Machine Translated by Google

Ingeniería de Minerales 189 (2022) 107896

Listas de contenidos disponibles en ScienceDirect

Ingeniería de Minerales

página de inicio de la revista: www.elsevier.com/locate/mineng

Caracterización mineralógica automatizada mediante microscopía óptica:

Revisión y recomendaciones

Benjamín de Castro a,*, Mostafa Benzaazouaa ,b, Aur´elie Chopard , Benoît Plante
C a

a
Instituto de Investigaciones sobre Minas y Medio Ambiente (RIME), Universit´e du Qu´ebec en Abitibi­T´emiscamingue (UQAT), 445, boulevard de l'Universit´e, Rouyn­Noranda J9X
5E4, Quebec, Canadá b
Universidad Politécnica Mohammed VI (UM6P), Mining Environment & Circular Economy, Lot 660, Hay Moulay Rachid, Ben Guerir 43150, Marruecos
C
Agnico Eagle Mines Ltd, 10 200 ruta de Preissac, Rouyn­Noranda J0Y 1C0, Qu´ebec, Canadá

INFORMACIÓN DEL ARTÍCULO ABSTRACTO

Palabras clave: La cuantificación mineralógica automatizada se ha convertido recientemente en un aspecto importante de la geometalurgia. Los microscopios
Microscopia óptica
electrónicos de barrido automatizados se utilizan más comúnmente para realizar análisis mineralógicos automatizados. Los microscopios ópticos
Mineralogía automatizada
automatizados también pueden realizar caracterizaciones mineralógicas automatizadas, pero su uso es menos común en la industria minera. Sin
geometalurgia
embargo, la industria minera no realiza suficientemente la caracterización mineralógica durante sus operaciones. La razón principal por la que
Análisis de imagen
QEMSCAN la caracterización mineralógica automatizada está infrautilizada es el importante costo de capital y la accesibilidad de esta técnica. Por el
contrario, la microscopía óptica reflejada es un dispositivo más accesible y menos restrictivo para el análisis mineralógico cuantitativo
automatizado. La microscopía óptica automatizada no requiere un operador especialista avanzado, a diferencia de la microscopía electrónica
de barrido automatizada. El microscopio óptico, que permite la identificación de minerales opacos (sulfuros, óxidos y elementos nativos/
aleaciones, etc.), podría convertirse en una ventaja para la caracterización de productos mineros en un contexto geometalúrgico.

Especialmente para depósitos polimetálicos/de sulfuro de oro y óxido de hierro donde los minerales opacos son minerales valiosos y/o tienen un
interés ambiental y de procesamiento de minerales. Este artículo revisa la evolución de la técnica de microscopía óptica automatizada. Este
trabajo ilustra: i) el desarrollo de la microscopía óptica automatizada, incluidas las mejoras en el análisis de imágenes y cámaras ópticas; y ii) la
presentación de estudios comparativos y aplicaciones de microscopía óptica automatizada.

1. Introducción mediante análisis de imágenes (IA) utilizando un sistema de mineralogía automatizado

La geometalurgia es un enfoque multidisciplinario que combina el conocimiento de
la geología y la metalurgia para crear un modelo espacial para optimizar la planificación
minera (Bridge et al., 2014; Dominy et al., 2018; Kittler et al., 2011). Los aspectos
esenciales del enfoque son el muestreo (Coward et al., 2009; De Castro et al., 2022;
Dominy et al., 2018) la caracterización mineralógica ( Bradshaw , 2014; Hoal et al., 2013;
Lotter, 2011; Whiteman et al., 2016), pruebas de procesamiento de minerales (Bueno et
al., 2015; Lamberg, 2011; Michaux y O'Connor, 2020) y pruebas de predicción ambiental
(Chopard et al., 2019b; Parbhakar­Fox et al. , 2018).
La caracterización mineralógica constituye una parte crucial en la construcción de
dominios geometalúrgicos (Dominy et al., 2018; Hoal et al., 2013; Lang et al., 2018).
Durante la etapa de caracterización de la muestra de un programa geometalúrgico, la
caracterización mineralógica generalmente se lleva a cabo
(Michaux y O'Connor, 2020; van den Boogaart y Tolosana Delgado, 2018; Zhou, 2013).
La técnica más común es la microscopía electrónica de barrido automatizada con copia
de espectros de dispersión de energía (SEM­EDS), como el sistema QEMSCAN®
(Ayling et al., 2012; Butcher et al., 2000; Gottlieb et al., 2000), el sistema MLA® (Fandrich
et al., 2007; Gu, 2003), el sistema Mineralogical Mining® (Graham et al., 2015), o el
sistema TIMA® (Hrstka et al., 2018). Las variables críticas o proxies se utilizan para el
dominio geometalúrgico: agrupar dominios geológicos de acuerdo con sus propiedades
metalúrgicas o ambientales comunales y la información mineralógica obtenida a menudo
se usa como estas variables críticas/proxies para determinar un programa geometalúrgico
funcional (Bueno et al., 2015) . ; Leichliter, 2013; Lund y Lamberg, 2014).
Sistemas de mineralogía automatizados basados en microscopía electrónica

* Autor para correspondencia en: Dirección postal completa: Instituto de Investigaciones sobre Minas y Medio Ambiente (RIME), Universit´e du Qu´ebec en Abitibi­T´emiscamingue (UQAT), 445,
boulevard de l'Universit´e, Rouyn­Noranda J9X 5E4, Qu´ebec, Canadá.
Dirección de correo electrónico: benjamin.decastro@uqat.ca (B. De Castro).

