CN113953067A - 一种基于固态微波的矿物预富集方法 - Google Patents

Abstract

本发明涉及一种基于固态微波的矿物预富集方法，包括以下步骤：选取进行预富集的原矿作为被选原矿，将所述被选原矿进行粗碎后并筛分，得到经过筛分后的矿石并进行微波加热；采集经过筛分并经微波加热后的温度场图片，并对图片中的矿物与废石进行标注，在大量实验的基础上，构建基于深度学习的矿物智能识别训练模型，识别出矿石与废石并对其进行定位，得到抓取点的空间三维坐标；构建矿物自动分拣系统并基于所述抓取点的空间三维坐标，实现矿石与废石的分离，完成矿物的预富集。本发明可以直接检测一定体积的矿物中是否有目标矿物的存在，可用于定量检测矿石中矿物的含量，具有较高的分辨率。

Description

一种基于固态微波的矿物预富集方法

技术领域

本发明涉及矿石预富集领域，特别是涉及一种基于固态微波的矿物预富集方法。

背景技术

矿石预富集是矿物加工过程中的一个关键环节，过去主要采用人工分拣的方式剔除废石，工人通过肉眼分辨出原料中的废石，然后再将废石去除，这种预富集方式不仅工作效率低，劳动强度大，还需要占用大量人力，预富集成本高。现有技术中提出了基于图像识别的矿石分拣工艺，这种方法依赖于拍摄矿石照片，识别图像颜色预富集，在实际生产中矿物几乎不可能凭图片来进行区分。目前市面上也有用XRF、激光、X射线透射等技术的预富集方法，但都存在一定的缺陷，XRF通过测量矿石表面的化学成本估算整个矿石的品位，精度低；激光和近红外仅能进行浅表层探测，适用于单颗粒分选，X射线透射技术的穿透能力有限。这些技术无法同时满足矿石预富集所需的简单、精准、大量、快速、高效、低成本等特点。

自然界的矿物按其电学性质划分，绝大部分为绝缘体(电介质)，少部分为半导体，极少数为导体。在电场作用下，它们主要以感应而不是以传导的方式来传递电的作用，即以正负电荷重心不重合的电极化方式来传达和记录电场的影响。介电常数是综合反应矿物电极化行为的一个重要的宏观物理量，不同矿物具有不同的介电特性。因此，采用微波加热矿物时，微波在矿物内部的介电损耗直接将能量选择性地传递给反应的分子或原子，在足够强度的微波能量密度下，其原位能量转换方式使矿物微区得到快速的能量累积，这种能量转换方式使得有可能通过利用矿物电磁性能的差别，使矿石的有用矿物优先加热，而使矿石中的脉石不被直接加热。此外，同一物料中不同组分在微波场中具有差异较大的加热速率，同时微波加热不需要高温介质，绝大部分微波能量被介质吸收转化为升温所需要的热量。根据温升特征矿物可分为三种类型，即高温升速率矿物、中等温升速率矿物和低温升速率矿物，因此，通过测量矿物在微波加热时表现出来的温升特征，就可以区分不同的矿物。

在金属矿采矿过程中，无论采用什么先进的采矿方法与工艺，都不可避免的会产生一定的损失与贫化，只是数量上的差别而已。同时，随着矿产资源的不断消耗，矿石品位从总体上来说是不断降低的，因此，进入选矿流程的废石也在不断增加，从而导致选矿能耗高、效率低、废弃物产生量大和成本高等系列问题，因此亟需一种基于固态微波的矿物预富集方法成为本领域技术人员关注的热点问题。

发明内容

本发明的目的是提供一种基于固态微波的矿物预富集方法，直接检测一定体积的矿物中是否有目标矿物的存在，定量检测矿石中矿物的含量。

为实现上述目的，本发明提供了如下方案：

一种基于固态微波的矿物预富集方法，包括以下步骤：

选取进行预富集的原矿作为被选原矿，将所述被选原矿进行粗碎后并筛分，得到经过筛分后的矿石；

采集经过筛分后的矿石温度场图片，并对其标注，基于矿物智能识别训练模型，识别出矿石与废石并对其进行定位，得到抓取点的空间三维坐标；

构建矿物自动分拣系统并基于所述抓取点的空间三维坐标，实现矿石与废石的分离，完成矿物的预富集。

优选的，将所述被选原矿经破碎机进行粗碎，并通过振动筛进行筛分，筛分后的矿石的块度在50-150mm之间。

优选的，将所述筛分后的矿石传输到固态微波预富集系统中，利用微波技术对矿石进行加热，采用高速闭环检测算法，用于实时监控矿石负载介电特性的变化并动态跟踪匹配输出。

优选的，通过红外传感器采集相同频率、相同加热时间下的矿石物料的温度场图片，并对所述图片进行标注，得到经过标注后的矿石温度场图片。

优选的，对所述矿石温度场图片进行标注的方法为：

建立基于微波加热矿石物料温度场图片数据库，根据矿石物料中不同矿物微波特性的不同，区分矿石与废石，采用Labelme软件对图片进行标注。

优选的，构建基于深度学习的矿物智能识别平台，利用ResNet-50或者ResNet-101神经网络设计底层网络模型，并使用Torch框架进行建模，利用所述图片数据库对网络进行训练，获取矿物智能识别的训练模型。

