多數(shù)情況下，為進(jìn)行全面的礦產(chǎn)資源評(píng)價(jià)，了解鐵礦石在下游加工作業(yè)中的行為或預(yù)測(cè)礦石品質(zhì)對(duì)下游工藝的影響并優(yōu)化處理工藝，需要獲取大量關(guān)于礦石的原始信息。這些信息包括礦相組成、孔隙度、連生關(guān)系、粒度分布、解離度、組織結(jié)構(gòu)、礦石顆粒結(jié)構(gòu)分類和計(jì)算出的礦物密度和礦物成分等等?，F(xiàn)在，所有這些重要信息都可以在OIA全自動(dòng)鐵礦相分析系統(tǒng)的幫助下準(zhǔn)確獲得。
該系統(tǒng)實(shí)現(xiàn)在光學(xué)顯微鏡上自動(dòng)采集圖像，并可自動(dòng)識(shí)別不同鐵礦石、燒結(jié)礦、球團(tuán)礦和冶金焦炭中的各礦相和孔隙。圖像的獲取和礦物顆粒的綜合表征全部自動(dòng)化完成，包括結(jié)構(gòu)分類、解離分析、礦物連生關(guān)系和計(jì)算后的礦物成分、密度、尺寸等。本系統(tǒng)允許用戶建立屬于自己的特定結(jié)構(gòu)分類方案，寬泛的放大倍數(shù)適用于鐵礦粉至塊礦，所有計(jì)算結(jié)果均以圖、表的形式導(dǎo)出到Excle或Word文檔，加之友好的用戶界面，使之成為研究鐵礦石、燒結(jié)和球團(tuán)礦不可或缺的強(qiáng)力助手 。
圖1 OIA全自動(dòng)鐵礦相分析系統(tǒng)
工作原理
OIA系統(tǒng)的工作原理有兩個(gè)：基于反射色的多門檻值識(shí)別；基于礦物組織結(jié)構(gòu)的識(shí)別。
應(yīng)用范圍
原生鐵礦石、鐵精粉、燒結(jié)礦、球團(tuán)礦及冶金焦炭等煉鐵原材料。
應(yīng)用案例1-鐵礦石
OIA在鐵礦石信息表征中的應(yīng)用主要包括獲取樣品礦物種類（磁鐵礦、赤鐵礦、水赤鐵礦、褐鐵礦、石英、孔隙等）及其含量（表1）、顆粒尺寸（表2）、連生關(guān)系（表3）及解離度（圖3）等[1]。同時(shí)，可以提供包含豐富信息的彩色礦物分析圖像（圖2）。
7
圖2 鐵礦石光學(xué)圖像(a)與礦物分析圖像(b)
表1 鐵礦石樣品中的礦物組成與含量
表2 鐵礦石樣品中的礦物顆粒尺寸
表3 鐵礦石樣品中各礦物間的連生關(guān)系
圖3 樣品中按礦相計(jì)算的解離關(guān)系
應(yīng)用案例2-燒結(jié)礦
OIA在燒結(jié)礦信息表征中的應(yīng)用主要在于識(shí)別樣品中的不同的赤鐵礦相--原生赤鐵礦（未反應(yīng)相）和次生赤鐵礦（燒結(jié)熔體中分異相）和不同類型的SFCA相（復(fù)合鐵酸鈣）[2]，并提供包含豐富信息的彩色圖像（圖4），包括大面積拼圖（圖5）與微觀分析圖像（圖6）。
圖4 燒結(jié)礦光學(xué)圖像(a)與礦相分析圖像(b)
圖5 燒結(jié)礦樣品的大面積光學(xué)圖像拼圖(a)與礦相分析圖(b)
備注：該圖像由525幀200×的圖像拼接而成，覆蓋區(qū)域面積12mm×13mm，樣品由鞍鋼集團(tuán)鋼鐵研究院提供
圖6 上述燒結(jié)礦樣品的微觀分析圖像
應(yīng)用案例3-球團(tuán)礦
OIA在球團(tuán)礦中的應(yīng)用主要在于表征樣品中的Fe3O4相、Fe2O3相和孔隙的分布特征。這里以加熱到800℃的磁鐵礦球團(tuán)為例簡(jiǎn)作說明（圖7），詳細(xì)信息可參閱相關(guān)資料[3]。
圖7 球團(tuán)礦樣品的微觀信息表征
備注：該球團(tuán)礦直徑為12.7mm。圖a為21×21幀2×2Mosaix圖像拼接而成的光學(xué)圖像；圖b為系統(tǒng)分析后的礦相圖像（粉色-Fe3O4相、藍(lán)色-Fe2O3相、黃色-孔隙）；圖c-圖e為各相的空間分布特征
應(yīng)用案例4-冶金焦炭
OIA在冶金焦炭中的應(yīng)用主要在于表征樣品中的IMDC相（惰性組分）、RMDC相（活性組分）及兩者邊界和孔隙的分布特征（圖8）。詳細(xì)應(yīng)用信息可參閱相關(guān)資料[4]。
圖8 焦炭樣品的微觀信息表征（品紅色-IMDC、淺藍(lán)色-RMDC、黃色-孔隙）
OIA與MLA分析方法對(duì)比—鐵礦石
圖9 MLA（圖a、b）與OIA（圖c、d）分析方法在原生鐵礦石信息表征中的對(duì)比
（粉色-磁鐵礦、藍(lán)色-赤鐵礦、綠色-褐鐵礦、黃色-孔隙、黑色-未識(shí)別）
