Flotation froth image classification using convolutional neural networks. Minerals Engineering, 155, 106443.
[11] Allahkarami, E., Salmani Nuri, O., Abdollahzadeh, A., Rezai, B., Maghsoudi, B., (2017). “Improving estimation accuracy of metallurgical performance of industrial flotation process by using hybrid genetic algorithm - artificial neural network (GA-ANN)”. Physicochemical problems of mineral processing, 53(1), 366–378.
[12] Hung, C. C., Song, E., Lan, Y., Hung, C. C., Song, E., & Lan, Y. (2019). Image texture, texture features, and image texture classification and segmentation. Image Texture Analysis: Foundations, Models and Algorithms, 3-14.
[13] Wen, Z., Zhou, C., Pan, J., Nie, T., Jia, R., & Yang, F. (2021). Froth image feature engineering-based prediction method for concentrate ash content of coal flotation. Minerals Engineering, 170, 107023.
[14] García-Lamont, F., Cervantes, J., López-Chau, A., & Ruiz-Castilla, S. (2020). Color image segmentation using saturated RGB colors and decoupling the intensity from the hue. Multimedia Tools and Applications, 79, 1555-1584.
[15] Rismayana, A. H., Alfianti, H., & Ramdan, D. S. (2022). Facial Skin Color Segmentation Using Otsu Thresholding Algorithm. Journal of Applied Intelligent System, 7(1), 26-35.
[16] Shiping, M. (2018). A Low-Light Sensor Image Enhancement Algorithm Based on HSI Color Model, 2018. Sensors, 18, 3583.
[17] Mendenhall W., Sincich T., (2019). A second course in statistics: regression analysis. Pearson, 8th edition.
|
|
آمار
تعداد مشاهده مقاله: 498
تعداد دریافت فایل اصل مقاله: 189