CC BY
6
Характеристики и параметры технического состояния воздушных линий электропередачи 589
УДК 004.932, 535.6, 553.8, 681.78 DOI: 10.17586/0021-3454-2021-64-7-589-594
АППАРАТНО-ПРОГРАММНЫЙ КОМПЛЕКС ДЛЯ СОРТИРОВКИ И КЛАССИФИКАЦИИ МИНЕРАЛЬНОГО СЫРЬЯ ПО ВИЗУАЛЬНЫМ ПОКАЗАТЕЛЯМ
А. Н. Чертов, Е. В. Горбунова, А. С. Кушкоева, А. А. Горбачёв
Университет ИТМО, 197101, Санкт-Петербург, Россия E-mail: a.n.chertov@mail.ru
Представлен разработанный авторами аппаратно-программный комплекс, предназначенный для сортировки и классификации в полуавтоматическом режиме проб и мелких партий минерального сырья по таким параметрам, как размер, цвет и чистота. Комплекс содержит узлы нижней и верхней подсветки, узел регистрации с телевизионной камерой, а также проекционный узел для отображения результатов классификации в зону анализа. Роль оператора сводится к механическим действиям по размещению и удалению минеральных образцов из зоны анализа. Экспериментальные исследования проводились с использованием бериллов, хризолитов, аметиста, лазурита, кварца и аквамарина, всего 69 образцов. Относительные погрешности определения цветового тона, насыщенности и светлоты составили соответственно 2,2, 6,2 и 9,1 % от всего измеряемого диапазона. Средний разброс определяемых значений прозрачности, количества включений и трещин — 3,1, 9,5 и 4,8 % соответственно. Погрешность определения размерных параметров составила 0,5 мм. Предложенное техническое решение может быть использовано для технологической оценки обогатимости минерального сырья методом оптической сортировки с определением оптимальных порогов разделения.
Ключевые слова: минеральное сырье, драгоценные камни, классификация, сортировка, аппаратно-программный комплекс, цвет, прозрачность
Постановка задачи. Оптическая сортировка — метод, широко используемый для обогащения минерального сырья: золотосодержащих [1] и бериллиевых руд [2], пегматитов [3], шунгита [4], меди [5], хромита [6].
При этом до сих пор мало изученными остаются задачи технологической оценки обогатимости минерального сырья этим методом, так как на рынке оборудования отсутствуют решения, позволяющие получить количественные параметры для автоматического разделения минерального сырья методом оптической сортировки. Поэтому в настоящее время такие параметры получают экспериментально путем анализа „представительных" проб сырья на конкретных оптических сортировщиках с целью их „обучения" [7, 8].
Недостаток такого подхода — необходимость транспортировки проб сырья в инжиниринговые центры или на обогатительные фабрики, к местам расположения оптических сортировщиков. При этом заранее предсказать эффективность сортировки того или иного вида сырья невозможно.
Аналогичная задача характерна и для рынка драгоценных камней, когда на стадии сортировки и первичной классификации требуется из добытого сырья выделить драгоценные камни и на основании их показателей качества сформировать лоты для продажи. При этом критериями оценки и классификации являются цвет, прозрачность, наличие включений, размерные параметры. Сейчас данная задача решается вручную, требует значительных временных затрат и отличается высокой субъективностью результатов, качество которых зависит, в том числе, от опыта специалиста, осуществляющего сортировку. Существующие инструментальные методы
и подходы [9—12] узко специализированы, привязаны к конкретному виду драгоценных камней и, в целом, не способны изменить описанную ситуацию.
В настоящей статье представлен разработанный коллективом авторов аппаратно-программный комплекс (АПК), способный осуществлять автоматическую параметрическую классификацию минеральных образцов по критериям размера, цвета и чистоты, с возможностью определения количественных границ их разделения.
Аппаратно-программный комплекс и принципы его работы. Общая схема построения АПК представлена на рис. 1, где 1 — телевизионная камера Basler; 2 — источник освещения; 3 — проектор; 4 — управляющий контроллер; 5 — заглушка проектора; 6 — компьютер.
Принцип работы АПК заключается в следующем. Минеральные образцы ровным слоем, не перекрывая друг друга, размещаются в зоне анализа на матовой пластине из полупрозрачного материала. Зона анализа освещается равномерным световым потоком модульного источника освещения 2, подключенного к компьютеру 6 через управляющий контроллер 4. Комбинация верхних и нижнего модулей источника обеспечивает возможность получения с помощью телевизионной камеры 1 изображений всех анализируемых образцов как в отраженном, так и в проходящем свете. Это позволяет эффективно выделять границы образцов и осуществлять анализ их прозрачности, внутренней структуры и цвета.
По результатам обработки и анализа изображений формируется итоговый протокол, содержащий параметрическую информацию обо всех проанализированных образцах.