由于天然主要鐵礦物（磁鐵礦與假象赤鐵礦，赤鐵礦與水赤鐵礦等）的含鐵量往往相差不大，因此在掃描電鏡下其灰度相近（圖9a），MLA等電鏡礦物分析軟件易產(chǎn)生較大的識(shí)別誤差（圖9b）；但各鐵礦物相在光學(xué)顯微鏡下的特征更加明顯（反射色各異，圖9c），因此，搭載于光鏡上的OIA全自動(dòng)鐵礦相分析系統(tǒng)對(duì)鐵礦物的識(shí)別更加精確，同時(shí)，對(duì)孔隙特別是微孔隙的捕捉更加靈敏（圖9d）。
OIA與MLA分析方法對(duì)比—燒結(jié)礦
圖10 MLA（圖a、b）與OIA（圖c、d）分析方法在燒結(jié)礦信息表征中的對(duì)比
MLA在燒結(jié)礦的應(yīng)用中產(chǎn)生的問題與鐵礦石分析中遇到的問題相同，樣品中不同礦相在電鏡下的灰度差異不足以使軟件清晰的分割劃分，所得分析結(jié)果與真實(shí)分布情況出入很大（圖10a，b）；而OIA在燒結(jié)礦中的表征，無論是礦相的識(shí)別，還是細(xì)節(jié)的捕捉，都遠(yuǎn)遠(yuǎn)優(yōu)于MLA。
OIA關(guān)鍵技術(shù)優(yōu)勢(shì)
? 自動(dòng)化分析，效率性大幅提升(比人工計(jì)點(diǎn)法快準(zhǔn)確)
手動(dòng)計(jì)數(shù)往往低估了作為包體存在的小相；由于玻璃的反射率與環(huán)氧樹脂的反射率非常接近，使得人眼無法對(duì)兩者做出可靠的區(qū)分，因此也容易低估玻璃相；手動(dòng)計(jì)數(shù)往往低估了孔隙率，因?yàn)楹雎粤宋⒖紫兜拇嬖凇?/p>
? 準(zhǔn)確性(比掃描電鏡分析方法更精確)
? 信息豐富性(包含豐富的礦物信息）
? 形貌表征(包括不同礦相和孔隙的組織結(jié)構(gòu)和空間分布特征)
OIA潛在應(yīng)用
OIA全自動(dòng)鐵礦相分析系統(tǒng)為廣大礦業(yè)公司，鋼鐵企業(yè)及第三方檢測(cè)機(jī)構(gòu)實(shí)現(xiàn)以下戰(zhàn)略目標(biāo)提供配套定性及定量表征手段：
☆ 定量分析鐵礦石礦相，用以評(píng)估鐵礦資源，預(yù)測(cè)鐵礦特征對(duì)下游工藝的影響，優(yōu)化礦石處理工藝流程，從而優(yōu)化資源利用，增加資源量，降低礦物加工成本。
☆ 定量分析燒結(jié)礦和球團(tuán)礦礦相，研究燒結(jié)球團(tuán)礦微觀結(jié)構(gòu)與性能的關(guān)系，從而優(yōu)化配礦和燒結(jié)焙燒工藝，改善燒結(jié)礦品質(zhì)，降低配礦成本。
☆ 定量分析焦炭微觀結(jié)構(gòu)，預(yù)測(cè)焦炭性能及其對(duì)煉鐵、冶金工藝的影響，從而實(shí)現(xiàn)節(jié)能減排。
參考文獻(xiàn)
[1] Donskoi, E. ,Poliakov, A. ,Manuel, J. R. and Raynlyn, T. D. Advances in optical image analysis and textural classification of iron ore fines, XXV International Mineral Processing Congress-IMPC2010, Brisbane, Australia. 2010, pp. 2823-2826.
[2] Donskoi, E. ,Poliakov, A. ,Manuel, J. R. Automated Optical Image Analysis of Natural and Sintered Iron Ore: mineralogy, processing and environmental issues, Ed. L. Lu, Elsevier, 2015, pp: 101-159
[3] Poliakov, A. ,Donskoi, E. , Hapugoda, S. Lu, L. Optical image analysis of iron ore pellets and lumps using CSIRO software Mineral4/Recognition4. IRON ORE CONFERENCE/PERTH, AUSTRALIA, 2017, 7: 24-26
[4] Donskoi, E. ,Poliakov, A. , Mahoney, M. R., Scholes O. Novel optical image analysis coke characterization and its application to study of the relationship betweem coke structure, coke strength and parent coal composition. Fuel, Elsevier, 2017(208), pp: 281-295
