بخشی از مقاله
.1 مقدمه
در استخراج معدن طبقهبندی نقش مهمی را در مراحل مختلف فرآیند استخراج از طراحی تا طبقهبندی کانی و کنترل آن ایفا میکند.[1] شاخصهای تشکیل دهنده سنگ معدنی میتواند در انتخاب تجهیزات لازم برای تحقیق و طراحی الگوهای مناسب برای انفجار مفید باشد. از دیدگاه یک زمینشناس، طبقهبندی سنگهای معدنی برای درک خواص محلی در طراحی معدن بسیار مفید است. علاوه بر این، در استخراج، چندین فرآیند را میتوان بهبود بخشید. برای مثال: دانستن نوع سنگ در تعیین فرآیند پارامترهای مختلف مانند تعیین سختی، غلظت، دوغاب و بهرهوری غربالگیری مهم است[2] بویژه ترکیب سنگشناسی در تعیین درجه سختی سنگ و در بهینه کردن عملیات آسیاب میتواند استفاده شود.
در نتیجه سیستم تخمین ترکیب سنگ معدنی آنلاین قادر است در تعیین تغییرات سختی سنگ معدنی قبل از ورود به آسیاب، برای کنترل بهبود سرعت آسیاب در فرآیند توان عملیاتی آن استفاده شود.[3] علاوه بر این، یک کارخانه سنگ معدن میتواند در استفاده از مرتبسازی سنگ معدنی براساس ترکیب سنگشناسی برای کنترل تغذیه آسیاب بهینهسازی شود. معمولا طبقهبندی یا تعیین آن توسط زمینشناس صورت میگیرد. یک روش پیچیدهتر برای شناسایی کانی در تعیین و طبقهبندی سنگ معدن بوسیله جمعآوری و تحلیل شیمیایی نمونههای سنگی در آزمایشگاه انجام شده است.[1] به دلیل زمان لازم برای تحلیل شیمیایی، انجام دادن آنلاین غیر ممکن است. در نتیجه سیستم هوشمند روشی سریعتر برای گرفتن تخمین آنلاین ترکیب سنگ مطلوب است.
این امر میتواند با یک سیستم بیناییماشین ممکن باشد. از آن جایی که طبقهبندی سنگها توسط انسانها انجام شده است، این سیستم در صنعت و معدن در چندین عملیات معدنی مانند بازرسی آنلاین خردایش سنگها[4]؛ و مرتبسازی آنلاین سنگ معدنی و طبقهبندی[5] ؛ تخمین و یا توزیع اندازه ذرات انفجار و بررسی استخراج - برای تجدید نظر کامل - [6] به کار برده شده است. در این مقاله ما بر روی توزیع سنگ در انفجار تمرکز کردهایم. تلاشهای قبلی در استفاده از این سیستم در طبقهبندی سنگ از سال [7]1990 شناسایی سیستم سنسور رنگ بر اساس زاویه مسیر رنگ که ترکیب ادغامی از دو کانی را تخمین بزند آغاز شد. کالکوپریت و مولیبدنت[5]، که یک شبکه چندلایه برای طبقهبندی چندین طبقه از سنگشناسی مورد استفاده قرار دادند.
آنها رنگ، بافت و ویژگیهای ژئومتریک از تصاویر سنگها استخراج کردند و یک ویژگی انتخابی در استفاده از الگوریتم ژنتیکی اجرا میکنند. متد و روش شامل طرح جداسازی سنگ براساس عملیاتهای دوگانه و ریختشناسی است.[8] در سنگهای منگنز دارای آهن، با تحلیل نمودار ستونی در فضای رنگ RGB مورد بررسی قرار گرفته است و ادغام تحلیل بافتی براساس سطوح خاکستری ماتریس هم رخداد و استخراج لبه مورد بررسی قرار گرفته شده است.[9] مطالعه خیلی پیچیدهای بر روی یک تخمینگر ترکیب سنگ معدنی اتوماتیک و آنلاین در یک کارخانه ارائه شده است. آنها پنج نوع سنگ از معدن راگلان در کانادا با استفاده از روش PCA و تحلیل بافت موجک - WTA - برای استخراج بافت و رنگ آن مورد مطالعه قرار دادند.
آنها نتایج امیدوار کنندهای در تصاویر سنگهای خشک و خیس داشتند. آنها یک الگوریتم جداسازی از چندین آزمایش و سپس استخراج ویژگی بافت و رنگ و اعمال یکسری عملیات ریختشناسی را بهکار بردند. PCA برای کاهش ویژگیهای حامل در شبکهای برای طبقهبندی بهکاربرده شد. در دیگر سیستمهای طبقهبندی گزارش شده[10] که اطلاعات بافت محلی با احتمال رخداد مورد استفاده برای ایجاد یک سیستم طبقهبندی سنگهای صنعتی[10] در به کاربردن فیلترینگ گابور برای فضاهای متفاوت در دستهبندی تصاویر طبیعی سنگها[11]؛ با ترکیب تحلیل موجک و ویژگیهای هارالیک برای طبقهبندی سنگها در تصاویر دیوار چاههای الکتریکی که در اکتشاف حوضه اقیانوسها و پوسته اقیانوس با حفاری استفاده میشود[12] ؛ و با استفاده از ادغام شبکه عصبی با روش PCA و اندازهگیری در حوزه فرکانس در طبقهبندی 26 گروه سنگ[13]؛ به لحاظ شکل و بهینه کردن یک هیدروسیلکون در استفاده از تجسم بصری و طبقهبندی بافت[14]؛ استفاده میشود و تا به لحظه مرتبه چهارم موجک و تبدیل پیچک برای طبقهبندی تصاویر از مخلوط سنگدانه تا به لحظه موجک مرتبه چهارم و انتقال به دستهبندی تصاویر استفاده شده است.[15]