Для случая физической сортировки или классификации образцов по одному или совокупности нескольких показателей качества реализована возможность проецирования световых меток заданного цвета и размера в зону анализа с помощью проектора 3. Такое решение позволит снизить нагрузку на оператора, избавив его от необходимости постоянной сверки положения объекта в зоне анализа с его положением на изображении, отображаемом на экране монитора.
Достоверность результатов анализа обеспечивается за счет процесса предварительной настройки и калибровки аппаратно-программного комплекса, состоящего из нескольких этапов.
1. Настройка проекционного блока для согласования систем координат проецирования, регистрации и зоны анализа — производится оператором с помощью сетки, проецируемой в зону анализа. Оператор должен убедиться в том, что проекция сетки не имеет искажений.
2. Настройка телевизионной камеры для режимов работы „на пропускание" и „на отражение" — предназначена для поиска и сохранения оптимальных значений рабочих параметров: экспозиции, усиления, четкости, яркости, контраста, насыщенности и баланса белого.
3. Колориметрическая калибровка — для режима „на отражение" производится по эталону белой диффузно-отражающей поверхности, что позволяет полностью определить цветовое тело воспроизводимых камерой цветовых оттенков и рассчитать необходимые границы цветовых классов для анализируемых образцов; для режима „на пропускание" калибровка
Рис. 1
Аппаратно-программный комплекс для сортировки и классификации минерального сырья 591
производится при отсутствии каких-либо объектов в зоне анализа, что позволяет определять диапазон достоверно определяемых градаций прозрачностей для образцов разной крупности и определять по изображениям анализируемых образцов их внутренние дефекты.
Условия, материалы и методы. Экспериментальные исследования АПК проводились в Научно-исследовательском центре оптико-электронного приборостроения Университета ИТМО. 3D-модель АПК показана на рис. 2, где 1 — проектор; 2 — телевизионная камера; 3 — источники верхней подсветки.
1
2
Рис. 2
Представленное техническое исполнение АПК позволяет работать с образцами размером от 5 мм в зоне анализа с размерами 430*300 мм .
Для проведения исследований и подтверждения характеристик АПК использовались 69 минеральных образцов различной крупности:
— 35 необработанных образцов бериллиевого сырья;
— 9 образцов бериллиевого сырья, подвергшихся проклеиванию;
— 13 образцов хризолита, подвергшихся голтовке;
— 1 образец аметиста нестандартной (голубовато-зеленой) окраски, подвергшийся голтовке;
— 7 образцов лазурита синей и белой окраски, подвергшихся голтовке;
— 2 образца кварца белой и коричневой окраски, подвергшихся голтовке;
— 1 образец необработанного кристалла кварца;
— 1 образец необработанного сильно трещиноватого кристалла аквамарина зелено-голубой окраски.
Путем изменения положения и ориентации образцов в зоне анализа фиксировались изменения координат цвета и прозрачности образцов, наличие включений и трещин, а также размерные параметры.
Результаты и обсуждение. На рис. 3—5 приведены примеры результатов обнаружения с помощью АПК образцов, отличающихся по цвету, размерности, а также прозрачности и наличию дефектов структуры. На рис. 3 выделены образцы, характеризующиеся наличием светло-зеленых оттенков, на рис. 4 — образцы крупностью от 10 до 15 мм, на рис. 5 — образцы с классом чистоты 2.
Рис. 3
3
Л
Рис. 5
Аналогичным образом можно обеспечивать выделение образцов по совокупности нескольких параметров и/или диапазонам их изменения.
Проведенные экспериментальные исследования, с учетом всех 69 анализируемых образцов, позволили установить следующие значения погрешностей.
1) Средний разброс определяемых значений цветового тона для одних и тех же минеральных образцов при изменении их ориентации и положения в зоне анализа составляет 7,9 градаций, что соответствует относительной погрешности определения цветового тона в 2,2 % от всего измеряемого диапазона значений. Для светлоты и насыщенности данная характеристика составляет соответственно 6,2 и 9,1 % от измеряемого диапазона. При этом для голтованных образцов значения светлоты повышены из-за появления блика на поверхности образцов при их съемке в режиме „на отражение".
2) Средний разброс определяемых значений прозрачности, количество определяемых включений и определяемых трещин для одних и тех же минеральных образцов при изменении их ориентации и положения в зоне анализа составляют соответственно 3,1, 9,5 и 4,8 % от измеряемого диапазона.
Указанные значения взаимозависимы и отчасти компенсируют друг друга, что приводит к слабому влиянию на определяемый класс чистоты минерального образца (изменение класса чистоты наблюдалось только для трех проанализированных образцов).
3) Средний разброс определяемых значений размерных параметров для одних и тех же минеральных образцов при изменении их ориентации и положения в зоне анализа составил 0,5 мм. Этот параметр влияет на классификацию по размерам только в случае граничных ситуаций (изменение класса крупности наблюдалось только для двух минеральных образцов).