https://doi.org/10.1016/j.mineng.2022.107896 Recibido el 9 de
junio de 2022; Recibido en forma revisada el 11 de octubre de 2022; Aceptado el 13 de octubre de 2022 Disponible en
línea el 2 de noviembre de 2022
0892­6875/© 2022 Elsevier Ltd. Todos los derechos reservados.
Machine Translated by Google
B. De Castro et al.
requieren un costo de capital significativo y recursos humanos calificados, lo que
puede convertirse en un verdadero obstáculo para la caracterización mineralógica
de rutina. La microscopía óptica (OM) puede ser una herramienta eficaz para la
caracterización mineralógica en un programa geometalúrgico. OM es una
alternativa atractiva a los costosos y restrictivos sistemas de mineralogía
´
automatizados (Castroviejo et al., 2010; Chopard et al., 2019a; Lopez­Benito et
al., 2020; Petruk, 2000; Pirard, 2004). Las imágenes ópticas de luz reflejada
permiten la identificación de minerales opacos (sulfuros, óxidos y elementos/
aleaciones nativos) mediante la medición de la reflectancia y se pueden utilizar
para la caracterización mineralógica en depósitos comunes, como los depósitos
de sulfuros polimetálicos, oro y óxidos de hierro. Los minerales opacos en estos
depósitos a menudo representan minerales valiosos para las empresas mineras.
Además, la caracterización de minerales opacos (identificación, cuantificación
textural) es una parte muy importante durante los programas geometalúrgicos,
particularmente para el procesamiento de minerales (p. ej., Bradshaw (2014);
Cropp et al. (2013)) y estudios de predicción ambiental (p. ej., Elghali et al. (2018);
Parbhakar­Fox et al. (2018); Parbhakar­Fox et al. (2013)).
Este artículo presenta una revisión del desarrollo y uso actual del OM
automatizado. Este artículo destaca el interés de OM para la industria minera en
un contexto geometalúrgico. Se discute en particular el tema de la detección de
minerales transparentes mediante OM automatizado. El documento recomienda
algunas mejoras para el uso de OM automatizado y la ejecución de más
comparaciones y estudios de casos.
2. Revisión de la caracterización mineralógica automatizada por
microscopía óptica
El MO es una técnica muy común utilizada para la caracterización
mineralógica. Su uso y evolución permitió el desarrollo de la ciencia de la
petrografía, que se enfoca en descripciones detalladas de rocas/minerales (Touret,
2006). Hoy en día, OM todavía se usa ampliamente en el mundo académico de
las ciencias de la Tierra. La microscopía de luz transmitida generalmente se
distingue de la microscopía de luz reflejada. Este último se utiliza para la
observación de minerales metálicos opacos (sulfuros, sulfosales, óxidos,
hidróxidos, elementos nativos y aleaciones). El modo de luz reflejada OM está
estrechamente relacionado con la ciencia de la metalogenia, que se centra
específicamente en el estudio de la génesis de los depósitos minerales. Este
artículo se centra en la luz reflejada OM; el término OM se refiere a los
microscopios ópticos de luz reflejada a lo largo de este documento. La figura 1
ilustra un OM típico en una configuración de luz reflejada.
El análisis mineralógico microscópico automatizado (SEM­EDS automatizado
y OM reflejado automatizado) se puede realizar en dos formatos principales de
Fig. 1. Trayectoria de luz óptica en OM en modo de luz reflejada (A) y localización del polarizador y analizador (B) (de Rottenfusser et al. (2016)).
2
Ingeniería de Minerales 189 (2022) 107896
muestras: sección pulida y sección delgada pulida. La preparación de la sección
pulida consiste en mezclar resina epoxi, un endurecedor y un relleno de carbón
con la muestra de partículas en un molde de sección pulida (Lastra y Paktunc,
2016; Roisi y Aasly, 2018). Después del endurecimiento, se pule la superficie
donde las partículas minerales están expuestas en la sección pulida.
Esta última preparación es ampliamente utilizada para la cuantificación
mineralógica automatizada (Lastra y Paktunc, 2016) para muestras de partículas
(p. ej., alimentación, concentrado, muestra de relaves de una determinada técnica
de proceso mineral a través de un plan de diagrama de flujo); aunque este método
de preparación se puede realizar en muestras intactas (p. ej., un trozo de muestra
de núcleo de perforación). Esta preparación tiene la ventaja de permitir la
fabricación de secciones pulidas listas para análisis para dispositivos minerológicos
microscópicos automatizados en menos de 24 h (Bouzahzah et al., 2015; Jackson
et al., 1984; Roisi y Aasly, 2018). La preparación de la sección delgada pulida
necesita más pasos de preparación para la muestra intacta (p. ej., lapeado de la
muestra para completar los planos, cementado de la muestra en un portaobjetos
de vidrio, lapeado y pulido de la sección delgada) con equipo altamente
especializado (Struers Lcc, 2022) . Esta última preparación se usa comúnmente
para muestras intactas y permite realizar análisis petrográficos manuales (con
microscopio en modo de luz transmitida y modo de luz reflejada), pero también es
posible la cuantificación mineralógica SEM­EDS automatizada. Sin embargo, la
sección delgada pulida necesita una preparación de muestras larga y tediosa con
un procedimiento manual que requiere varios días de preparación a pesar del
desarrollo del dispositivo de preparación de muestras automatizado (Struers Lcc, 2022).
2.1. Estudio metalográfico de minerales y reflectancia
La metalografía generalmente se refiere al estudio de los metales utilizando
la técnica de microscopía desarrollada por Osmond en 1890 (Picot y Johan, 1977).
William Campbell fue el primero en extender este enfoque para estudiar minerales
metálicos bajo OM en 1906 en un mineral del depósito de níquel de Sudbury
(Picot y Johan, 1977). Hoy en día, el estudio metalográfico de minerales se
considera una disciplina homóloga a la petrografía en el campo de las ciencias
de la Tierra, y con frecuencia se refiere a la descripción de minerales opacos con
microscopía de luz reflejada. Por lo tanto, el estudio metalográfico podría ser un
activo asequible para respaldar la geología de minerales, la exploración de
minerales, el procesamiento de minerales y la predicción ambiental. El libro “Atlas
of Ore Minerals” de Picot y Johan (1977) resume las propiedades ópticas de los
minerales opacos para describirlos e identificarlos. Usando dos elementos ópticos
en el modo reflejado del OM (el polarizador y el analizador), los minerales se
pueden observar en dos tipos de luz para su identificación (Fig. 2):
Machine Translated by Google
B. De Castro et al.
Fig. 2. Curvas de reflectancia de seis sulfuros comunes y oro según la QDF de Criddle y Stanley (1993). Las dos curvas R1 y R2 representan estas variaciones
de reflectancia en función de la orientación de la partícula mineral (arsenopirita, calcopirita y pirrotita).
• Bajo luz polarizada plana (PPL): la luz polarizada permite la excitación de
la muestra con un rayo de luz en una sola dirección de vibración.
En esta configuración, el observador puede estudiar las propiedades
ópticas de los minerales opacos, como el color, el poder de reflectancia,
la birreflexión, la dureza relativa, el pleocroísmo y las propiedades
texturales (forma, inclusiones, exsoluciones,
intercrecimiento de partículas, etc.); o • Bajo luz de polares cruzados (CPL):
además del polarizador en la trayectoria de la luz óptica, el analizador
permite al observador estudiar la anisotropía, reflexiones internas y maclas que presentan
La determinación del color mineral con OM es la primera propiedad óptica
examinada para permitir la identificación mineralógica. El color de un mineral
proviene de la absorción/falta de absorción de las diferentes longitudes de
onda que recibe el mineral. Esta absorción se puede cuantificar midiendo la
reflectancia de un mineral, que se define como la relación entre la luz reflejada
por la superficie del mineral y el flujo luminoso recibido. Los minerales
metálicos tienen una reflectancia particularmente alta.
Desde 1970, la Comisión de Nuevos Minerales y Nombres de Minerales
de la Asociación Mineralógica Internacional solicitó mediciones de reflectancia
entre 400 nm y 700 nm con pasos de 20 nm para cada nueva especie mineral
descubierta. El estudio de Henry (1977) es una de las primeras recopilaciones
de la reflectancia de minerales de interés económico (ore minerals). La tabla
de reflectancia fue ampliada por primera vez por Picot y Johan (1977) (420,
540, 600 y 700 nm). El archivo de datos cuantitativos para minerales (QDF)
de Criddle y Stanley (1993) compiló la reflectancia
3
Ingeniería de Minerales 189 (2022) 107896
de minerales opacos. Algunos autores han agregado más longitudes de onda
de reflectancia en los dominios visibles del infrarrojo cercano (VNIR) y
´
ultravioleta (365 nm) (Castroviejo et al., 2009; Lopez­Benito et al., 2020; Pirard
et al., 2008). La Fig. 2 ilustra las curvas de reflectancia de seis sulfuros
comunes y oro.
Los diferentes grupos mineralógicos se definen de acuerdo con sus
comportamientos de reflectancia (Pirard et al., 2008; Stanley y Vaughan, 2004):
• Minerales
loscon reflectancia independiente de su orientación, correspondientes
minerales.
a una sola curva de reflectancia asociada con su sistema cristalográfico
cúbico conocidos como minerales ópticamente isotrópicos (p. ej., pirita,
galena, esfalerita);
• Minerales de cristal óptico uniaxial con reflectancia constante a lo largo de
sus ejes de simetría. Si el mineral tiene una sección paralela a su plano
basal, el mineral se comporta como un cristal isótropo. Para un corte
perpendicular a su plano basal, la reflectancia se maximiza (p. ej.,
hematites, marcasita); y
• Minerales cristalinos triaxiales con una reflectancia compleja dependiendo
de la orientación del cristal (birreflectancia). Las dos curvas R1 y R2 en la
Fig. 2 representan estas variaciones en la reflectancia según la orientación
de la partícula mineral (p. ej., arsenopirita, calcopirita y pirrotita).
A pesar del desarrollo de métodos mineralógicos cuantitativos como el
contador de puntos tradicional (Chayes, 1949; Henley, 1983; Howard
Machine Translated by Google
B. De Castro et al.
y Reed, 2004; Rosiwal, 1898), la caracterización mineralógica manual por OM todavía
requiere entrenamiento, atención y experiencia para su aplicación efectiva. En
consecuencia, OM ha sido gradualmente abandonado por la industria minera.
2.2. Aparición de la microscopía óptica automatizada que permite la cuantificación
mineralógica
OM siempre ha representado un dispositivo relativamente barato para la captura
rápida de imágenes que permite automatizar las tareas del mineralólogo óptico
(Barbery, 1985; Sutherland y Gottlieb, 1991). Sin embargo, el MO ha sufrido durante
mucho tiempo la mala discriminación por medición de la reflectancia de los minerales,
principalmente relacionada con una mala preparación de la muestra (Ramdohr, 1969;
Sutherland y Gottlieb, 1991). Hoy y durante las últimas tres décadas, OM se ha
beneficiado de las mejoras en las capacidades informáticas y la evolución de la
calidad de la cámara numérica y la preparación de muestras de décadas pasadas
(Jackson et al., 1984; Pirard y Bertholet, 2000; Pirard y De Colnet, 2000) . Este
cambio permitió pasar de un OM manual con técnicas de conteo óptico de granos
(Chayes, 1949; Henley, 1983; Howard y Reed, 2004; Rosiwal, 1898) a una técnica
automatizada, que proporciona cuantificación mineralógica por IA.
Desde mediados de la década de 1990, muchos autores han intentado explotar
la reflectancia de los minerales en OM para permitir la identificación automática de
especies mineralógicas (p. ej., Bonifazi (1995); Donskoi et al. (2015); Lane et al.
(2008); Pirard y Lebichot (2004); Pirard et al. (2007)). Tres grupos principales de
autores contribuyeron al desarrollo del OM automatizado. El primer grupo de
investigación proviene del laboratorio GEMME de la Universidad de Li`ege (Bélgica).
El segundo grupo proviene del laboratorio de mineralogía aplicada de la Universidad
Politécnica de Madrid (España). Paralelamente a estos grupos de investigadores, un
grupo de autores de Australia ha desarrollado un sistema de OM automatizado para
la caracterización de depósitos de mineral de óxido/hidróxido de hierro: la
Organización de Investigación Científica e Industrial de la Commonwealth (CSIRO)
Mineral
Recursos.
La IA microscópica sobre una muestra debidamente preparada (sección pulida,
sección delgada pulida) permite la cuantificación de diferentes parámetros
mineralógicos. Estos parámetros mineralógicos se han vuelto esenciales para
comprender las relaciones entre la mineralogía y el comportamiento textural/tamaño
de partícula de un material (Allard y Sotin, 1988; Mermillod­Blondin et al., 2011;
Sutherland y Gottlieb, 1991). OM permite que los siguientes parámetros mineralógicos
sean determinados por IA como SEM­EDS automatizado:
• Composición mineralógica/modal o leyes minerales; • Distribución
del tamaño de partícula de cada mineral que compone una muestra, también
llamado granulo­mineralogía;
• Grados de liberación de los minerales identificados; •
Asociaciones mineralógicas presentadas por los intercrecimientos de los granos
muestra; y
• Comportamiento elemental obtenido por cálculo de composición modal basado en
la composición química teórica de los minerales identificados o microanálisis
químico realizado por otras técnicas como EPMA (eg, Donskoi et al. (2007)).
Estos parámetros de cuantificación mineralógica se obtienen mediante IA de
mapeo mineralógico de partículas realizado por OM automatizado como SEM­EDS
automatizado. En consecuencia, el OM automatizado tiene los mismos problemas
sobre la representatividad de las muestras analizadas (incluido el método de
muestreo, el método de preparación de la sección pulida, el sesgo estereológico,
etc.) que los dispositivos SEM­EDS automatizados. El principio de IA para cada
parámetro mineralógico y la representatividad de las muestras no serán discutidos
en este artículo.
2.3. Procedimiento de clasificación por microscopía óptica automatizada
El propósito general de los procedimientos de identificación mineralógica para
4
Ingeniería de Minerales 189 (2022) 107896
OM automatizado, llamados procedimientos de clasificación, es obtener una imagen
segmentada; esta es una imagen donde cada píxel está asignado a una especie
mineralógica (mapeo mineralógico de partículas) (Fig. 3).
Los procedimientos de clasificación suelen diferenciarse en dos tipos: clasificación
supervisada y clasificación no supervisada. Si se conocen las propiedades de la
curva de reflectancia característica de cada mineral de la muestra, se puede realizar
una clasificación supervisada. En caso contrario, se realizan procedimientos de
´
clasificación no supervisados (Lopez­Benito et al., 2020). Según varios autores, la
clasificación mineralógica supervisada sigue siendo el mejor procedimiento para la
MO automatizada y se usa ampliamente en el campo (Bonifazi, 1995; Lopez­Benito
´
et al., 2020; Pirard, 2004; Pirard et al., 2008). El método supervisado consiste en:
1. Determinación de una base de datos de curvas de reflectancia (como QDF) para
cada mineral candidato donde cada característica de reflectancia
(patrón) se genera;
2. Medición de la reflectancia espectral para cada mineral desconocido
partícula en la muestra;
3. Comparación entre la medida de reflectancia espectral realizada y la base de
datos de curvas de reflectancia; y 4. Asignación (con un
método de clasificación) de cada píxel al mineral con el patrón de reflectancia más
similar, según la comparación anterior.
El segundo paso del método supervisado (medición de la reflectancia espectral)
generalmente se realiza mediante umbrales de gris en imágenes digitales de OM.
Este procesamiento/IA consiste en reemplazar cada píxel de una imagen con píxeles
de nivel de gris según la intensidad de la reflectancia (Donskoi et al., 2010; Pirard,
2004; Pirard et al., 2008). Una conversión calibrada permite medir la reflectancia de
los píxeles. Hoy en día, el procesamiento IA/ de umbral de gris proporciona una mejor
medición de reflectancia para OM automatizado y se usa ampliamente en el campo,
por ejemplo, (Berrezueta et al., 2016; Chopard et al., 2019a; Donskoi et al., 2021;
Lane et al., 2008; López­Benito et al., 2020; Pirard et al., 2008).
´
Se han propuesto muchos métodos de clasificación para la identificación
mineralógica automatizada con MO. El primer estudio notable fue propuesto por
Pirard y Bertholet (2000), en el que se discutieron métodos como la cuadrática
multigaussiana, los vecinos más cercanos, la envolvente convexa y la densidad del
kernel. Desde entonces se han desarrollado otros métodos de clasificación eficientes,
como la distancia de Mahalanobis (Berrezueta et al., 2016; Lopez­Benito et al., 2020;
´
Pirard, 2004) o el método de clasificación de Fisher (Bouzahzah et al., 2008; Pirard y
Lebichot, 2004). Por su parte, otros autores han propuesto utilizar el método de
clasificación booleana (Cho pard et al., 2019a; Lane et al., 2008), un procedimiento
sencillo que consiste en asignar un píxel a un mineral según diferentes valores de
umbral de gris que coincidan con el píxel en varias longitudes de onda. Según López­
´
Benito et al. (2020), los métodos de distancia de Mahalanobis y discriminante lineal
son los procedimientos más eficientes para la clasificación de minerales.
La Tabla 1 proporciona una revisión de los principales estudios sobre los métodos de
clasificación utilizados actualmente para la segmentación mineralógica por OM
automatizado. El enfoque matemático para cada método de clasificación se resume
en el Apéndice A y el Apéndice B.
El método de clasificación puede atribuir un píxel a una clase de mineral sin
clasificar; esto significa que el método de clasificación no pudo encontrar una especie
mineral en la base de datos de reflectancia que tenga una reflectancia similar al píxel
en cuestión. Pirard (2004) menciona la importancia de esta clase porque permite
detectar un mineral inesperado.
2.4. Evolución de la microscopía óptica automatizada
De acuerdo con la evolución de los procedimientos en el campo, podemos
distinguir dos métodos diferentes de tipo clasificación supervisada para la identificación
de fases minerales por OM automatizado:
• Identificación a través de la adquisición de imágenes basada en filtros rojo­verde­
azul (RGB) al comparar la reflectancia con las curvas de referencia usando
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

Fig. 3. Imágenes segmentadas caracterizadas después de la clasificación por una rutina de análisis de imagen usando procesamiento de umbral de gris. (A) imagen PPL; (B) imágenes segmentadas
finales de una operación de clasificación booleana.

Tabla 1
Revisión de los principales estudios sobre métodos de clasificación utilizados actualmente para la segmentación mineralógica por OM automatizado.

Autor(es) y Título del artículo Materiales estudiados Metodología Observaciones notables

Año

Bonifazi Técnicas multiespectrales digitales y Mineral de sulfuro: calcopirita, Distancia mínima euclidiana con Primer estudio comparativo notable entre
(1995) procedimientos de análisis de imágenes galena, pirita definición de la firma espectral rojo­verdeazul procedimientos supervisados y no
automatizados para el modelado de minerales industriales por parte del usuario para el procedimiento supervisados; los autores afirman que el
supervisado. El algoritmo del procedimiento procedimiento supervisado da mejores
no supervisado utiliza una distancia mínima a la resultados de clasificación.
media para clasificar cada píxel del mineral en
función del total.
distribución de valores en cada banda RGB.
Pirard y Segmentación de imágenes multiespectrales Varios minerales de sulfuro con Estudio comparativo entre métodos de clasificación Presentación de los principales métodos de
Bertholet en metalografía óptica arsenopirita, calcopirita, pirita, y identificación mineralógica manual de clasificación de imágenes multivariados basados
(2000) esfalerita, galena, pirrotita, colores en filtros rojo­verde­azul: multigaussiano,
bornita, covellita y tetraedrita método del vecino más cercano, casco convexo,
clasificación kernel (Apéndice A).
El estudio comparativo de los
métodos de clasificación arroja resultados
robustos. Los autores afirman que la
birreflectancia y el pleocroísmo de los minerales
afectan fuertemente el desempeño de los
métodos de clasificación.
Chopard Cuantificación automatizada de sulfuros por Mezclas de minerales estándar: Segmentación realizada por el software GOCAD Segundo estudio destacado que utiliza el software
et al. microscopía óptica multiespectral calcopirita, pirrotita, arsenopirita, © con imágenes multiespectrales (365 nm, 436 nm, Clemex Vision © para realizar la segmentación
(2019a) pirita, esfalerita, galena 480 nm, 605 nm y 650 nm) y k­mean clustering de minerales. Este segundo software proporciona
como método de clasificación. Con una segmentación final de mejor calidad que el
las mismas imágenes multiespectrales se utilizó un software GOCAD © con una clasificación
segundo software: el software Clemex Vision © booleana simple. Primer estudio notable que utiliza
con una clasificación booleana simple. una imagen UV para el análisis de imágenes
multiespectrales. La segmentación solo se realiza
en una zona parcial de una muestra (no se ha
aportado una cuantificación
mineralógica completa)
.
´
López­ Microscopía de mineral automatizada basada Estándares minerales opacos en Estudio comparativo entre métodos de clasificación Los autores presentan los métodos de
Benito en mediciones multiespectrales de secciones delgadas. para segmentación de minerales realizado clasificación recientes para el análisis de imágenes
et al. reflectancia especular. I– Un estudio comparativo con imágenes multiespectrales completas (desde multiespectrales. Los autores destacan que la
(2020) de algunas técnicas de 365 nm hasta 1.000 nm) por sistema AMCO©. distancia de Mahalanobis y los métodos
clasificación supervisada. El estudio comparativo se realizó sobre patrones discriminantes lineales dan los mejores
minerales opacos. resultados de clasificación.
Cada método de clasificación se proporciona en el
Apéndice B.

