Bakır Flotasyonu Prosesinde, Köpük Görüntüleri ile % Bakır Tenörü Arasındaki İlişkinin Görüntü Analiz Yöntemiyle Belirlenmesi

Yıl 2019, Cilt: 34 Sayı: 4, 117 - 128, 31.12.2019

Mehmet Türkmenoğlu Ö. Faruk Özgüven Fatih Ş. Erkuş Ayşe Özgüven Z. Funda Türkmenoğlu O. Ozan Varol

https://doi.org/10.21605/cukurovaummfd.703224

https://izlik.org/JA28MF98ZX

Öz

Bu çalışmada, Siirt Madenköy flotasyon tesisinden temin edilen bakır cevherinin laboratuvar ölçekli flotasyonu esnasında elde edilen köpük görüntüleri ile bakır zenginleştirme tenörü arasındaki korelasyon belirlenmiştir. Sadece hava akış hızı; 2 ile 8 l/dk arasında debimetre yardımı ile değiştirilmiş, diğer tüm flotasyon parametreleri tesis ile aynı tutulmuştur. Video kamera kullanılarak elde edilen köpük görüntüleri, MATLAB Havza Dönüşümü (MATLAB Watershed Transform) metoduyla işlenmiş ve hava kabarcıkları tanımlanmıştır. Kabarcık şekil ve büyüklük verileri, köpük görüntülerindeki kabarcık vadi sınırlarının tespiti ve bu sınırlarla görüntünün bölümlenmesi yoluyla elde edilmiştir. Bu çalışmada gerçekleştirilen 3 farklı flotasyon deney seti verileri kullanılarak flotasyon prosesinin otomasyonunda kullanılabilecek görüntü işleme tabanlı bulanık mantık çıkarım sistemi tasarımı yapılmıştır. Ölçülen ve hesaplanan bakır zenginleştirme tenörü arasındaki korelasyon katsayısı r = 0,96 olarak hesaplanmıştır.

Anahtar Kelimeler

Flotasyon , Görüntü işleme , MATLAB , Bulanık mantık , Bakır cevheri

Determination of the Relationship Between Foam Images with % Copper Grade in Copper Flotation Process by Image Analysis Method

https://izlik.org/JA28MF98ZX

Öz

In this study, the correlation between the grade of copper enrichment and the foam images obtained during laboratory scale flotation of copper ore obtained from Siirt Madenköy flotation plant was determined. Only air flow rate was changed between 2 and 8 l/min with a flowmeter, all other flotation parameters were kept the same with the flotation plant. Foam images captured by a video camera were processed by MATLAB Watershed Transform method and air bubbles were defined. Bubble shape and size data were obtained by detecting and segmenting bubble watershed borders in foam images. In this study, image processing based fuzzy logic inference system that can be used in the automation of flotation process was designed using 3 different flotation experiment data sets. The correlation coefficient between measured and calculated grade of copper enrichment is r = 0,96.

Anahtar Kelimeler

Flotation , Image processing , MATLAB , Fuzzy logic , Cupper ore

Kaynakça

• 1. Karakoç M., 2012. Görüntü İşleme Teknolojileri ve Uygulamaları. Ege Üniversitesi Fen Bilimleri Enstitüsü Bilgisayar Mühendisliği Anabilim Dalı Ders Notları, İzmir.
• 2. Shean B.J., Cilliers, J.J., 2011. A Review of Froth Flotation Control. International Journal of Mineral Processing, 100(3), 57-71.
• 3. Nguyen K.K., Thornton A.J., 1995. The Application of Texture-based Image Analysis Techniques in Froth Flotation. In: Conference Proceedings DICTA-95. Digital Image Computing: Techniques and Applications, Australian Pattern Recognition Society.
• 4. Moolman, D.W., Aldrich, C., Van Deventer, J.S.J., Bradshaw, D.J., 1995. The Interpretation of Flotation Froth Surfaces By Using Digital Image Analysis and Neural Networks. Chemical Engineering Science 50(22), 3501-3523.
• 5. Chuk, O.D., Ciribeni, V., Gutierrez, L.V., 2005. Froth Collapse in Column Flotation: a Prevention Method Using Froth Density Estimation and Fuzzy Expert Systems. Minerals Engineering 18(5), 495–504.
• 6. Moolman, D.W., Eksteen, J.J., Aldrich, C., van Deventer, J.S.J., 1996. The Significance of Flotation Froth Appearance for Machine Vision Control. International Journal of Mineral Processing 48(3–4), 135–158.
• 7. Sadr-kazemi, N., Cilliers, J., 1997. An Image Processing Algorithm for Measurement of Flotation Froth Bubble Size and Shape Distributions. Minerals Engineering 10(10), 1075–1083.
• 8. Bonifazi, G., Serranti, S., Volpe, F., Zuco, R., 2001. Characterisation of Flotation Froth Colour and Structure by Machine Vision. Computers & Geosciences 27(9), 1111-1117.
• 9. Liu, J.J., MacGregor, J.F., Duchesne, C., Bartolacci, G., 2005. Flotation Froth Monitoring Using Multiresolutional Multivariate Image Analysis. Minerals Engineering 18, 65–76.
• 10. Ekmekçi, Z., Şahin, A.N., 2006. Köpük Görüntüsü ve Flotasyon Performansı Arasındaki İlişkinin Görüntü Analiz Sistemi ile İncelenmesi. Madencilik Dergisi, 45(2), 27-38.
• 11. Aldrich, C., Moolman, D.W., Gouws, F.S., Schmitz, G.P.J., 1997. Machine Learning Strategies for Control of Flotation Plants. Control Engineering Practice 5(2), 263–269.
• 12. Miskoviç, S., 2011. An Investigation of the Gas Dispersion Properties of Mechanical Flotation Cells: An in-situ Approach. Doctor of Philosophy, Mining and Minerals Engineering, Virginia Polytechnic Institute, State Uni., 183.
• 13. Altaş, V.M., 2007. Sondaj Köpükleri Özniteliklerinin Görüntü İşleme Teknikleri ile Çıkarımı ve Yapay Sinir Ağları Kullanarak Veri Analizi. TOBB Ekonomi ve Teknoloji Üniversitesi Fen Bilimleri Enstitüsü Yüksek Lisans Tezi, 109.