优选的，基于所述矿物智能识别的训练模型进行矿石与废石的识别，将经过训练的矿石图片转换为点云数据类型的矿石图片，通过点云数据计算出抓取点的空间三维坐标。

优选的，所述矿物自动分拣系统包括：

采用视觉系统和机械臂Eye-to-hand的搭配方式实现矿物的智能分选；

采用视觉系统和高压气体定向喷射模式实现矿物的智能分选。

优选的，将所述抓取点的空间三维坐标传递给机械臂进行抓取，实现矿物与废石的分离。

优选的，获得所述抓取点的空间三维坐标后，还能够通过高压气体定向喷射，将废石剔除，完成矿物的预富集。

本发明的有益效果为：

(1)本发明的基于固态微波技术矿物预富集是一种创新技术，可以直接检测一定体积的矿物中是否有目标矿物的存在，可用于定量检测矿石中矿物的含量，具有较高的分辨率。

(2)本方法针对不同的矿物，可以调整微波频率和加热时间等参数，设计不同的微波生产工艺，而且检测时间短，准确率高。

(3)本发明方法可在地下矿山工作面实施分拣，可减少废石提升量，提升矿石品质，改善选矿指标，减少尾矿量；与此同时，本发明方法还可推动金属矿业薄矿体开采技术的进步，是一项绿色低碳资源开发技术，具有广阔应用前景。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本发明方法流程图；

图2为本发明实施例一中方法流程图；

图3为本发明实施例二中方法流程图；

图4为本发明实施例三中方法流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

一种基于固态微波的矿物预富集方法，如附图1所示，包括以下步骤：

S1、选取进行预富集的原矿作为被选原矿，将所述被选原矿进行粗碎后并筛分，得到经过筛分后的矿石；

将被选原矿经破碎机进行粗碎，并通过振动筛进行筛分，筛分后的矿石的块度在50-150mm之间。

S2、根据矿岩介电常数以及吸波特性的差异，矿岩的温度场呈现出不同的特征，采集经过筛分并经微波加热后的温度场图片，并对图片中的矿物与废石进行标注，在大量实验的基础上，构建基于深度学习的矿物智能识别训练模型，识别出矿石与废石并对其进行定位，得到抓取点的空间三维坐标；

将筛分后的矿石传输到固态微波预富集系统中，利用微波技术对矿石进行加热，采用高速闭环检测算法，用于实时监控矿石负载介电特性的变化并动态跟踪匹配输出。

通过红外传感器采集相同频率、相同加热时间下的矿石物料的温度场图片，并对图片进行标注，得到经过标注后的矿石温度场图片。

对矿石温度场图片进行标注的方法为：

建立基于微波加热矿石物料温度场图片数据库，根据矿石物料中不同矿物微波特性的不同，区分矿石与废石，采用Labelme软件对图片进行标注。

构建基于深度学习的矿物智能识别平台，利用ResNet-50或者ResNet-101神经网络设计底层网络模型，并使用Torch框架进行建模，利用所述图片数据库对网络进行训练，获取矿物智能识别的训练模型。

基于矿物智能识别的训练模型进行矿石与废石的识别，将经过训练的矿石图片转换为点云数据类型的矿石图片，即将经过训练的矿石图片的坐标系转换为世界坐标系，得到矿石图片的三维点云数据，之后通过点云数据，计算出抓取点的空间三维坐标。

S3、构建矿物自动分拣系统并基于所述抓取点的空间三维坐标，实现矿石与废石的分离，完成矿物的预富集。

矿物自动分拣系统包括：

采用视觉系统和机械臂Eye-to-hand的搭配方式实现矿物的智能分选；

采用视觉系统和高压气体定向喷射模式实现矿物的智能分选。

将抓取点的空间三维坐标传递给机械臂进行抓取，实现矿物与废石的分离。获得所述抓取点的空间三维坐标后，还能够通过高压气体定向喷射，将废石剔除，完成矿物的预富集。

实施例一、

某铜矿矿化主要由斜长石和正长石组成，还有少量角闪石、石英和其他矿物，主要硫化矿物为斑铜矿、黄铜矿和黄铁矿。

参见图2，一种基于固态微波的矿石预富集方法工艺流程图。

基于磁共振技术的矿石预富集方法，包括：

步骤1：被选原矿。被选原矿来源于采场采出矿石或者原矿仓。

步骤2：原矿破碎。来自采场或原矿仓的原矿经破碎机粗碎。

步骤3：大块筛分。粗碎后的原矿经50mm×50mm的振动筛筛分，去除原矿中大块矿石，大块矿石排入破碎机再次破碎。

步骤4：固态微波预富集。可以利用固态微波技术和机器视觉检测出样品中斑铜矿、黄铜矿和黄铁矿不同的图片数据。通过基于深度学习技术的神经网络训练后，将筛分后的原矿用皮带传输到固态微波预富集系统，微波预富集系统就可以检测出斑铜矿、黄铜矿和黄铁矿，从而区分矿石和废石，完成矿石预富集。

