多数情况卐下，为进行全面的矿产资源评价，了解铁矿石在下游加工作业中的行为或预测矿石品质对下游工艺的影响并优化处理工艺，需要获取大量关于矿石的原始信息。这些信息包括矿相组成、孔隙度、连生关系、粒度分布、解离度、组织结构、矿石颗粒结构分类和计算出的矿物密度和矿物成分等等。现在，所有这些重要信息都可以在OIA全自动铁矿相分析系统的帮助下准确获得。
该系统实现在光学显微镜上自动采集图像，并可自动识别不同︾铁矿石、烧结矿、球团矿和冶金焦炭中的各矿相和孔隙。图像的获取和矿物颗粒的综卐合表征全部自动化完成，包括结构分类、解离分析、矿物连生关系和计算后的矿物成分、密度、尺寸等。本系统允许用户建立属于自己的特定结构分类方案，宽泛的放大倍数适用于铁矿粉至块矿，所有计算◇结果均以图、表的形式导出到Excle或Word文档，加之友好¤的用户界面，使之成为研究铁矿石、烧结和球团矿不可或缺的强力助手 。
图1 OIA全自动铁矿相分析系统
工作原理
OIA系统的工作原理有两个：基▓于反射色的多门槛值识别；基于矿物组织结构的识别。
应用范围
原生铁矿石、铁精粉、烧结矿、球团矿及冶金卐焦炭等炼铁原材料。
应用案例1-铁矿石
OIA在【铁矿石信息表征中的应用主要包括获取样品矿物种类（磁铁矿、赤铁矿、水赤铁矿、褐铁矿、石英、孔隙等）及其含量（表1）、颗粒尺寸（表2）、连生关系（表3）及解离度（图3）等[1]。同时，可以提供包含丰富信息的彩色矿物分析图像（图2）。
7
图2 铁矿石光学图像(a)与矿物分析图像(b)
表1 铁Ψ 矿石样品中的矿物组成与含量
表2 铁矿石样品中的矿物颗粒尺寸
表3 铁◤矿石样品中各矿物间的连生关系
图3 样品中按矿相计算的解离关系
应用案例2-烧结矿
OIA在烧结矿信息表征中的应用主要在于识别样品中的不同▅的赤铁矿相--原生↘赤铁矿（未反应相）和次生赤铁矿（烧结熔体中分异相）和不同类型的SFCA相（复合铁酸钙）[2]，并提供包含丰富信息的彩色图像（图4），包括大面积拼图■（图5）与微观分析图像（图6）。
图4 烧结矿光学图像(a)与矿相分ㄨ析图像(b)
图5 烧结矿样品的大面积光学图像拼图(a)与矿相分析图(b)
备注：该图像由525帧200×的图像拼接而成，覆盖区域面积12mm×13mm，样品由鞍ζ 钢集团钢铁研究院提供
图6 上述烧结矿样品的微观分析图像
应用案例3-球团矿
OIA在球团矿中的应用主要在于表征样品中的Fe3O4相、Fe2O3相和孔隙的分♀布特征。这里以加热到800℃的磁铁矿球团为例简作说明（图7），详细信息可参阅相关资料[3]。
图7 球团矿样品的微观信息表〖征
备注：该球团矿直径为12.7mm。图a为21×21帧2×2Mosaix图像拼接而成的光学图像；图b为系统○分析后的矿相图像（粉色-Fe3O4相、蓝色-Fe2O3相、黄色-孔隙）；图c-图e为各相『的空间分布特征
应用案例4-冶金焦炭
OIA在冶金焦炭中的应用主要在于表征样品中的IMDC相（惰性组分）、RMDC相（活性组分）及两者边界和孔隙的分布特征（图8）。详细应用信息可参阅相关资料[4]。
图8 焦炭样品的微观信息表征（品红色-IMDC、浅蓝色-RMDC、黄色-孔隙）
OIA与MLA分析方法对︽比—铁矿石
图9 MLA（图a、b）与OIA（图c、d）分析方法在原生铁矿石信息表征⌒ 中的对比
（粉色-磁铁矿、蓝色-赤铁矿、绿色-褐铁矿、黄色-孔隙、黑色-未识别）
由于天然主要铁矿物（磁铁矿与假象赤铁矿〗，赤铁矿与水赤铁矿等）的含铁量往往相差不大，因此在扫描电镜下其灰度相近（图9a），MLA等电镜矿物分析软件易产生较大＠的识别误差（图9b）；但各铁矿物相在光学显微镜下的特征更加明显（反射色各¤异，图9c），因此，搭载于光镜上的OIA全自动铁矿相分析系统对铁矿▼物的识别更加精确，同时，对孔隙特别是微孔隙的捕捉更々加灵敏（图9d）。
OIA与MLA分析方法对比—烧结矿
图10 MLA（图a、b）与OIA（图c、d）分析方法在烧结矿信息表征中的对比
MLA在烧结矿的应用中产生的问题与铁矿石分析』中遇到的问题相同，样品中不同矿相在电镜下的灰度差异不足以使软件清■晰的分割划分，所得分析结果与真◥实分布情况出入很大（图10a，b）；而OIA在烧结矿中的表征，无论是矿相的识别，还是细节♀的捕捉，都远远优于MLA。
OIA关键技术优势
? 自动化分析，效率性大幅提升(比人◥工计点法快准确)
手动计数往往低估了作为包体存在的小相；由于玻璃的反射率与环氧树脂的反射率非≡常接近，使得人眼无法对两者做出可靠的区分，因此也容易低估玻璃相；手动计数往往低估了孔隙率，因为№忽略了微孔隙的存在。
? 准确性(比扫描电镜分析方法更精确)
? 信息丰富性(包含丰富的矿物信息）
? 形貌表征(包括←不同矿相和孔隙的组织结构和空间分布特征)
OIA潜在应用
OIA全自动铁矿相分析系统为广大矿业公司，钢铁企〇业及第三方检测机构实现以下战略目标提供配套定性及定量表征手段：
☆ 定量分析铁矿石矿相，用以评估铁矿资源，预测铁矿特征对下游工艺的→影响，优化矿石处理工艺流∩程，从而优化资源利用，增加资源量，降低矿物加工成№本。
☆ 定量分析烧结矿和球团矿矿相，研究烧结球团矿微观结构与性能的关系，从而优化配矿和烧结焙↑烧工艺，改善烧结矿品质，降低配矿成＠ 本。
☆ 定量分析焦炭微观结构，预测焦炭性能及其↓对炼铁、冶金工艺的影响，从而实现节能减排。
参考文献
[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