Заключение. Представлено техническое решение для выполнения сортировки и классификации образцов минерального сырья в полуавтоматическом режиме. Это решение может быть использовано:
— для технологической оценки обогатимости минерального сырья методом оптической сортировки с автоматическим определением оптимальных порогов разделения и предварительной оценкой эффективности сортировки без опробования на конкретных моделях оптических сортировщиков;
— для подготовки к продаже на горно-обогатительных комбинатах лотов добытого сырья драгоценных камней;
Аппаратно-программный комплекс для сортировки и классификации минерального сырья 593
— для подбора в ювелирных мастерских комплектов обработанных драгоценных камней, имеющих одинаковые или, наоборот, специфичные оптические свойства.
СПИСОК ЛИTEРАTУРЫ
1. Романчук А. И., Тихвинский А. В., Жарков В. В., Богомолов В. А. Фотометрическая сепарация руд золота различных типов // Горный информационно-аналитический бюллетень (научно-технический журнал). 2013. № 2. С. 109—113.
2. Цыпин Е. Ф., Колтунов А. В., Комлев С. Г., Вегера А. Г. Обогащение изумрудоносных бериллиевых руд с использованием информационных методов // Изв. вузов. Горный журнал. 2012. № S. С. 10б—111.
3. Чертов А. Н., Горбунова Е. В., Скамницкая Л. С., Бубнова Т. П. Возможности обогащения кварц-полевошпатового сырья месторождений Северной Карелии оптическим методом // Обогащение руд. 201S. № 4. С. S4—S9.
4. Садовничий Р. В., Рожкова Н. Н., Горбунова Е. В., Чертов А. Н. Исследование возможностей оптической сепарации шунгитовых пород Mаксовской залежи (Зажогинское месторождение) // Обогащение руд. 201б. № 1. С. 10—1S.
5. Ergin Gülcan , Özcan Y. Gülsoy. Evaluation of complex copper ore sorting: Effect of optical filtering on particle recognition // Minerals Engineering. 2018. Vol. 127. P. 208—223.
6. Wotruba H., Knapp H., Neubert K., Schropp C. Anwendung der sensorgestützten Sortierung für die Aufbereitung mineralischer Rohstoffe // Chemie Ingenieur Technik. 2014. Vol. Вб, N б. P. 773—783.
7. Рябкин В. К., Чепрасов И. В., Тихвинский А. В. Исследования по оценке возможности обогащения руд черных, легирующих металлов полихромным фотометрическим методом сепарации. Часть 1 // Горный информационно-аналитический бюллетень (научно-технический журнал). 2013. № 11. С. 82—89.
В. Рябкин В. К., Чепрасов И. В., Тихвинский А. В. Исследования по оценке возможности обогащения руд черных, легирующих металлов полихромным фотометрическим методом сепарации. Часть 2 // Горный информационно-аналитический бюллетень (научно-технический журнал). 2013. № 12. С. б1—70.
9. Guo Y., Zong X., Qi M. et al. Feasibility study on color evaluation of jadeite based on GemDialogue color chip images // J. Image Video Proc. 2018. 9S. P. 1—9.
10. Sinkevicius S., Lipnickas A., Rimkus K. Amber gemstones sorting by colour // Elektronika ir elektrotechnika. 2017. Vol. 23, N 2. P. 10—14.
11. Dadong Wang, Bischof L., Lagerstrom R. et al. Automated opal grading by imaging and statistical learning // IEEE Trans. on Systems, Man, and Cybernetics: Systems. 201б. Vol. 4б, N 2. P. Ш—201.
12. Мельников Е. П., Ножкина А. В. Состояние и проблемы диагностики драгоценных камней и промышленных минералов // Горный информационно-аналитический бюллетень (научно-технический журнал). 201S. № S1. С. S63—S67.
Сведения об авторах
Александр Николаевич Чертов — канд. техн. наук, доцент; Университет ИTMО, факультет прикладной
оптики; доцент; E-mail: a.n.chertov@mail.ru Елена Васильевна Горбунова — канд. техн. наук; Университет ИTMО, факультет лазерной фотоники и
оптоэлектроники; ведущий научный сотрудник; E-mail: evgorbunova@itmo.ru Анастасия Сергеевна Кушкоева — аспирант; Университет ИTMО, факультет прикладной оптики;
E-mail: askushkoeva@gmail.com Алексей Александрович Горбачёв — канд. техн. наук; Университет ИTMО, факультет прикладной оптики;
доцент; E-mail: gorbachev@itmo.ru
Поступила в редакцию 08.04. 2021 г.