métodos de clasificación (Berry et al., 2008; Bonifazi, 1995; • Método de identificación multiespectral basado en umbralización de
Castroviejo et al., 2002; Donskoi et al., 2007; Lane et al., 2008; grises asociado a filtros espectrales y comparación de las curvas de
Pirard y Bertholet, 2000); y reflectancia combinado con métodos de clasificación (Berrezueta et al.,

5
Machine Translated by Google
B. De Castro et al.
2016; Bouzahzah et al., 2008; Chopard et al., 2019a; Donskoi et al., 2010; Evrard y
´
Pirard, 2013; López­Benito et al., 2020; Pirard, 2004; Pirard y De Colnet, 2000).
En Pirard y De Colnet (2000), los autores afirmaron que el uso de filtros OM con un
ancho de banda espectral preciso puede permitir obtener datos de reflectancia con una
resolución espectral cercana a las curvas de referencia QDF, en comparación con el uso
anterior de filtros RGB.
En consecuencia, el MO automatizado para la caracterización mineralógica ha
evolucionado desde la década de 2000. El OM automatizado evolucionó a partir de una
medición de reflectancia de minerales utilizando filtros RGB (p. ej., Bonifazi (1995); Don
skoi et al. (2007); Lane et al. (2008); Pirard (2004); Pirard y De Colnet (2000)) a una
medición más completa de la reflectancia de los minerales utilizando varios filtros de ancho
de banda precisos (p. ej., Chopard et al. (2019a); Donskoi et al. (2010); Lopez­Benito et al.
´
(2020); Pirard (2004); Pirard y De Colnet (2001)). Por lo tanto, el análisis óptico de imágenes
multiespectrales (OMIA) se puede atribuir por primera vez a Pirard (2004). Esta evolución
hacia OMIA con procedimientos de clasificación eficientes parece proporcionar una
segmentación mineral eficiente mediante OM automatizado.
Sin embargo, Pirard (2004) y Lane et al. (2008) afirman que OMIA tiene varias
limitaciones que pueden generar caracterización mineralógica
errores:
• La birreflectancia/pleocroísmo de ciertos minerales (variación de la reflectancia en
función de la orientación del cristal: p. ej., arsenopirita, pirrotita, calcopirita, covellita)
podría complicar su identificación con OMIA; • El efecto de borde: en la interfaz entre
dos minerales de
alta y baja reflectancia, los píxeles de reflectancia intermedia/mixta se clasificarán como
especies minerales de reflectancia intermedia; • La superposición de reflectancia de
los minerales: la clasificación mineralógica es eficaz si los minerales no
tienen una superposición de reflectancia superior al 5 % según las curvas de referencia
QDF; y • La incapacidad de OMIA para detectar partículas minerales transparentes, lo
que puede generar algún sesgo de cuantificación mineralógica (un tema
discutido en la Sección 3.1).
El problema de la identificación mineral birreflejada/pleocroísta bajo OM automatizado
parece resolverse mediante el uso de IA multiradial adicional con procedimientos OMIA,
como lo investigaron algunos autores ( Pirard y De Colnet (2001); Pirard y Lebichot (2004);
Pirard et al. ( 2007)). La IA multidial consiste en la medición de la reflectancia de partículas
minerales en diferentes posiciones angulares. El objetivo es considerar las variaciones de
reflectancia de las partículas minerales con birreflectancia/pleocroísmo durante los
procedimientos de clasificación, lo que permite una identificación mineral más eficiente.
Sin embargo, el sistema AMCO© (el sistema más avanzado para OMIA actualmente en el
campo del OM automatizado) no incluye una plataforma giratoria. El sistema no parece
permitir que un IA multiradial realice una medición de birreflectancia/pleocroísmo. El
sistema AMCO© proporciona una medida de reflectancia obtenida en la orientación
aleatoria de la
partículas minerales. Sin embargo, el sistema permite la identificación eficiente de minerales
con comportamiento de birreflectancia/pleocroísmo, como pirrotita, arsenopirita o covelita
´
(López­Benito et al., 2020) mediante el método de clasificación mineralógica avanzada y
eficiente (distancia de Mahalanobis y discriminación lineal), sin realizar IA multirradial.
Con respecto a los problemas de clasificación de la superposición de la reflectancia
mineral y los efectos de borde, el sistema AMCO© propone un procedimiento OMIA
avanzado: procedimientos supervisados que combinan el desarrollo de una base de datos
de reflectancia de 40 minerales (primero enriquecido por Castroviejo et al. (2009); Pirard et
al (2008) de la base de datos QDF) y métodos de clasificación eficientes (distancia de
Mahalanobis y discriminación lineal). El sistema propone medidas de reflectancia tanto en
el dominio espectral visible y VNIR, como en el dominio UV (365 nm) (también investigado
por Chopard et al. (2019a)) para realizar el procedimiento supervisado. Los resultados
publicados por López­Benito et al. (2020) demuestran la correcta clasificación de los
´
minerales estudiados sin
6
Ingeniería de Minerales 189 (2022) 107896
clasificación errónea relacionada con el problema de superposición de reflectancia (excepto
para los minerales de comportamiento de reflectancia plana: casiterita, cromita, esfalerita y
wolframita). No se menciona el tema del efecto frontera en el trabajo de López­Benito et al.
´
(2020), lo que puede explicar los errores de clasificación de los minerales estudiados.
En consecuencia, los procedimientos avanzados de OMIA que proponen mediciones
de reflectancia en varios dominios espectrales (como los propuestos por el sistema
AMCO©) parecen resolver las limitaciones de OMIA (excepto la detección de minerales
transparentes, discutida en la Sección 3.1) .
La Tabla 2 proporciona una revisión de los principales estudios sobre la evolución del
OM automatizado, incluida la evolución de los filtros RGB hacia OMIA y el enfoque
abandonado de IA multiradial.
3. Recomendaciones para mejorar la microscopía óptica automatizada
En esta sección, se brindan varias recomendaciones para mejorar el OM automatizado
de acuerdo con la revisión presentada en la sección anterior (Sección 2). La primera parte
trata sobre la detección de minerales transparentes mediante OM automatizado. Esta
limitación es considerada por los autores del presente trabajo como fundamental. La
segunda parte sugiere varias mejoras para el OM automatizado para proponer
procedimientos de identificación mineralógica más efectivos. La tercera parte propone más
estudios comparativos y de casos utilizando OM automatizado para probar la efectividad
de la técnica en un contexto geometalúrgico.
3.1. Detección de minerales transparentes mediante microscopía óptica automatizada:
problemas comunes
Como se mencionó anteriormente, la OM de luz reflejada queda limitada a la detección
de fases opacas (principalmente minerales sulfurados/óxidos), en detrimento de las fases
transparentes (principalmente minerales silicatados y carbonatados). La dificultad proviene
de la confusión entre los minerales transparentes y la resina utilizada para la sección pulida
del material particulado durante los procedimientos de clasificación de OMIA (Donskoi et
´
al., 2007; Lopez­Benito et al., 2020; Neumann y Stanley, 2008; Poliakov y Donskoi, 2014).
Sin embargo, para muestras intactas (p. ej., fragmentos de muestras de núcleos de
perforación), este problema nunca es relevante porque la muestra cubre toda el área de la
sección pulida y los píxeles minerales no opacos pueden identificarse como minerales
transparentes.
Muchos minerales transparentes tienen una reflectancia muy similar (p. ej., cuarzo,
sericita, fluorita, barita) a la resina comúnmente utilizada para la preparación de secciones
´
pulidas ( Berry et al., 2008; Lopez­Benito et al., 2020; Neumann and Stanley, 2008;
Poliakov y Donskoi, 2014). Ambos materiales tienen una curva espectral de reflectancia
plana con un valor de reflectancia bajo (alrededor del 5 %); esto se vuelve indistinguible en
las imágenes ópticas segmentadas finales.
La incapacidad del OM automatizado para detectar minerales transparentes puede resultar
en una dificultad de determinación con respecto a la cuantificación del grado mineral y un
sesgo de la cuantificación de la textura de las partículas minerales estudiadas, como el
grado de liberación mineral.
La dificultad de determinación mencionada se refiere a la sobreestimación sistemática
de minerales opacos detectados por el OM automatizado. Por ejemplo, una muestra de
mineral de oro que contenga menos del 1 % de minerales de oro y más del 99 % de
minerales transparentes, un OM automatizado puede detectar fácilmente las partículas del
mineral de oro. Por lo tanto, el dispositivo de OM automatizado solo proporciona una
cuantificación de leyes de minerales sesgada normalizada a minerales de oro opacos sin
ninguna información de cuantificación mineralógica sobre minerales transparentes. Como
elementos nativos o fase de aleaciones, los minerales de oro son muy brillantes con una
típica curva de reflectancia extrema (no solución sólida de oro en otros minerales): 40 %
entre 400 y 500 nm y una reflectancia creciente entre 500 y 700 nm con un pico de más 90
% de reflectancia a partir de 600 nm (Criddle y Stanley, 1993; Lopez­Benito et al., 2020).
Por lo tanto, un OM automatizado puede escanear rápidamente una sección pulida
´
enfocándose en la detección de partículas muy brillantes con el uso de un filtro de 667 nm
y un alto valor relacionado de umbral de grises.
En consecuencia, una rutina de procedimiento de análisis de OM automatizado puede ser
Machine Translated by Google

B. De Castro et al.
Ingeniería de Minerales 189 (2022) 107896

Tabla 2
Revisión de los principales estudios sobre la evolución de la MA automatizada.

Autor(es) y Título del artículo Materiales estudiados Metodología Observaciones notables

Año

Pirard y Mejora de la segmentación Pirita, pentlandita, arsenopirita Distancia y mínimo de Mahalanobis Primer estudio comparativo notable sobre el uso de
De Colnet de minerales en microscopía Distancia euclidiana utilizada con filtros RGB filtros RGB secuenciales y filtros multiespectrales para
(2000) óptica con imágenes multiespectrales secuenciales de estudio comparativo y la segmentación de minerales.
filtros multiespectrales (360 nm, 438 nm, 489 nm, Los autores afirman una mejor discriminación entre las
591 nm, 692 nm, 870 nm). fases minerales con imágenes multiespectrales.

Pirard y Imagen multirradial en óptica Ensamblaje de minerales de óxido de hierro: Clasificación supervisada de Fisher Linear Primer estudio notable sobre una combinación de
De Colnet Microscopía de minerales magnetita, ilmenita y hematita. Likehood con imágenes tomadas desde diferentes imágenes multirradiales con multiespectrales para
(2001) direcciones de polarización e imágenes mejorar la clasificación mineralógica bajo OM.
multiespectrales (438 nm, 489 nm, 591 nm, 692 nm).
Los autores afirman que se necesitan más desarrollos
en hardware y software para mejorar la eficiencia

de la herramienta.
Pirard Imágenes multiespectrales de Varios minerales de paragénesis de sulfuro: Estudio comparativo de filtros RGB secuenciales Resumen de los avances en las técnicas de adquisición
(2004) minerales minerales en microscopía óptica. bornita, pirita, arsenopirita, calcopirita y filtros multiespectrales con el uso de la distancia de imágenes digitales. Primer estudio que
y estanita. de Mahalanobis como método de propone el uso de filtros de ancho de banda precisos;
clasificación. primer estudio notable sobre OMIA que proporciona
una mejor clasificación mineralógica
que los filtros RGB secuenciales.
El autor describe las principales limitaciones de OMIA
(efecto borde, detección de minerales de ganga
transparente)
. El autor menciona la importancia de agregar
imágenes multiradiales para considerar la birreflectancia/
pleocroísmo de los minerales para mejorar la
identificación de partículas.
Pirard y Análisis de imágenes de óxidos de Mineral de óxido de hierro: magnetita, hematita, Clasificación de Fisher con umbral de Primer estudio significativo que permite diferenciar las
Lebichot hierro bajo el microscopio óptico goethita, ilmenita con pirita, goethita, gris en tres imágenes espectrales (470 nm, 546 fases de óxido de hierro con una combinación de
(2004) pirrotita y marcasita. nm, 650 nm) con el uso de análisis multirradial realizado imágenes multiespectrales y multiradiales,
por el software MultiSpec ©. lo que era imposible con imágenes SEM­EDS.