实施例二、

参见图3，一种基于固态微波技术的矿石预富集方法流程图，实施例二与实施例一的不同之处在于不需要经过步骤2的破碎和步骤3的振动筛分。对于没有大块的被选原矿，可以不经过破碎，直接通过步骤4的固态微波预富集系统进行矿石预富集。

实施例三、

参见图4，一种基于固态微波技术的矿石预富集方法工艺流程图，实施例三与实施例一的不同之处在于，实施例三中步骤4可通过控制固态微波预富集系统中某种矿物的在微波频率固定、微波加热时间固定的情况下，根据混合矿物的温升及温度场的差异，就可将原矿预富集为废石、低品位矿石和高品位矿石三种类型。

本发明利用微波技术对在设定频率对矿物进行加热，测定矿物相关参数，采用红外传感器采集矿物温度场图片，在此基础上，开发基于计算机视觉和深度学习的微波智能分拣矿石算法，结合机械手技术或高压气体定向喷射等其他手段就可以实现矿石物料的智能选别。该技术可在地下矿山工作面实施分拣，可减少废石提升量，提升矿石品质，改善选矿指标，减少尾矿量；该技术亦可安装在选矿场皮带系统上，同样可以达到上述效果。与此同时，该项技术还可推动金属矿业薄矿体开采技术的进步。

以上所述的实施例仅是对本发明优选方式进行的描述，并非对本发明的范围进行限定，在不脱离本发明设计精神的前提下，本领域普通技术人员对本发明的技术方案做出的各种变形和改进，均应落入本发明权利要求书确定的保护范围内。

Claims (10)

1.一种基于固态微波的矿物预富集方法，其特征在于，包括以下步骤：

选取进行预富集的原矿作为被选原矿，将所述被选原矿进行粗碎后并筛分，得到经过筛分后的矿石并进行微波加热；

采集经过筛分后并经微波加热后的矿石温度场图片，并对其标注，基于矿物智能识别训练模型，识别出矿石与废石并对其进行定位，得到抓取点的空间三维坐标；

构建矿物自动分拣系统并基于所述抓取点的空间三维坐标，实现矿石与废石的分离，完成矿物的预富集。

2.根据权利要求1所述的基于固态微波的矿物预富集方法，其特征在于，将所述被选原矿经破碎机进行粗碎，并通过振动筛进行筛分，筛分后的矿石的块度在50-150mm之间。

3.根据权利要求1或2所述的基于固态微波的矿物预富集方法，其特征在于，将所述筛分后的矿石传输到固态微波预富集系统中，利用微波技术对矿石进行加热，采用高速闭环检测算法，用于实时监控矿石负载介电特性的变化并动态跟踪矿物温升与微波频率的匹配输出。

4.根据权利要求3所述的基于固态微波的矿物预富集方法，其特征在于，通过红外传感器采集相同频率、相同加热时间下的矿石物料的温度场图片，并对所述图片进行标注，得到经过标注后的矿石温度场图片。

5.根据权利要求4所述的基于固态微波的矿物预富集方法，其特征在于，对所述矿石温度场图片进行标注的方法包括：

建立基于微波加热矿石物料温度场图片数据库，根据矿石物料中不同矿物微波特性的不同，区分矿石与废石，采用Labelme软件对图片进行标注。

6.根据权利要求5所述的基于固态微波的矿物预富集方法，其特征在于，构建基于深度学习的矿物智能识别平台，利用ResNet-50或者ResNet-101神经网络设计底层网络模型，并使用Torch框架进行建模，利用所述图片数据库对网络进行训练，获取矿物智能识别的训练模型。

7.根据权利要求6所述的基于固态微波的矿物预富集方法，其特征在于，基于所述矿物智能识别的训练模型进行矿石与废石的识别，将经过训练的矿石图片转换为点云数据类型的矿石图片，通过点云数据计算出抓取点的空间三维坐标。

8.根据权利要求1所述的基于固态微波的矿物预富集方法，其特征在于，所述矿物自动分拣系统包括：

采用视觉系统和机械臂Eye-to-hand的搭配方式实现矿物的智能分选；

采用视觉系统和高压气体定向喷射模式实现矿物的智能分选。

9.根据权利要求7所述的基于固态微波的矿物预富集方法，其特征在于，将所述抓取点的空间三维坐标传递给机械臂进行抓取，实现矿物与废石的分离。

10.根据权利要求7所述的基于固态微波的矿物预富集方法，其特征在于，获得所述抓取点的空间三维坐标后，还能够通过高压气体定向喷射，将废石剔除，完成矿物的预富集。

Images