王 刚

(陕西财经职业技术学院，陕西 咸阳 712000)

随着铜矿开采的深入，如何提高对铜矿开采的筛选效率，成为思考的重点。当前为提高铜矿浮选工艺，人们通常对传统的铜矿浮选工艺进行改进，以此提高铜矿浮选工艺筛选的正确率。但是在铜矿浮选工艺中，如何对铜矿浮选工艺进行改进，一直是探讨的重点，也是当前研究的难点。在铜矿浮选中通常采用人工筛选的方式，这种方式受人工影响较大。因此在对传统铜矿浮选工艺进行改进的前提下，采用自动化的方式对泡沫图像进行筛选，是本文的一个创新点。而在图像处理方面，谭颖在图像融合和边缘检测的基础上[1]，通过小波降噪的方式对图像进行提纯，进而提高金属铜破损图像检测的准确率；郭俊[2]提出一种局部轮廓视觉特征提取方法，通过在采集过程中对图像进行全面增强，然后采用图像分割的方法对图像轮廓信息进行提取，并及时不明确的部分。在参考上述研究理论的基础上，本文从来那个方面入手，一是对铜矿浮选工艺进行优化，一是对产生的铜矿浮选泡沫图像算法进行改进，从而通过两者结合的方式，提高铜矿识别的正确率。

1 矿石性质分析

1.1 矿物组成分析

为更好的了解矿石的组成，借助MLA自动检测技术对矿石组成进行测定和分析。经过测定得到表1所示的结果。

表1 主要矿物含量(质量分数)/%

通过表1看出，在该矿石种类中，矿物种类较多，并且大部分以Cu2O和CuO的形式存在。

1.2 铜矿矿物相分析

为更好的查明铜矿中的具体组成，对铜矿进行了铜物相查定，具体的分析结果见表2所示。

表2 铜物相分析结果

通过上述的结果看出，本文所筛选的铜矿中，氧化铜的含量超过84.58%，说明在该矿石中，其主要的含量为氧化铜，其次为硫化铜。

2 选矿工艺设计

通过对上述的矿石组成和铜矿物相的分析看出，一方面，在该铜矿筛选中拥有多种矿石类型，不同的铜矿物在可浮性和浮选速率方面都存在很大的区别，从而给铜的回收带来很大的影响。如采用传统的硫化浮选方法对铜进行回收，在一定用量后会受到矿石中的黄铜矿等的影响。因此，考虑到这个因素，在大量试验的基础上，采用硫化浮选和优先浮选结合的工艺流程，具体见图1所示。

图1 硫化浮选—优先浮选结合工艺

3 基于小波变换的浮选泡沫图像特征提取

在对铜矿浮选工艺进行改进的基础上，本文还针对当前铜矿浮选中大部分都是通过人工浮选的问题，提出一种自动化的浮选泡沫图像筛选方法。而提出该构想的目的，旨在对工艺改进的前提下，提高铜矿浮选的自动识别效率，进而提升自动化水平。研究认为，灰度共生矩阵在对图像的灰度、间距等方面具有良好的特性，但是却不能很好描述图像的不同纹理。为了获取图像的不同纹理，会对灰度共生矩阵进行二次统计[3]。在灰度共生矩阵中，常用的纹理特征主要包含以下4个[4]。

3.1 能量E

能量E的计算表达式为：

该纹理特征主要是对图像灰度分布情况的统计，并判断其纹理的粗细程度。在共生矩阵中的元素值越接近，能量越小，那么说明其中的纹理也就越细，反之越粗。

3.2 熵S

该值主要反映出图像的纹理非均匀程度，当图像中都为纹理时，熵值达到最大，当图像中没有纹理时候，此时的熵则为零。

3.3 对比度I

该指标主要表示图像的清晰度，当对比度较大的时候，表示图像比较清晰，而对比度较小，则表示图像比较模糊。

3.4 相关性C

该值主要用于判断图像纹理的主要方向，计算公式为：

3.5 具体步骤

灰度共生矩阵对浮选泡沫图像纹理的提取中，具体步骤可以用图2表示。

图2 铜矿浮选泡沫图像纹理特征提取步骤

3.6 小波变换算法的提出

通过对灰度共生矩阵算法的分析看出，该算法虽然可以获得铜矿浮选泡沫图像纹理，但是获得的纹理图案只能在单一尺度上，并且对纹理特征的描述不够细致。要得到更好的图像的纹理特征，必须要改变这种单一尺度的纹理采集方式，从多尺度的角度对图像进行采集，这样才能获得更加完整的图像纹理信息。

3.6.1 小波变换原理

其中，φ,Ψ分别代表尺度函数和小波函数；k、m分别为对应系数矩阵的行和列。由此，通过计算可以得到：

cj+1k,m=

上述的序列{dj,dj,1,dj,2,dj,3}则是cj+1的二维小波变换，并通过二维小波的分解，可以得到cj+1的多级小波变换，相对应的也可得到fj+1(x,y)的多尺度表示，具体见图3所示。

图3 小波变换分解

3.6.2 基于小波变换的灰度共生矩阵改进

结合小波变换，可以得到经分解后的图像，然后结合图1的步骤，对铜矿浮选泡沫图像进行处理，具体的处理流程设计为如图4所示。

在上述的步骤中，考虑到小波变换后的小波系数矩阵的元素是不在(0～255)的灰度范围之内，所以必须要将其映射到(0～255)的范围以内。具体映射公式为：

图4 基于改进的铜矿浮选泡沫图像纹理提取

式中Mg——灰度系数矩阵；

Me——小波系数矩阵；

emin——最小值；

emax——最大值。

经过映射后，分别从0(°)，45(°)，90(°)，135(°)4个方向对共生矩阵进行计算和求解，并最终取能量、相关性、对比度和熵的平均值，得到各个子图的共生特征。

在上述的公式中，fi为各个方向上的不同参数特征值。

4 试验验证

为验证上述两个结合方法的有效性，在对纹理特征进行提取的情况下，采用任传成构建的回归预测模型对采集到工艺硫化铜视频泡沫图像进行预测。通过上述的试验发现，在采用优先浮选硫化铜—硫化浮选氧化铜的工艺流程，其得到的硫化铜总精矿总回收率为91.96%，而单纯采用优先浮选硫化铜—硫化浮选氧化铜，并经过人工选择的铜总的回收率为82.7%，采用原始硫化浮选工艺的硫化铜总回收率为65.3%。由此说明本文提出的综合工艺和智能图像处理的方法具有一定的价值。

5 结 语

总之，对于铜矿浮选工艺来讲，是一个非常复杂的过程。在这个过程中，需要结合具体矿石的情况对工艺参数进行大量的优化，这样才能提高矿石分类的精度，最终得到精矿。而本文在传统工艺设计的情况下，还引入图像自动化处理和识别技术，这样大大提高了对铜矿分辨的准确性和效率。但是，本文在设计中，缺乏对基于纹理特征的硫化铜图像预测模型的构建，只是借鉴了任传成的PLS模型，对此在接下来的工作研究中还需进一步的研究。