Pirard et al. Análisis de textura de partículas
(2007) utilizando imágenes de luz polarizada
e intersecciones de nivel de gris
Lane et al. Técnicas y aplicaciones de metalurgia
(2008) predictiva y caracterización de minerales
mediante análisis óptico de imágenes
Varias texturas de hematites dentro de una
formación de hierro en bandas donde la
textura tiene un impacto importante en el
comportamiento durante el proceso
de fabricación de hierro.
Muestras de pruebas de flotación de Cu, Pb,
Zn: calcopirita, pirita, galena, esfalerita y
enargita.
Presentación de dos métodos desarrollados usando
imágenes multiradiales y espectrales para identificar
los límites de los cristales en fases minerales:
imágenes a 589 nm bajo varias orientaciones de haz
incidente polarizado.
El método de procesamiento de imágenes utilizado
fue la longitud de intersección de los niveles de gris.
La clasificación de la textura (especular frente a
granular) se calculó con un método de análisis
específico (distribución de volumen de
estrellas) después de la delimitación de los cristales
mediante los métodos desarrollados.
Segmentación realizada en imágenes RGB con
método de clasificación booleano en
Software Clemex Vision©. El método desarrollado
Segundo estudio notable sobre una combinación de
imágenes multirradiales con multiespectrales para la
clasificación mineralógica bajo OM. El método
desarrollado permite la identificación de cristales
individuales en partículas minerales de
birreflectancia/pleocroísmo. El método
desarrollado permite la cuantificación de texturas
minerales como las fases especular y granular.
Primer estudio notable que utiliza algoritmos
booleanos simples para el método de
clasificación de minerales con el software Clemex

proporciona información mineralógica relevante para Vision © para realizar la segmentación de

la interpretación de los resultados minerales.
metalúrgicos: distribución de tamaños, liberación Los autores discuten el uso de filtros

de minerales y datos de ley/recuperación. multiespectrales para distinguir especies minerales que

exhiben una reflectancia superpuesta
como el futuro de la automatización.

mineralogía OM.
Donskoi Avances en análisis de imágenes Mineral de óxido de hierro: hematita, goethita, Segmentación con algoritmos IA complejos para Discusión sobre las dificultades de segmentación de
et al. ópticas y clasificación magnetita y otras fases del proceso de coque identificación de minerales asociados a filtros los minerales de hierro.
(2010) textural de finos de mineral de hierro (componentes derivados del material, espectrales realizados por software Mineral/ Los autores introducen el uso de filtros espectrales
hematita secundaria). Recognition ©. El procedimiento permite la para mejorar la distinción entre minerales que tienen
cuantificación de la composición mineral y la una reflectancia superpuesta,
identificación textural. particularmente para los minerales de hierro. El
uso de filtros espectrales fue introducido por primera
vez por Pirard y De Colnet (2000).

Donskoi y Avances en Imagen Óptica Minerales de hierro: partículas de goethita, Se utilizó el paquete de software Mineral/ Estudio que discute problemas debido
Poliakov Análisis de segmentación textural en hematita y ganga con fases derivadas Recognition©, se incluyeron descripciones de sus a la segmentación de fases del procesamiento
(2020) siderurgia de la fabricación de hierro (sinterizado de características en el paper. del mineral de hierro (planta de coque) que son difíciles
mineral de hierro, carbón y coque). de distinguir por OM automatizado: hematita primaria y
secundaria y diferentes componentes derivados
del maceral.
El estudio confirma el desempeño de la
segmentación de estas fases por el sistema
Mineral / Recognition con el uso de sofisticados
algoritmos de procesamiento de imágenes.

(Continúa en la siguiente página)

7
Machine Translated by Google
B. De Castro et al.
Tabla 2 (continuación )
Autor(es) y Título del artículo Materiales estudiados
Año
fácilmente desarrollado para encontrar suficientes partículas de oro para evaluar la
representatividad de las muestras (Blyth, 1986; Brough et al., 2019; Howarth, 1998) tal como
ya lo han propuesto los dispositivos SEM­EDS automatizados: por ejemplo, el modo TMS de
QEMSCAN© (Ayling et al., 2012; Butcher et al., 2000) o el modo TBPS de TIMA© (Hrstka et
al., 2018).
El grado de liberación mineral mencionado consiste en medir el grado de cada partícula
(es decir, el porcentaje de minerales de interés (MOI) en las partículas) y la distribución del
MOI entre los grados de partículas (es decir, el porcentaje de minerales en cada grado de
partícula) (Petruk, 2000). El grado de liberación de minerales se convierte en un parámetro
esencial para el procesamiento de minerales, como la flotación. El objetivo de este tipo de
proceso es obtener un grado de liberación optimizado para la MOI de cada partícula en el
tamaño de partícula más grueso posible (Bradshaw, 2014; Cropp et al., 2013; Runge et al.,
2003; Trahar, 1981). Por lo tanto, la detección tanto de la MOI como de los minerales de
ganga (fases transparentes como los silicatos) es fundamental para evitar una medición
incorrecta de las partículas y del grado de liberación, y para interpretar mejor los resultados
de recuperación de un proceso determinado (Fig. 4 ) . Por ejemplo, considere una partícula
de intercrecimiento compuesta por el MOI y un mineral de ganga transparente. La MOI
constituye del 30 al 40 % de la superficie de esta partícula, lo que corresponde a un grado
de liberación del 30 al 40 % (Fig. 4­A). Con un OM automatizado, donde el mineral
transparente no se detecta en la cuantificación, aparece un sesgo de cuantificación: la
partícula se considerará como varias partículas más pequeñas de MOI y el MOI se identificará
como completamente liberado (100 % del grado de liberación) (Fig . 4­B).
Los principales autores en el campo consideran que esta es la principal limitación para
los métodos ópticos automatizados (p. ej., Berrezueta et al. (2016); Grunwald et al. (2019);
Neumann y Stanley (2008); Pirard (2004)).
Por lo tanto, este problema impide la diversificación de las aplicaciones de OM automatizadas
para la cuantificación mineralógica automatizada, como el sistema SEM­EDS automatizado
que realiza una identificación/cuantificación de minerales transparente. Debido a este
problema, se considera que el MO automatizado tiene, por el momento, solo aplicaciones de
nicho de interés, como la caracterización del mineral de hierro, donde los óxidos de hierro
a menudo se encuentran en el mercado.
Fig. 4. Sesgo de cuantificación para el grado de liberación mineral bajo MO. (A) una partícula de intercrecimiento con un grado de liberación de 30– 40 % para el mineral de interés (MOI)
(relleno negro) en comparación con el resto de la partícula (mineral de ganga transparente, relleno gris); (B) la misma partícula de intercrecimiento bajo OM automatizado informa un grado
de liberación del 100 % para el MOI sin la detección del mineral de ganga transparente (contorno punteado).
8
Ingeniería de Minerales 189 (2022) 107896
Metodología Observaciones notables
La umbralización dinámica y el uso de filtros
espectrales permiten una
segmentación efectiva. Las técnicas ya
fueron discutidas en estudios previos de estos autores.
La cuantificación de la textura habilitada
posteriormente por el software permite mejorar
la predicción del rendimiento del proceso.
representan las principales leyes minerales y no se pueden discriminar bien mediante SEM­
EDS automatizado (Donskoi y Clout, 2005; Donskoi et al., 2011; Donskoi et al., 2010;
Donskoi et al., 2007; Pirard y Lebichot, 2004).
La Tabla 3 revisa los principales estudios sobre detección de minerales transparentes
por OM automatizado.
El trabajo de Berry et al. (2008); Hunt et al. (2011) propusieron la identificación de
partículas minerales (partículas transparentes y opacas).
El procedimiento se realiza en secciones delgadas pulidas bajo luz transmitida y reflejada, lo
que implica tanto una preparación compleja de la muestra (Sección 2) como una adquisición
óptica/IA automatizada compleja. Sin embargo, es importante mencionar que este enfoque
desarrollado permite una identificación efectiva de minerales transparentes como cuarzo,
minerales de barita o carbonato, categorías de píxeles de feldespato rojo. El software,
Defininiens Developer©, solo se ha utilizado en los estudios antes mencionados y los
autores relacionados confirman que el sistema de OM automatizado propuesto no se ha
investigado más y ha sido abandonado (Berry, 2022).
La obtención de imágenes de sección delgada pulida también se ha propuesto en otro
estudio centrado en la preparación de muestras para realizar la detección de partículas
transparentes (Grunwald et al., 2019). Los autores propusieron estudiar la reflectancia de
muchas resinas, como en el trabajo de Neumann y Stanley (2008). El objetivo era obtener
un contraste de reflectancia distinto entre la resina y el cuarzo para facilitar la detección. La
principal conclusión de Neumann y Stanley (2008) es que no existe un contraste de
reflectancia relevante entre las diversas resinas investigadas (preparadas como secciones
pulidas) y las partículas minerales transparentes. Sin embargo, Grunwald et al. (2019),
quienes propusieron el uso de secciones delgadas pulidas, obtuvieron mediante el
procesamiento de umbrales grises dos firmas espectrales distintas entre la resina
fluorescente y las fases transparentes para discriminar entre ellas.
Muchos otros autores se han interesado en la discriminación de minerales transparentes
para la caracterización de minerales de hierro (Delbem et al., 2015; Poliakov y Donskoi,
2014). Esos estudios utilizaron un algoritmo específico de discriminación basada en bordes
entre minerales transparentes. el objetivo era
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

Tabla 3
Revisión de los principales estudios sobre detección de minerales transparentes por OM automatizado.

Autor(es) y Título del artículo Materiales estudiados Metodología Observaciones notables

Año

Neumann Datos de reflectancia especular para cuarzo Partículas de cuarzo del mineral de Mediciones de reflectancia realizadas por OM Primer estudio notable sobre el tema de
y y algunas resinas epoxi: implicaciones para pegmatita en varias resinas epoxi en muestras de cuarzo y varias resinas epoxi la detección de partículas minerales
Stanley el análisis de imágenes digitales basado comerciales (Araldite, Epothin y comerciales. El objetivo era comprobar si existe transparentes bajo OM reflejado. El estudio
(2008) en microscopía óptica de luz reflejada Epocolor de Buehler, Araldite alguna posibilidad de separar el cuarzo de proporciona la razón relevante del problema:
enriquecida con fluorocromo de Struers). las resinas epoxi para OM automatizado por la medición de la reflectancia entre el
reflectancia. cuarzo y las diversas resinas epoxi son muy
medición. similares
(alrededor del 5 % de diferencia).
El estudio concluye que no existe un
contraste de reflectancia relevante entre la
resina epoxi y las partículas transparentes
como el cuarzo para discriminarlas durante
el análisis OM automatizado.
Berry et al. Identificación de minerales automatizada por Mineral de pórfido de cobre: bornita, Segmentación basada en cuatro Primer estudio notable que utiliza ambos modos
(2008) Microscopia óptica calcopirita, hematita, magnetita, pirita, imágenes RGB por luz transmitida y de luz de OM: reflejada y transmitida
cuarzo, feldespato, carbonato, clorita, reflejada (planos y polarización luz para identificación automatizada
moscovita y epidota. cruzada) leídas directamente en 12 bandas de minerales (opacos y transparentes) por luz
de umbral de gris realizadas con Definiens plana y polarizada (APL).
Developer ©. Se utilizó un árbol de procesos Según los autores, los minerales transparentes
como método de clasificación. son más difíciles de identificar con la
metodología propuesta, pero el procedimiento
de clasificación que incluye la orientación de
la partícula transparente mediante luz
transmitida permite su identificación.

La metodología parece ser eficiente con la

preparación de secciones pulidas.

Hunt et al. Caracterización del potencial de
(2011) flotación y liberación de calcopirita:
Ejemplos de un depósito IOCG
Mineralización de óxido de hierro­
cobre­oro de núcleos de perforación medio
triturados montados en una sección
pulida.
Segmentación realizada por imágenes
de luz transmitida y reflejada (planos y
polarizados cruzados) con el software
Definiens Developer. La clasificación de
minerales se calculó mediante un
algoritmo de árbol de procesos con cuatro
imágenes RGB. El software también realizó
la cuantificación mineralógica (composición
mineral, tamaño de partícula, grados de
liberación) y la simulación de fragmentación.
Los resultados se compararon con mineralogía
automatizada SEM­EDS.
Segundo estudio notable que utiliza ambos
modos de luz de OM: luz reflejada y
transmitida para la identificación
de minerales (opacos y transparentes) por APL.
Estudio muy similar al de Berry et al. (2008).
La simulación de fragmentación
calculada por el software con análisis óptico
también es muy nueva en el campo.
El estudio comparativo de la muestra analizada
proporciona resultados coherentes y confirma
el rendimiento del método OM presentado.

Poliakov y Discriminación automatizada Óxidos de hierro mineral con minerales Presentación de algoritmos de IA para Primer estudio notable sobre un nuevo método
Donskoi basada en relieve de minerales no transparentes como el cuarzo en secciones realizar la detección de partículas de IA para discriminar partículas transparentes
(2014) opacos en el análisis de imágenes ópticas pulidas. transparentes basados en y resinas epoxi basadas en la
umbralización dinámica por OM automatizado. discriminación de bordes de partículas transparentes.
El algoritmo IA desarrollado realiza un umbral
dinámico (y otras correcciones) en
función del relieve óptico que presentan las
partículas transparentes.
La aplicación desarrollada ha sido integrada
en la última versión del software Mineral/
Recognition©. El método IA parece ser eficiente
solo para minerales transparentes que
presentan un relieve óptico (como el cuarzo)

Delbem et al. Caracterización semiautomática Mineral de hierro brasileño típico que Presentación de algoritmos de IA para
(2015) de mineral de hierro basada en análisis contiene cuarzo y minerales de realizar la detección de partículas
de microscopio óptico: clasificación de óxido/hidróxido (magnetita, hematita y transparentes basados en
cuarzo/resina goethita) umbralización dinámica por OM automatizado.
Estudio comparativo de cuantificación
mineralógica (incluyendo cuantificación de
liberación) entre OM automatizado (con
aplicación de algoritmo IA desarrollada)
y SEM­EDS automatizado (MLA©) en la
misma
muestra.
.
Segundo estudio notable sobre un nuevo
método de IA para discriminar entre
partículas transparentes y resinas epoxi
basado en la discriminación de bordes de
partículas transparentes.
Algoritmo IA basado en la detección de bordes
de partículas transparentes con un relieve
óptico; muy similar al algoritmo de
Poliakov y Donskoi (2014).
El estudio comparativo proporciona mejores
resultados para la cuantificación mineralógica
por OM automatizado en comparación con
MLA©, particularmente para la
discriminación de óxido/hidróxido;
la cuantificación de la liberación mineralógica
fue similar para ambas técnicas mineralógicas automatizadas.

