多數情況下，為進行全面的礦產資源評價，了解鐵礦石在下游加工作業中的行為或預測礦石品質對下游工藝的影響并優化處理工藝，需要獲取大量關于礦石的原始信息。這些信息包括礦相組成、孔隙度、連生關系、粒度分布、解離度、組織結構、礦石顆粒結構分類和計算出的礦物密度和礦物成分等等?，F在，所有這些重要信息都可以在OIA全自動鐵礦相分析系統的幫助下準確獲得。
該系統實現在光學顯微鏡上自動采集圖像，并可自動識別不同鐵礦石、燒結礦、球團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化完成，包括結構分類、解離分析、礦物連生關系和計算后的礦物成分、密度、尺寸等。本系統允許用戶建立屬于自己的特定結構分類方案，寬泛的放大倍數適用于鐵礦粉至塊礦，所有計算結果均以圖、表的形式導出到Excle或Word文檔，加之友好的用戶界面，使之成為研究鐵礦石、燒結和球團礦不可或缺的強力助手 。
圖1 OIA全自動鐵礦相分析系統
工作原理
OIA系統的工作原理有兩個：基于反射色的多門檻值識別；基于礦物組織結構的識別。
應用范圍
原生鐵礦石、鐵精粉、燒結礦、球團礦及冶金焦炭等煉鐵原材料。
應用案例1-鐵礦石
OIA在鐵礦石信息表征中的應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）、連生關系（表3）及解離度（圖3）等[1]。同時，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系
圖3 樣品中按礦相計算的解離關系
應用案例2-燒結礦
OIA在燒結礦信息表征中的應用主要在于識別樣品中的不同的赤鐵礦相--原生赤鐵礦（未反應相）和次生赤鐵礦（燒結熔體中分異相）和不同類型的SFCA相（復合鐵酸鈣）[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 燒結礦光學圖像(a)與礦相分析圖像(b)
圖5 燒結礦樣品的大面積光學圖像拼圖(a)與礦相分析圖(b)
備注：該圖像由525幀200×的圖像拼接而成，覆蓋區域面積12mm×13mm，樣品由鞍鋼集團鋼鐵研究院提供
圖6 上述燒結礦樣品的微觀分析圖像
應用案例3-球團礦
OIA在球團礦中的應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℃的磁鐵礦球團為例簡作說明（圖7），詳細信息可參閱相關資料[3]。
圖7 球團礦樣品的微觀信息表征
備注：該球團礦直徑為12.7mm。圖a為21×21幀2×2Mosaix圖像拼接而成的光學圖像；圖b為系統分析后的礦相圖像（粉色-Fe3O4相、藍色-Fe2O3相、黃色-孔隙）；圖c-圖e為各相的空間分布特征
應用案例4-冶金焦炭
OIA在冶金焦炭中的應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）。詳細應用信息可參閱相關資料[4]。
圖8 焦炭樣品的微觀信息表征（品紅色-IMDC、淺藍色-RMDC、黃色-孔隙）
OIA與MLA分析方法對比—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比
（粉色-磁鐵礦、藍色-赤鐵礦、綠色-褐鐵礦、黃色-孔隙、黑色-未識別）
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生較大的識別誤差（圖9b）；但各鐵礦物相在光學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全自動鐵礦相分析系統對鐵礦物的識別更加精確，同時，對孔隙特別是微孔隙的捕捉更加靈敏（圖9d）。
OIA與MLA分析方法對比—燒結礦
圖10 MLA（圖a、b）與OIA（圖c、d）分析方法在燒結礦信息表征中的對比
MLA在燒結礦的應用中產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，所得分析結果與真實分布情況出入很大（圖10a，b）；而OIA在燒結礦中的表征，無論是礦相的識別，還是細節的捕捉，都遠遠優于MLA。
OIA關鍵技術優勢
? 自動化分析，效率性大幅提升(比人工計點法快準確)
手動計數往往低估了作為包體存在的小相；由于玻璃的反射率與環氧樹脂的反射率非常接近，使得人眼無法對兩者做出可靠的區分，因此也容易低估玻璃相；手動計數往往低估了孔隙率，因為忽略了微孔隙的存在。
? 準確性(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構和空間分布特征)
OIA潛在應用
OIA全自動鐵礦相分析系統為廣大礦業公司，鋼鐵企業及第三方檢測機構實現以下戰略目標提供配套定性及定量表征手段：
☆ 定量分析鐵礦石礦相，用以評估鐵礦資源，預測鐵礦特征對下游工藝的影響，優化礦石處理工藝流程，從而優化資源利用，增加資源量，降低礦物加工成本。
☆ 定量分析燒結礦和球團礦礦相，研究燒結球團礦微觀結構與性能的關系，從而優化配礦和燒結焙燒工藝，改善燒結礦品質，降低配礦成本。
☆ 定量分析焦炭微觀結構，預測焦炭性能及其對煉鐵、冶金工藝的影響，從而實現節能減排。
參考文獻
[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