Ссылка для цитирования: Чертов А. Н., Горбунова Е. В., Кушкоева А. С., Горбачёв А. А. Аппаратно-программный комплекс для сортировки и классификации минерального сырья по визуальным показателям // Изв. вузов. Приборостроение. 2021. T. 64, № 7. С. S89—S94.
HARDWARE AND SOFTWARE COMPLEX FOR SORTING AND CLASSIFICATION OF MINERAL RAW MATERIALS BY VISUAL INDICATORS
А. N. Chertov, E. V. Gorbunova, A. S. Kushkoeva, A. A. Gorbachev
ITMO University, 197101, St. Petersburg, Russia E-mail: a.n.chertov@mail.ru
A hardware and software complex developed by the authors is presented. The complex is designed for sorting and classifying samples and small batches of mineral raw materials in a semi-automatic mode according to parameters such as size, color, and purity. The complex contains nodes for the lower and upper illumination, a registration unit with a television camera, as well as a projection unit for displaying the classification results into the analysis zone. The role of the operator is reduced to mechanical actions to place and remove mineral samples from the analysis area. Experimental studies were carried out using beryl, chrysolite, amethyst, lapis lazuli, quartz and aquamarine, 69 samples in total. The relative errors in determining the color tone, saturation and lightness were 2.2, 6.2 and 9.1% of the entire measured range, respectively. The average spread of the determined values of transparency, the number of inclusions and cracks is 3.1, 9.5 and 4.8%, respectively. The error in determining the dimensional parameters is 0.5 mm. The proposed technical solution can be used for the technological assessment of the raw materials suitability for beneficiation by the method of optical sorting with the optimal separation thresholds determination.
Keywords: mineral raw materials, precious stones, classification, sorting, hardware and software complex, color, transparency
REFERENCES
1. Romanchuk A.I., Tikhvinskiy A.V., Zharkov V.V., Bogomolov V.A. Mining informational and analytical bulletin (scientific and technical journal), 2013, no. 2, pp. 109-113. (in Russ.)
2. Tsypin E. F, Koltunov A.V., Komlev S.G., Vegera A.G. Proceedings of universities. Mining magazine, 2012, no. 5, pp. 106-111. (in Russ.)
3. Chertov A.N., Gorbunova E.V., Skamnitskaya L.S., Bubnova T.P. Obogashcheniye rud, 2015, no. 4, pp. 54-59. (in Russ.)
4. Sadovnichy R.V., Rozhkova N.N., Gorbunova E.V., Chertov A.N. Obogashcheniye rud, 2016, no. 1, pp. 10-15. (in Russ.)
5. Gulcan E., Gulsoy O.Y. Minerals Engineering, 2018, vol. 127, pp. 208-223.
6. Wotruba H., Knapp H., Neubert K., Schropp C. Chemie Ingenieur Technik, 2014, no. 6(86), pp. 773783.
7. Ryabkin V.K., Cheprasov I.V., Tikhvinskiy A.V. Mining informational and analytical bulletin (scientific and technical journal), 2013, no. 11, pp. 82-89. (in Russ.)
8. Ryabkin V.K., Cheprasov I.V., Tikhvinskiy A.V. Mining informational and analytical bulletin (scientific and technical journal), 2013, no. 12, pp. 61-70. (in Russ.)
9. Guo Y., Zong X., Qi M. et al. Journ. Image Video Proc., 2018, vol. 95, pp. 1-9.
10. Sinkevicius S., Lipnickas A., Rimkus K. Elektronika ir elektrotechnika, 2017, no. 2(23), pp. 10-14.
11. Wang D., Bischof L., Lagerstrom R. et al. IEEE Transactions on systems, man, and cybernetics: Systems, 2016, no. 2(46), pp. 185-201.
12. Melnikov E.P., Nozhkina A.V. Mining informational and analytical bulletin (scientific and technical journal), 2015, no. S1, pp. 563-567. (in Russ.)
Data on authors
Aleksander N. Chertov — PhD, Associate Professor; ITMO University, Faculty of Applied Op-
tics; E-mail: a.n.chertov@mail.ru Elena V. Gorbunova — PhD; ITMO University, Faculty of Laser Photonics and Optoelec-
tronics, Leading Researcher; E-mail: evgorbunova@itmo.ru Anastasiya S. Kushkoeva — Post-Graduate Student; ITMO University, Faculty of Applied Optics;
E-mail: askushkoeva@gmail.com Alexey A. Gorbachev — PhD; ITMO University, Faculty of Applied Optics; E-mail: gorba-
chev@itmo.ru
For citation: Chertov A. N., Gorbunova E. V., Kushkoeva A. S., Gorbachev A. A. Hardware and software complex for sorting and classification of mineral raw materials by visual indicators. Journal of Instrument Engineering. 2021. Vol. 64, N 7. P. 589—594 (in Russian).
DOI: 10.17586/0021-3454-2021-64-7-589-594