(Continúa en la siguiente página)

9
Machine Translated by Google
B. De Castro et al.
Tabla 3 (continuación )
Autor(es) y Título del artículo Materiales estudiados
Año
Grünwald Un método confiable para la distinción Partículas de cuarzo en varias resinas
et al. automatizada de ganga de cuarzo y epoxi (colorantes y fluoresceína) con
(2019) resina epoxi con microscopía de luz preparación de sección delgada
reflejada y su aplicación al análisis de pulida.
imágenes digitales
para identificar los bordes de los minerales transparentes mediante la realización
de una umbralización dinámica basada en el relieve óptico que presentan las
partículas transparentes, como el cuarzo. Se realizaron muchas otras
correcciones para mejorar esta detección, como se describe en los estudios. El
relieve óptico está ligado a la diferencia de índice de refracción entre la partícula
y la resina utilizada para montar la sección pulida. En consecuencia, esta
propiedad óptica depende de la especie mineralógica. Solo los minerales
transparentes como el cuarzo mostraron una detección significativa con este
enfoque. Por ello, Poliakov y Donskoi (2014) proponen el uso de una resina
epoxi específica con alto índice de refracción. Esto proporcionaría un alivio
óptico para ciertas fases minerales con índices de refracción bajos y permitiría
realizar el procesamiento/IA propuesto.
En conclusión, la detección de minerales transparentes por OM automatizado
sigue siendo un problema en el campo. La combinación de microscopía IA de
luz transmitida y luz reflejada realizada en secciones delgadas pulidas no se ha
investigado más (solo los estudios de Berry et al. (2008) y Hunt et al. (2011) han
propuesto esta solución). También se han explorado muchas resinas utilizadas
para la preparación de muestras para determinar si alguna resina puede
presentar una reflectancia espectral específica (Grunwald et al., 2019; Neumann
y Stanley, 2008) para discriminarla de los minerales transparentes; solo la
resina fluorescente combinada con la preparación de secciones delgadas pulidas
proporcionó resultados pertinentes (Grunwald et al., 2019). Sin embargo, y
como ya se mencionó (Sección 2), el enfoque desarrollado requiere la
preparación específica de muestras de polvo en secciones delgadas pulidas, lo
que resulta en una técnica de preparación larga y tediosa. Este tipo de
preparación es incompatible con las necesidades de la industria minera, que
quiere obtener rápidamente muestras de apoyo al estudio que estén listas para
el análisis (por ejemplo, para diagnóstico de procesos, diseño de diagramas de
flujo). Solo el procesamiento IA/ propuesto por Poliakov y Donskoi (2014) y
Delbem et al. (2015), que realiza una discriminación automatizada basada en el
relieve de minerales transparentes, parece ser eficiente. Sin embargo, solo los
minerales de cuarzo en una muestra de mineral de hierro fueron suficientemente
investigados en el campo, y los autores mencionaron que el método de
procesamiento/IA desarrollado no funciona con otros minerales transparentes
que no presentan un relieve óptico.
Sin embargo, estos métodos de procesamiento mencionados no pueden
identificar estrictamente los minerales transparentes solo su detección (p. ej., la
discriminación imposible entre una partícula de cuarzo y una partícula de calcita)
como los dispositivos SEM­EDS automatizados (excepto Berry et al. (2008);
Hunt et al . (2011) trabajo). La determinación de la mineralogía de ganga, como
partículas transparentes, es a veces incluso más importante que la
caracterización de solo minerales valiosos, como minerales opacos, como
ejemplo para el procesamiento de minerales, por ejemplo (Adams et al., 1997;
Du, 2008; Hausen y Bucknam) . , 1984) y cuestiones ambientales, por ejemplo,
(Dold, 2017; Elghali et al., 2018).
10
Ingeniería de Minerales 189 (2022) 107896
Metodología Observaciones notables
Medición de reflectancia realizada por el Segundo estudio destacado que propone la
sistema AMCO© en cuarzo y las resinas medida de la reflectancia entre
estudiadas para discriminar entre cuarzo y resina mineral transparente y resina para su
para una cuantificación mineralógica discriminación por OM automatizado. Solo la
confiable por OM automatizado. resina de fluorescencia muestra un alto
contraste entre el cuarzo y la resina.
El estudio propone generalizar el método
desarrollado con la muestra (sección delgada
pulida) para la cuantificación
automatizada de MO con el sistema AMCO©.
El método parece ser eficiente solo con la
preparación de muestras de sección delgada
pulida. Esta preparación de muestras es
particularmente larga y tediosa. La industria
minera no desea la preparación de secciones
delgadas pulidas; se prefiere la preparación
más rápida y sencilla de la sección
pulida.
En consecuencia, solo un método especial de IA/procesamiento desarrollado
por Poliakov y Donskoi (2014) y Delbem et al. (2015) proporciona resultados
relevantes. Aunque no se han investigado más a fondo otros minerales sin
relieve óptico, un enfoque de procesamiento/IA avanzado parece ser el mejor
método para realizar una detección óptima de minerales transparentes en
secciones pulidas utilizando OM automatizado. En el presente documento de
revisión se ha propuesto que el desarrollo de IA/procesamiento avanzado se
prosiga mediante la exploración de nuevos dominios de procesamiento de
imágenes digitales, como los algoritmos de reconocimiento de objetos, que se
han investigado recientemente en la IA microscópica automatizada (p. ej., Koh et al. ( 2021);
(2019); Seo et al. (2022)).
3.2. Hacia la mejora de los procedimientos de clasificación y óptica
cámaras
Como se mencionó en la Sección 2.4, el sistema más avanzado conocido
en el campo del OM automatizado es el sistema AMCO© (Grunwald et al., 2019;
´
Lopez­Benito et al., 2020). El sistema propone una identificación mineralógica
eficiente mediante procedimientos supervisados (comparación con una base de
datos de reflectancia mineralógica) y una medición de la reflectancia de las
´
partículas minerales en una muestra entre 350 nm y 1.000 nm ( López­ Benito
et al., 2020). Sin embargo, la medición de reflectancia completa necesaria para
el procedimiento requiere la aplicación de hasta 20 filtros espectrales realizados
por una rueda de filtros. El uso sistemático de filtros implica una larga adquisición
de imágenes multiespectrales para cada muestra analizada: una muestra debe
escanearse 20 veces (una vez por filtro). Por lo tanto, el procedimiento será
largo para una sola muestra (no se menciona el tiempo de análisis por muestra
en este documento específico).
Se puede recomendar un procedimiento más supervisado para optimizar el
procedimiento OMIA. De acuerdo con el conocimiento a priori de la composición
mineralógica de la muestra (basado en paragénesis, tipo de depósito u otra
información mineralógica ya proporcionada), solo se pueden operar algunos
filtros espectrales pertinentes para el procedimiento de segmentación de OM. La
medida de reflectancia elegida permitirá escanear la muestra solo unas pocas
veces a las longitudes de onda relevantes, por lo que se reducirá el número
necesario de filtros. Estas longitudes de onda relevantes deben elegirse de
acuerdo con el comportamiento de reflectancia de los minerales que se sabe
que están en la muestra. Estas longitudes de onda elegidas deben permitir una
discriminación óptima de cada mineral (firmas espectrales distintas) y evitar el
problema de la superposición de la reflectancia. De este modo, cada mineral
será fácilmente identificable mediante métodos de clasificación, a pesar de
realizar solo unas pocas mediciones de reflectancia. Sin embargo, este
procedimiento puede resultar en muchos píxeles sin clasificar y/o mal clasificados
si el conocimiento mineralógico a priori de la muestra es insuficiente.
Si no se proporciona información mineralógica mínima sobre el
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

muestra, la mejor solución sigue siendo proponer una medida de reflectancia
completa de las partículas minerales en la muestra (como propone el sistema
AMCO©). La ventaja de este enfoque es que el OM automatizado se convierte
en un "sistema de botón pulsador" (un sistema que automatizará todos los
procesos de identificación y cuantificación mineralógica sin la intervención de
un usuario, como los sistemas SEM­EDS automatizados). Sin embargo,
como se mencionó anteriormente, estas características requieren un hardware
de OM complejo con un procedimiento de análisis mineralógico largo
(especialmente la adquisición de imágenes multiespectrales que necesita el
escaneo de múltiples muestras con filtros). Una solución podría ser el
desarrollo de un nuevo tipo de cámara que proporcione directamente la
medición de reflectancia sin el uso de filtros espectrales. De esta manera, se
recomienda mejorar la sensibilidad espectral de las cámaras ópticas
comúnmente utilizadas en el campo de OM automatizado (cámara RGB). El
objetivo es desarrollar un nuevo tipo de cámara que obtenga mediciones
continuas del dominio espectral para cada píxel de una imagen óptica.
3.3. Aplicaciones y estudios comparativos
Todos los autores que han trabajado en este campo y numerosos
profesionales están de acuerdo en que el OM automatizado se ha convertido
en una técnica de alto rendimiento, fiable, de alta precisión, sin restricciones
y asequible. Representa un instrumento minerológico automatizado alternativo
a los comúnmente utilizados en la industria minera (SEM­EDS automatizado).
La información obtenida a través de OM automatizado permite comprender
mejor las propiedades mineralógicas de una muestra. La caracterización
mineralógica ayuda en la optimización, interpretación y predicción posterior
del rendimiento del procesamiento de minerales (Donskoi et al., 2016; Donskoi
et al., 2008; Donskoi et al., 2007; Evrard y Pirard, 2013). Desde la década de
2000 se han desarrollado algunos software/sistemas que permiten la
caracterización mineralógica automatizada mediante MO: MultiSpec©
(Bouzahzah et al., 2008; Pirard y Lebichot, 2004), Defi niniens Developer©
(Berry et al., 2008; Hunt et al. al., 2011; Hunt et al., 2010), Clemex Vision
Professional Edition © (Chopard et al., 2019a; Lane et al., 2008), Mineral/
Recognition© (Donskoi et al., 2021; Donskoi et al. , 2020), y CAMEVA©/
AMCO© (Berrezueta et al., 2016;

Tabla 4
Revisión de los principales estudios sobre aplicaciones de MA automatizado.

Autor(es) y Título del artículo Materiales estudiados Metodología Observaciones notables

Año

Donskoi Utilización de análisis de imágenes ópticas y Mineral de óxido de hierro: hematita, goethita Segmentación basada en canales RGB con Primera presentación del software Mineral/
et al. clasificación automática de texturas para la y magnetita. cuantificación automatizada de composición Recognition © desarrollado por CSIRO. La
(2007) caracterización de partículas de mineral de hierro modal, grados de liberación, porosidad combinación de resultados de OM automatizados

y textura. y análisis de sonda proporcionó la composición

química y la densidad de cada partícula para
calcular/evaluar una alimentación virtual (una
entrada clave para el rendimiento de la
predicción del proceso)
.
Donskoi Modelado y optimización de hidrociclón Mineral de óxido de hierro: hematita, goethita Simulación del desempeño de un El estudio comparativo entre el modelo desarrollado
et al. para el beneficio fino del mineral de y magnetita. hidrociclón basado en la segmentación de en IA óptico y el estudio experimental
(2008) hierro mediante análisis de imágenes ópticas partículas de mineral de hierro con el software proporciona una correlación relevante.
y clasificación de la textura del mineral Mineral/ Recognition © (método de
de hierro clasificación de canales RGB). Se recalculó la Los autores afirman que el nuevo enfoque

densidad de las partículas en base basado en la IA óptica permite predecir la

a su composición mineralógica y su recuperación de partículas según su
porosidad para simular la alimentación. textura con el fin de optimizar el rendimiento del
hidrociclón.

Evrard y Seguimiento de minerales/elementos Cobre alimentado, concentrado de flotación OMIA realizado para la identificación y Primer estudio reseñable sobre una solicitud de
Pirard críticos mediante análisis cuantitativo y cola: pirita, covelita, enargita, calcopirita, cuantificación mineralógica con tres filtros de OMIA. El estudio confirma que el OM
(2013) multiespectral: el caso de galena, tennantita y bornita. espectro: 438 nm, 591 nm y 692 nm). Se realizó automatizado proporciona una cuantificación
Chelopech (Bulgaria) un estudio químico comparativo sobre la misma mineralógica relevante para interpretar
muestra para verificar que el valor químico los resultados de recuperación de flotación.
recalculado a partir de la cuantificación Los autores discuten la importancia del muestreo
mineralógica se realiza para comprobar para la mineralogía automatizada.
la efectividad de los procedimientos OMIA.

Donskoi La información de textura del mineral de hierro Mineral de óxido de hierro: hematita, goethita, Utilizar el paquete de software Mineral/ Los autores destacan la importancia de la
et al. es la clave para la predicción del rendimiento magnetita y otras fases del proceso de Recognition © software sin descripción cuantificación de la textura para
(2016) del proceso aguas abajo sinterización y coque de sus características, pero ya mencionado comprender, predecir y optimizar el
en trabajos anteriores de los autores. rendimiento del procesamiento posterior.
Se utilizan diferentes estudios de casos
para la demostración.
Notable artículo que demuestra el interés
del OM automatizado para la predicción

del rendimiento del proceso mediante estudios

de casos.
Berrezueta Petrografía de mineral usando imagen óptica Veintidós muestras de mineral de oro (Zaruma­ Segmentación realizada por el sistema Estudio de caso notable sobre el uso de
et al. Análisis: Aplicación a Zaruma Portovelo): oro nativo, electro, esfalerita, CAMEVA© que permite a OMIA obtener OM automatizado con el sistema CAMEVA ©.
(2016) Yacimiento Portovelo (Ecuador) calcopirita, galena, pirita, pirrotita, bornita, imágenes multiespectrales completas (13 Los autores destacan que el estudio proporciona
hematita, calcocita, pentlandita, covelita, filtros entre 375 nm y 1025 nm) y clasificación información mineralógica
tetraedrita, bismuto nativo. mineralógica por el método de distancia de significativa sobre el depósito (por ejemplo,
Mahalanobis. El sistema proporciona una asociaciones minerales con oro). Los autores
cuantificación mineralógica completa. reivindican la importancia de que el
sistema sea supervisado por un experto (evitar el
efecto de caja negra)

11
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

´
Grunwald et al., 2019; López­Benito et al., 2020). 4. Conclusiones
El MO automatizado sigue siendo un instrumento mineralógico recientemente
automatizado que ha experimentado un desarrollo significativo desde la década de Este documento destaca los principios de OM en el modo de luz reflejada. Se ha
2000. Los estudios notables sobre el OM automatizado más avanzado son menos de cinco proporcionado una revisión completa de la evolución del OM automatizado.
´
años (Donskoi et al., 2021; Donskoi et al., 2020; Lopez­Benito et al., 2020). Por lo El OM automatizado utiliza mediciones de reflectancia mineral para realizar la
tanto, todavía existe una falta de aplicaciones para OM automatizado; pocos estudios identificación/cuantificación mineralógica. El OM automatizado ha evolucionado desde
han demostrado una aplicación concreta para el MO automatizado en la industria una medición de reflectancia de minerales con filtros RGB hasta una medición de
minera o con fines geometalúrgicos. La Tabla 4 presenta una revisión de las reflectancia más completa mediante procedimientos supervisados por OMIA (en
aplicaciones de OM automatizado en un contexto de predicción del rendimiento del varios dominios espectrales con filtros de ancho de banda precisos), incluido un
proceso, interpretación de la recuperación del proceso o información mineralógica método de clasificación efectivo. El MO automatizado todavía está en desarrollo y su
de un depósito dado. uso está limitado por el momento a aplicaciones mineralógicas de nicho (p. ej.,
Del mismo modo, estudios comparativos significativos tienen poco más de una caracterizaciones de minerales de óxidos de hierro). Sobre la base de esta revisión
década (Donskoi et al., 2021; Donskoi et al., 2011; Donskoi et al., 2020). La Tabla 5 de la literatura, se recomienda que se prosiga con este desarrollo. La figura 5 resume
presenta los estudios comparativos relevantes para el OM automatizado. Sin embargo, la evolución del OM automatizado y las mejoras recomendadas en este documento
los estudios comparativos entre OM automatizado y otras técnicas de caracterización de revisión. Los autores proponen varias recomendaciones para mejorar la
mineralógica (p. ej., difracción de rayos X/fluorescencia) o mineralogía automatizada caracterización mineralógica cuantitativa automatizada por OM. Estas
SEM­EDS son un paso esencial para probar la efectividad del OM automatizado. recomendaciones son:

Tabla 5
Revisión de los principales estudios comparativos de MO automatizado.

Autor(es) y Título del artículo Materiales estudiados Metodología Observaciones notables

Año

Castroviejo et Análisis de imagen digital
al. microscópica de minerales de oro: una
(2002) prueba crítica de metodología,
comparando la luz reflejada y la
microscopía electrónica
Bouzahzah Análisis modal de mezclas de minerales
et al. mediante análisis de imágenes
(2008) ópticas frente a difracción de rayos X
Mineral de oro de dos vetas en la Mina
Nueva Esparta (SO de Colombia) con oro y
sulfuros (arsenopirita,
galena, esfalerita, freibergita).
Mezclas de minerales estándar que simulan
colas de flotación: pirita, pirrotita,
calcopirita, esfalerita, carbonato y cuarzo.
Estudio comparativo de SEM­EDS y OM
automatizado para segmentación
de minerales en una misma zona de la
muestra. La segmentación óptica se realizó con
medición de reflectancia por filtros
RGB.
Estudio comparativo de OM automatizado y
difracción de rayos X. Segmentación realizada
sobre imágenes multiespectrales (437 nm y 591
nm) con verosimilitud lineal de Fisher
como método de clasificación realizado con
Primer estudio comparativo notable de SEM EDS
y OM automatizado para la identificación
de partículas de oro y sulfuros en un mineral.
Los autores afirman que el OM puede ser
suficiente para lograr los objetivos de
caracterización mineralógica y es más accesible
que el SEM.
Primer estudio comparativo notable de OM
automatizado y difracción de rayos X.
El estudio confirma la efectividad de OM con una
estimación de composición mineral muy cercana
entre OM y XRD.

el software Multispec©. Sin embargo, el estudio destaca la

Donskoi et al. Estudio comparativo de caracterización
(2011) de minerales de hierro mediante microscopio
electrónico de barrido y análisis de
imagen óptica
Mineral fino de hierro de dos australianos
yacimientos que incluyen magnetita,
hematita, goethita vítrea y ocre.
Estudio comparativo de cuantificación
mineralógica realizado por sistema Mineral/
Recognition ©, SEM EDS automatizado
(QEMSCAN©) y análisis de difracción
de rayos X/fluorescencia.
incapacidad del OM automatizado para cuantificar
minerales transparentes.
Notable estudio comparativo de OM automatizado y
SEM­EDS automatizado (con difracción de rayos X y
análisis de fluorescencia).
La cuantificación mineralógica proporcionada por OM
automatizado es muy similar a SEM­EDS.
El estudio muestra que el OM automatizado tiene
ventajas significativas para la
identificación de microporosidad (características
de textura críticas para el rendimiento del

procesamiento posterior) y
discriminación mineralógica
(hidrohematita y hematita) en
comparación con SEM­EDS automatizado.
Donskoi et al. Análisis automatizado de imágenes ópticas de minerales de hierro goéticos; goethita, Estudio comparativo de clasificación Segundo estudio comparativo notable que
(2020) minerales de hierro goetíticos. hidrohematita y partículas de ganga mineralógica realizado por sistema Mineral/ demuestra la capacidad del software Mineral/
(cuarzo, caolinita). Recognition© y análisis de difracción de Recognition © para caracterizar minerales de
rayos X/fluorescencia. hierro goetíticos.
El estudio comparativo prueba la efectividad
del método óptico para la caracterización del
mineral de hierro.

Los autores destacan cuestiones relacionadas con

la discriminación entre la goethita aluminosa, la

ganga, la micro y nano porosidad y las

Donskoi et al. Imagen óptica automatizada Tres muestras de sinterización con hematites Estudio comparativo de tres muestras de minerales
(2021) Análisis de sinterización de mineral de hierro primario, secundario, magnetita, vidrio, sinterizados mostrando una alta correlación entre
larnita y silicoferrita de calcio y aluminio la cuantificación con el software Mineral/
(proceso de sinterización en forma de fase). Recognition©, visualización manual,
difracción de rayos X y análisis de fluorescencia
X. El enfoque de OM automático muestra
una mejor comprensión de las propiedades de
sinterización y el cambio en las
propiedades de los minerales de hierro vinculados
a diferentes condiciones de sinterización.
mediciones de densidad.
Presentación del nuevo enfoque de
cuantificación de texturas bajo el software
Mineral/Recognition© basado en la composición
mineralógica de cada partícula: el nombre de la
clase se define de acuerdo a las fases más
abundantes que componen la partícula.
La técnica de segmentación ya fue discutida en
estudios previos de estos autores.

12
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

Fig. 5. Evolución de la técnica de MO automatizada desde la década de 2000, incluidas las mejoras recomendadas.

• El desarrollo de IA/procesamiento avanzado, como algoritmos de reconocimiento de
objetos para la detección/cuantificación de minerales transparentes mediante OM
automatizado; • La mejora de las
cámaras ópticas y los procedimientos de clasificación utilizados con OM automatizado
para una clasificación de minerales más eficiente; y
´
Benzaazoua: Redacción – revisión y edición. Aurelie Chopard: Escritura – revisión y edición.
Benoît Plante: Conceptualización, Redacción – revisión y edición.
Declaración de interés en competencia

• Estudios comparativos y estudios de casos en los que el OM automatizado es
aplicado en un programa geometalúrgico.
El desarrollo futuro propuesto de OM automatizado y sus aplicaciones en la minería
podría resaltar la importancia de la cuantificación mineralógica para las operaciones
mineras. Los bajos costos operativos y de capital y la facilidad de uso (un técnico estándar
calificado puede realizar un análisis de OM automatizado) constituyen una técnica
alternativa atractiva para el SEM­EDS automatizado de uso común.
Los autores declaran los siguientes intereses financieros/relaciones personales que
pueden considerarse como posibles intereses en competencia: Benjamin De Castro informa
que Clemex Technologies Inc proporcionó apoyo financiero.
Disponibilidad de datos
No se utilizaron datos para la investigación descrita en el artículo.

Agradecimientos
Declaración de contribución de autoría CRediT
Los autores agradecen a su socio Clemex Technologies Inc que pro
Benjamin De Castro: Redacción – borrador original. Mostafá proporcionó la financiación para este estudio.

Apéndice A. Métodos de clasificación para procedimientos de identificación mineralógica no supervisados bajo microscopio óptico con filtros RGB (Pirard y Bertholet, 2000)

Considerando una imagen que contiene m minerales correspondientes a la población de píxeles diseñada (M1, ,Mm). El píxel correspondiente a m minerales de referencia se indica
como T como (T1, ,Tm), cada uno de los cuales tiene una firma espectral de filtros RGB de forma vectorial r = (rR,rG,rB) . El objetivo de la clasificación es asignar r a una fase mineral
anotada φ tal que la probabilidad de que r pertenezca a Mφ sea maximizada, anotada (ecuación (A1)): P(Mφ/r) = pφfφ(r)

(A1)

• pφ: la probabilidad de apriorismo (1/m); y • fφ(r): la

probabilidad posterior de un mineral φ correspondía a un píxel observado ubicado en su espacio multiespectral R.

13
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

El método de clasificación cuadrática multigaussiana calculó para cada vector r de un píxel, la probabilidad de pertenecer al mineral φ usando un
estimación con respecto a una distribución gaussiana de firmas:
1

T ∑− (A2)
fφ(r)∞ exp[ − (r − μφ) φ (r − μφ)/2 ]

1
• μφ = norte
∑N j=1rφj siendo N el número de píxel del mineral de referencia con firma espectral.

Este método de clasificación se considera bien adaptado para la segmentación de minerales, pero es muy sensible a una mala selección de firmas
espectrales.
El método de clasificación del vecino más cercano estima una probabilidad posterior de asignar un píxel a un mineral φ que es el más representado en el
grupo vecino más cercano en el espacio espectral (distancia euclidiana):

3
∑m (rR − RG − rB) (A4)
fφ(r) = Min Mφ [ √ r=1 ]

• MinMφ: asignación del píxel m al mineral φ que tiene el valor más pequeño en comparación con las firmas espectrales de referencia de los minerales.

El método de clasificación del vecino más cercano se considera un método robusto incluso con una firma espectral de referencia deficiente o una imagen degradada.
Los efectos de borde se ven más claros después de la segmentación en comparación con la clasificación cuadrática multigaussiana. Sin embargo, el método parece ser menos robusto
cuando las referencias espectrales presentan una reflectancia superpuesta.
El método de clasificación de casco convexo asume que cada píxel sigue una ley de Poisson en el espacio espectral de acuerdo con una probabilidad
a priori utilizando la medida de Lebesgue λ. Cada píxel con firma r se asigna al componente para el que una expansión mínima de la carcasa de volumen
convexo permite incluir r:
pφ = λ(Dφ/l(D)) = V (A5)

El operador de Lebesque λ mide cada dominio D ocupado por φ en el espacio multiespectral; corresponde a un volumen de casco convexo V ocupado por Tφ.
Este método proporciona los mejores resultados en comparación con el método de clasificación cuadrática multigaussiana y un rendimiento similar al método del
vecino más cercano.
El método de clasificación del kernel asume que cada píxel sigue una ley de Poisson no estacionaria en el espacio espectral. Este método estima la
densidad de un área de píxeles de referencia en el espacio espectral con la densidad de la estimación Kernel K:

1
fφ(r) = ∑nφ yo=1
(A6)
( nφ(2hφ) 3) K ((x − hφ
xφi) )

• xφi: nφ píxeles del rango de referencia del mineral φ; y • hφ: el

rango de longitud de onda del filtro.

La clasificación de grano proporciona resultados muy similares al método de clasificación de casco convexo pero con mejores resultados cuando un mineral heterogéneo
se analiza la superficie. El uso del rango de longitud de onda del filtro proporciona un método muy pobre: se generan muchos píxeles sin clasificar.

´
Apéndice B. Métodos de clasificación para procedimientos supervisados de identificación de minerales bajo microscopio óptico (Lopez­Benito et al.,
2020)

Un espectro con medidas de reflectancia en m diferentes longitudes de onda se puede considerar como un punto x del espacio Rm, donde x se refiere a
una clase i que busca clasificarse a una clase mineralógica j a la que corresponde.
El método de clasificación del mapeador de ángulos espectrales consiste en medir la similitud del ángulo α formado por un vector conector un punto O = (0, , 0)
y las coordenadas X = (X1, , Xi) y Y = (Y1, , Yi): ∑m i=1XiYi

1
α = cos− (B1)
∑ X2i ∑ m Y2i
√ yo=1 yo=1

Se considera que es el método de clasificación más simple. La principal desventaja de este método es la imposibilidad de considerar la longitud del
vector (el equivalente de la medida del albedo espectral).
La distancia euclidiana normalizada da la distancia entre los puntos X e Y desde el espacio Rm:

2
dE(X, Y) = ∑m (Xi ­ Yi) (B2)
√ yo=1

Según los autores, este método de clasificación tiene dos inconvenientes principales:

• La diferencia entre las coordenadas puntuales para medidas de alta reflectancia proporciona mejores resultados de clasificación que para medidas de
baja reflectancia, ya que el método es muy sensible a los cambios de escala. Esto se puede evitar normalizando las coordenadas individuales a media cero y

14
Machine Translated by Google

B. De Castro et al. Ingeniería de Minerales 189 (2022) 107896

desviación estándar unitaria (restando la media y dividiendo por la desviación estándar); y

• Las coordenadas del punto se pueden correlacionar: las diferencias entre los valores de las coordenadas del punto proporcionan información redundante y la
la disimilitud entre los puntos puede ser exagerada.

La distancia de Mahalanobis proporciona la distancia entre los puntos X e Y desde el espacio Rm:

T
dm(X, Y) = √ (X ­ Y) V− 1(X − Y) (B3)

1 • V− es la matriz de covarianza.

Este método evita los inconvenientes de los cambios de escala. Se considera que es el mejor método de clasificación.
El método de clasificación del análisis discriminante lineal es un conjunto de técnicas estadísticas multivariables. Se considera una matriz X original con medidas de reflectancia sobre cada individuo
de la población en m dimensiones de la variable x (cada individuo es un punto del espacio Rm ). El objetivo del método es encontrar un subespacio de Rm en el que las distancias entre las proyecciones
de las medias de los grupos se maximicen dividiendo la matriz de varianza de x, S en dos matrices diferentes:

• Sb: la matriz de varianza entre clases, que representa las distancias entre las medias de los grupos (μi ) y la media total (μ); y • Sw: la matriz de varianza intraclase, que representa
las distancias entre individuos y la media del grupo al que pertenece cada uno de ellos.

Suponiendo un vector a Rm y la variable multivariada y = aTx, la varianza de y es:

W = aT Sa = aT .Sb.a + aT Sw.a (B4)

El objetivo es, por lo tanto, encontrar el vector a que maximiza la varianza entre los grupos conocido como el criterio de Fisher. La solución a este objetivo se demuestra en el artículo citado. Este
método se considera el método que proporciona los mejores resultados de clasificación, según los autores.

Referencias luz reflejada: resultados preliminares. En: Actas de la 10.ª reunión bienal de la SGA, Ciencia
inteligente para exploración y minería, Townsville, Australia, págs. 682– 684.

Adams, M., Swaney, S., Friedl, J., Wagner, F., 1997. Minerales que roban preg en minerales de oro
Castroviejo, R., Catalina, J., Bernhardt, H., Pirard, E., Segundo, F., Brea, C., Pérez
y residuos. SAIMM 163­172.
Barnuevo, L., 2010. Un sistema completamente automatizado para microscopía multiespectral de
Allard, B., Sotin, C., 1988. Determinación de porcentajes de fase mineral en rocas granulares minerales. En: Documento presentado en la 20ª Asamblea General de la Asociación Mineralógica
mediante análisis de imágenes en una microcomputadora. computar Geosci. 14 (2), 261– 269. Internacional.
Ayling, B., Rose, P., Petty, S., Zemach, E., Drakos, P., 2012. QEMSCAN (Quantitative
Chayes, F., 1949. Un contador de puntos simple para análisis de sección delgada. Soy. Mineral.: J. Tierra
evaluación de minerales por microscopía electrónica de barrido): capacidad y aplicación a la caracterización
Planeta. Mate. 34 (1– 2), 1– 11.
de fracturas en sistemas geotérmicos. Ponencia presentada en el Proc, Trigésimo Séptimo Taller
Chopard, MP, Royer, J.­J., Taza, R., Bouzahzah, H., Benzaazoua, M., 2019a. Cuantificación automatizada de
sobre Reservas Geotérmicas Ing. Universidad de Stanford, Stanford, California.
sulfuros por microscopía óptica multiespectral (Vol. 131).
Chopard, A., Marion, P., Mermillod­Blondin, R., Plante, B., Benzaazoua, M., 2019b.
Barbery, G., 1985. Determinación de la liberación de minerales usando métodos estereológicos: Impacto ambiental de la explotación minera: una metodología predictiva temprana basada en la mineralogía
una revisión de conceptos
˜ y problemas. aplicación Mineral., AIME, Nueva York. ´ del mineral y la especiación de contaminantes. Minerales 9(7), 397. Obtenido de https://www.mdpi.com/
Berrezueta, E., Ordo´nez­Casado, B., Bonilla, W., Banda, R., Castroviejo, R., Carrion, P., Puglla, S., 2016.
2075­163X/9/7/397.
Petrografía de minerales mediante análisis óptico de imágenes: aplicación a Yacimiento Zaruma­
Coward, S., Vann, J., Dunham, S., Stewart, M., 2009. El marco de respuesta primaria para variables
Portovelo (Ecuador). Geociencias 6 (2), 30. https://doi.org/ 10.3390/geosciences6020030.
geometalúrgicas. En: Trabajo presentado en la Séptima conferencia internacional de geología minera.

Berry, R., Walters, S., McMahon, C., 2008. Identificación automatizada de minerales mediante
Criddle, AJ, Stanley, CJ, 1993. Archivo de datos cuantitativos para minerales minerales. Saltador
microscopía óptica. agosto Inst. Mini. Metal. publ. Ser. 91– 94. Medios de comunicación de ciencia y negocios.
Baya, R. (2022). Comunicación privada.
Cropp, A., Goodall, W., Bradshaw, D., 2013. La influencia de la variación textural y
Blyth, CR, 1986. Límites de confianza binomiales aproximados. Mermelada. Estadística Asoc. 81(395),
mineralogía de ganga en la recuperación de cobre por flotación a partir de mineral de pórfido: una revisión.
843– 855. doi: 10.1080/01621459.1986.10478343.
En: Documento presentado en la Segunda Conferencia Internacional de Geometalurgia de
Bonifazi, G., 1995. Técnicas multiespectrales digitales y procedimientos automatizados de análisis de AusIMM.
imágenes para el modelado de minerales industriales. Minero. Ing. 8 (7), 779– 794.
De Castro, B., Marcotte, D., Chopard, A., Plante, B., Benzaazoua, M., 2022. Adaptación de la nota técnica de
Bouzahzah, H., Califice, A., Benzaazoua, M., Mermillod­Blondin, R., Pirard, E., 2008.
la teoría de muestreo Gy de Pierre para la preparación de secciones pulidas orientada al análisis
Análisis modal de mezclas de minerales usando análisis de imagen óptica versus difracción de
mineralógico automatizado. Mineral. Ing. 187, 107795. doi: 10.1016/j.mineng.2022.107795.
rayos X. En: Documento presentado en las Actas del Congreso Internacional de Appl. Mineral.
ICAM08, Brisbane, Australia. AusIMM.
Delbem, ID, Gal´ery, R., Brandao, ˜ PRG, Peres, AEC, 2015. Caracterización semiautomática de mineral de
Bouzahzah, H., Benzaazoua, M., Mermillod­Blondin, R., Pirard, E., 2015. Una novela
hierro basada en análisis de microscopio óptico: clasificación cuarzo/resina.
procedimiento de preparación de secciones pulidas para mineralogía automatizada evitando el
Minero. Ing. 82, 2– 13. https://doi.org/10.1016/j.mineng.2015.07.021.
asentamiento interno de partículas. Ponencia presentada en las Actas del 12º Congreso
Dold, B., 2017. Predicción del drenaje ácido de rocas: una revisión crítica. J. Geoquímica. Explorar 172,
Internacional de Appl. Mineral. (ICAM), Estambul, Turquía.
120– 132. doi: 10.1016/j.gexplo.2016.09.014.
Bradshaw, DJ, 2014. El papel de la 'mineralogía de procesos' en la mejora del rendimiento del proceso
Dominy, O'Connor y Parbhakar­Fox, 2018. Geometalurgia: una ruta hacia operaciones mineras más resilientes
de minerales de sulfuro complejos. IMPC 2014, XXVII 25.
(Vol. 8).
Bridge, R., Brosig, D., Lozano, C., Laurila, H., 2014. Geometalurgia: una tecnología Donskoi, E., Clout, J., 2005. Clasificación textural automatizada de minerales de hierro usando
subutilizada. Poder. Inst. Minería Metal. Mascota. 33, 81– 87. “Reconocimiento”: un paquete de software especializado para estudiar minerales de hierro. En: Actas, Iron
Brough, C., Strongman, J., Fletcher, J., Zając, M., Garside, R., Garner, C., Rose, L., 2019.
Ore, págs. 203– 211.
Mineralogía operativa: una descripción general de las prácticas clave en el análisis de muestras,
Donskoi, E., Poliakov, A., 2020. Avances en el análisis textural de imágenes ópticas
preparación de muestras y estadísticas.
segmentación en la siderurgia. aplicación ciencia 10(18), 6242. Obtenido de https://www. mdpi.com/
Bueno, M., Foggiatto, B., Lane, G., 2015. Geometalurgia aplicada en conminución a
2076­3417/10/18/6242.
minimizar los riesgos de diseño. En: Trabajo presentado en la Sexta conferencia internacional sobre alta
Donskoi, E., Suthers, SP, Fradd, SB, Young, JM, Campbell, JJ, Raynlyn, TD, Clout, JMF, 2007. Utilización de
prensa semiautógena. Tecnología de molienda.
análisis de imágenes ópticas y clasificación automática de texturas para la caracterización
Butcher, A., Helms, T., Gottlieb, P., Bateman, R., Ellis, S., Johnson, N., 2000. Avances en la cuantificación del
de partículas de mineral de hierro. Minero. Ing. 20(5), 461– 471. doi: 10.1016/j.mineng.2006.12.005.
comportamiento del oro por QEMSCAN. En: Documento presentado en la Séptima Conferencia de
Operadores de Molinos, Kalgoorlie, WA, AusIMM.
Donskoi, E., Poliakov, A., Manuel, J., Raynlyn, T., 2010. Avances en análisis de imágenes ópticas y
Castroviejo, R., Berrezueta, E., Lastra, R., 2002. Análisis de imagen digital microscópica de minerales de oro:
clasificación textural de finos de mineral de hierro.
una prueba crítica de metodología, comparando luz reflejada y microscopía electrónica. Minero. Metal.
Donskoi, E., Manuel, J., Austin, P., Poliakov, A., Peterson, M., Hapugoda, S., 2011.
Proceso. 19 (2), 102– 109.
Estudio comparativo de caracterización de minerales de hierro mediante análisis de imagen óptica
Castroviejo, R., Brea, C., P´erez­Barnuevo, L., Catalina, JC, Segundo, F., Bernhard, HJ, Pirard, E., 2009. Uso
y QEMSCAN (TM).
de la visión artificial para la identificación microscópica de minerales con

15
Machine Translated by Google
B. De Castro et al.
Donskoi, E., Poliakov, A., Holmes, R., Suthers, S., Ware, N., Manuel, J., Clout, J., 2016.
La información de textura del mineral de hierro es la clave para la predicción del rendimiento del
proceso aguas abajo. Minero. Ing. 86, 10– 23. doi: 10.1016/j.mineng.2015.11.009.
Donskoi, E., Hapugoda, S., Manuel, J.., Poliakov, A., Peterson, M.., Mali, H., Pownceby, MI, 2021. Análisis
automatizado de imágenes ópticas de sinterización de mineral de hierro. Minerales 11(6), 562.
Obtenido de https://www.mdpi.com/2075­163X/11/6/562.
Donskoi, E., Suthers, S., Campbell, J., Raynlyn, T., 2008. Modelado y optimización de hidrociclón para el beneficio
de finos de mineral de hierro mediante el análisis de imágenes ópticas y la clasificación de la textura del
mineral de hierro. En t. J. Minero. Proceso. 87 (3– 4), 106– 119.
Donskoi, E., Poliakov, A., Manuel, JR, 2015. 4 ­ Análisis automatizado de imágenes ópticas de mineral de hierro
natural y sinterizado. En: Lu, L. (Ed.), Iron Ore. Woodhead Publishing, págs. 101– 159.
Donskoi, E., Manuel, J., Hapugoda, S., Poliakov, A., Raynlyn, T., Austin, P., Peterson, M., 2020. Análisis
automatizado de imágenes ópticas de minerales de hierro goetiticos. Minero. Proceso.
Extracto. Metal. 1– 11.
Du, H., 2008. Química de flotación de sales de haluros alcalinos seleccionadas y
Minerales hidrofóbicos: un estudio de simulación de dinámica molecular. Departamento de Ingeniería
Metalúrgica, Universidad de Utah.
´
Elghali, A., Benzaazoua, M., Bouzahzah, H., Bussi`ere, B., Villarraga­Gomez, H., 2018.
Determinación del potencial de generación de ácido disponible de la roca estéril, parte I: Enfoque
mineralógico.
Evrard, M., Pirard, E., 2013. Seguimiento de minerales/elementos críticos mediante análisis cuantitativo
multiespectral: el caso de Chelopech (Bulgaria). En: Trabajo presentado en el Cuarto Simposio
Internacional: Recursos minerales y desarrollo minero.
Fandrich, R., Gu, Y., Burrows, D., Moeller, K., 2007. Análisis moderno de liberación de minerales basado
en SEM . En t. J. Minero. Proceso. 84 (1– 4), 310– 320.
Gottlieb, P., Wilkie, G., Sutherland, D., Ho­Tun, E., Suthers, S., Perera, K., Rayner, J., 2000. Uso de microscopía
electrónica cuantitativa para aplicaciones de mineralogía de procesos.
JOM 52(4), 24– 25. doi: 10.1007/s11837­000­0126­9.
Graham, S., Brough, C., Cropp, A., 2015. Una introducción a la minería mineralógica de ZEISS y la correlación
de la microscopía óptica con la mineralogía automatizada: un estudio de caso utilizando BMS y análisis
PGM de muestras de un prospecto de cromita que contiene PGE .
Metales preciosos 1– 12.
´
Grunwald, Ú., Catalina, JC, Lopez, A., Bolibar, R., 2019. Un método confiable para la distinción automatizada
de ganga de cuarzo y resina epoxi con microscopía de luz reflejada y su aplicación al análisis de
imágenes digitales.
Gu, Y., 2003. Análisis de liberación mineral basado en microscopio electrónico de barrido automatizado: una
introducción al analizador de liberación mineral JKMRC/FEI. J. Minero. Mate.
Caracteriz. Ing. 2 (01), 33.
Hausen, D., Bucknam, C., 1984. Estudio del robo de preg en la cianuración de minerales de oro
carbonáceos de Carlin, Nevada. aplicación Mineral. 833– 856.
Henley, 1983. Mineralogía de preparación de minerales: una revisión de técnicas, aplicaciones y desarrollos
recientes. En: Actas del Primer Congreso Internacional sobre Appl. Mineral., Publicación Especial, ICAM 81
175– 200.
Henry, N., 1977. Archivo de datos cuantitativos IMA/COM, 1.er número. Investigación McCrone
Associates Ltd, Londres, Reino Unido.
Hoal, KO, Woodhead, J., Smith, KS, 2013. La importancia de los aportes mineralógicos en los programas de
geometalurgia. Documento presentado en la Segunda Conferencia Internacional de Geometalurgia de
AUSIMM.
Howard, V., Reed, M., 2004. Estereología imparcial: medición tridimensional en
Microscopía. Ciencia de la guirnalda.
Howarth, RJ, 1998. Estimadores mejorados de incertidumbre en proporciones, conteo de puntos,
y resultados de prueba de pasa­falla. Soy. J. Ciencia. 298 (7), 594– 607.
Hrstka, T., Gottlieb, P., Skala, R., Breiter, K., Motl, D., 2018. Aplicaciones automatizadas de mineralogía y
petrología del analizador de minerales integrado TESCAN (TIMA). J. Geosci. 63 (1), 47– 63.
Hunt, J., Berry, R., Walters, S., 2010. Uso de mapas de minerales para clasificar el comportamiento de
procesamiento potencial. Documento presentado en la 25ª Conferencia Internacional de Procesamiento de Minerales.Runge, K., Franzidis, J., Manlapig, E., 2003. Un estudio de las características de flotación de diferentes clases
Hunt, J., Berry, R., Bradshaw, D., 2011. Caracterización de la liberación de calcopirita y
potencial de flotación: ejemplos de un depósito IOCG. Minero. Ing. 24 (12), 1271– 1276. https://doi.org/
10.1016/j.mineng.2011.04.016.
Jackson, B., Reid, A., Wittenberg, J., 1984. Producción rápida de secciones pulidas de alta calidad para el
análisis automatizado de imágenes de minerales.
Kittler, P., Liebezeit, V., Ehrig, K., Macmillan, E., Lower, C., 2011. Parecía una buena idea en ese momento…'.Errores
comunes en geometalurgia. Ponencia presentada en la Primera Conferencia Geometalúrgica Internacional
AusIMM.
Koh, EJ, Amini, E., McLachlan, GJ, Beaton, N., 2021. Utilización de redes neuronales convolucionales para
realizar un análisis de mineralogía modal automatizado rápido para microscopía óptica de sección
delgada. Minero. Ing. 173, 107230.
Lamberg, P., 2011. Partículas ­ El puente entre la geología y la metalurgia. dieciséis.
Lane, GR, Martin, C., Pirard, E., 2008. Técnicas y aplicaciones para la predicción
metalurgia y caracterización de minerales mediante análisis de imágenes ópticas. Minero. Ing. 21 (7), 568–
577. https://doi.org/10.1016/j.mineng.2007.11.009.
Lang, AM, Aasly, K., Ellefmo, SL, 2018. Caracterización de minerales como herramienta en la
implementación de la geometalurgia en la minería industrial de minerales. Minero. Ing. 116, 114– 122.
https://doi.org/10.1016/j.mineng.2017.10.021.
Lastra, R., Paktunc, D., 2016. Una estimación de la variabilidad en mediciones mineralógicas cuantitativas
automatizadas a través de pruebas entre laboratorios (Vol. 95).
Leichliter, SE, 2013. Modelo de recuperación geometalúrgica y comportamiento de oro para el depósito de oro de
pórfido La Colosa. Universidad de Tasmania, Colombia.
´ ´
Microscopía de JC, Alarcon, Lopez­Benito, 2020. D., Grunwald, Ú., Romero, P., Castroviejo, R., A., Catalina,
mineral automatizada basada en mediciones multiespectrales de
dieciséis
Ingeniería de Minerales 189 (2022) 107896
reflectancia I – Estudio comparativo de algunas técnicas de clasificación supervisada.
Minero. Ing. 146, 106136 https://doi.org/10.1016/j.mineng.2019.106136.
Lotter, NO, 2011. Mineralogía de procesos modernos: un enfoque multidisciplinario integrado para la
elaboración de diagramas de flujo. Minero. Ing. 24, 1229– 1237.
Lund, C., Lamberg, P., 2014. Geometalurgia: una herramienta para mejorar la eficiencia de los recursos. EUR.
Geol. 37, 39– 43.
Maitre, J., Bouchard, K., B´edard, LP, 2019. Reconocimiento de granos minerales mediante visión artificial y
aprendizaje automático. computar Geosci. 130, 84– 93. doi: 10.1016/j. jaulao.2019.05.009.
Mermillod­Blondin, R., Benzaazoua, M., Kongolo, M., Donato, P., Bussi`ere, B., Marion, P., 2011. Desarrollo y
calibración de un método de evaluación mineralógica automatizado y cuantitativo basado en SEM ­EDS
y Análisis de Imágenes: Aplicación para Relaves Finos (Vol. 10).
Michaux, S., O'Connor, L., 2020. Cómo configurar y desarrollar un geometalúrgico
Programa.
Neumann, R., Stanley, C., 2008. Datos de reflectancia especular para cuarzo y algunas resinas epoxi:
implicaciones para el análisis de imágenes digitales basado en microscopía óptica de luz reflejada.
En: Trabajo presentado en el Congreso Internacional de Mineralogía Aplicada.
Parbhakar­Fox, A., Lottermoser, B., Bradshaw, D., 2013. Evaluación de la roca estéril
mineralogía y microtextura durante las pruebas cinéticas para mejorar la predicción del drenaje ácido de
roca. Minero. Ing. 52, 111– 124. https://doi.org/10.1016/j. minería.2013.04.022.
Parbhakar­Fox, A., Fox, N., Jackson, L., Cornelius, R., 2018. Pronóstico de riesgos
geoambientales. Integrar aplicación Mineral. química Datos 8.
Petruk, W., 2000. Mineralogía aplicada en la industria minera. Acceso en línea a través de Elsevier.
Picot, P., Johan, Z., 1977. Atlas des mineraux metalliques. Recuperado de.
Pirard, E., 2004. Imágenes multiespectrales de minerales en microscopía óptica. Mineral.
revista 68 (02), 323– 333. https://doi.org/10.1180/0026461046820189.
Pirard, E., De Colnet, L., 2000. Mejora de la segmentación de minerales en microscopía óptica con imágenes
multiespectrales. En: Documento presentado en las Actas del 8º Congreso Europeo de Estereología.
Pirard, E., De Colnet, L., 2001. Imagen multiradial en microscopía óptica de minerales. En: Documento presentado
en las Actas­Reunión Anual­Belgian Soc. Microscopía.
Pirard, E., Bertholet, V., 2000. Segmentación de imágenes multiespectrales en óptica
metalografía. Revue de M'etallurgie­Sciences et G'enie des Mat'eriaux 219– 227.
Pirard, E., Bernhardt, HJ, Catalina Hern´ andez, JC, Brea, C., Segundo, F., Castroviejo Bolibar, R., 2008. De la
espectrofotometría a la obtención de imágenes multiespectrales de minerales en el visible y el infrarrojo
cercano (VNIR) microscopía.
Pirard, E., Lebichot, S., 2004. Análisis de imágenes de óxidos de hierro bajo el microscopio óptico.
aplicación Mineral.: Dev. ciencia Tecnología 1, 153– 156.
Pirard, E., Lebichot, S., Krier, W., 2007. Análisis de textura de partículas utilizando imágenes de luz polarizada
e intersecciones de nivel de gris. En t. J. Minero. Proceso. 84 (1– 4), 299– 309. https://doi.org/10.1016/
j.minpro.2007.03.004 .
Poliakov, A., Donskoi, E., 2014. Discriminación automatizada basada en relieve de minerales no opacos en el
análisis de imágenes ópticas. Minero. Ing. 55, 111– 124. doi: 10.1016/j. minería.2013.09.014.
Ramdohr, P., 1969. Anotación relativa a la disposición del material: en el
sección descriptiva. En: Ramdohr, P. (Ed.), The Ore Minerals and Their Intergrowths.
Pérgamo, págs. 287– 312.
Roisi, I., Aasly, K., 2018. El efecto del relleno de grafito en la preparación de muestras para mineralogía
automatizada: un estudio preliminar. Mineralproduksjon 8, A1– A23.
Rosiwal, A., 1898. Ueber geometrische gesteinsanalysen. En: Geol, KK (Ed.), Verh.
Reichsanst Wien, págs. 143– 175.
Rottenfusser, Wilson, Davidson, 2016. Microscopía de luz reflejada. Educación en
Microscopía e Imagen Digital. artículo de Zeiss. http://zeiss­campus.magnet.fsu.edu/articles/basics/
reflected.html .
mineralógicas en diferentes corrientes de un circuito industrial. En; Ponencia presentada en las Actas del
XXII Congreso Internacional de Procesamiento de Minerales.
Seo, W., Kim, Y., Sim, H., Song, Y., Yun, TS, 2022. Clasificación de rocas ígneas a partir de imágenes
petrográficas de secciones delgadas utilizando una red neuronal convolucional. Ciencias de la Tierra
información 1– 11.
Stanley, CJ, Vaughan, DJ, 2004. Alan J. Criddle Dsc 1944 – 2002: Aviso conmemorativo.
Mineral. revista 68(2), 223– 229. doi: 10.1180/S0026461X00032357.
Struers Lcc, 2022. Cómo hacer secciones delgadas. Obtenido de https://www.struers.
com/en/Knowledge/Special­applications/Mineralogy­and­Thin­sectioning#howto.
Sutherland, D., Gottlieb, P., 1991. Aplicación de mineralogía cuantitativa automatizada en el procesamiento de
minerales. Minero. Ing. 4 (7– 11), 753– 762.
Touret, J., 2006. De la p´etrographie ` a la petrologie.
Trahar, WJ, 1981. Una interpretación racional del papel del tamaño de las partículas en la flotación. En t. j
Proceso de minerales. 8(4), 289– 327. doi: 10.1016/0301­7516(81)90019­3. van den
Boogaart, KG, Tolosana­Delgado, R., 2018. Geometalurgia predictiva: una
desafío interdisciplinario clave para las geociencias matemáticas. En: Daya Sagar, BS, Cheng, Q.,
Agterberg, F. (Eds.), Handbook of Mathematical Geosciences: Fifty Years of IAMG. Springer International
Publishing, Cham, págs. 673– 686.
Whiteman, E., Lotter, NO, Amos, SR, 2016. La mineralogía de procesos como herramienta predictiva para el
diseño de diagramas de flujo para avanzar en el proyecto Kamoa. Minero. Ing. 96– 97, 185– 193.
https://doi.org/10.1016/j.mineng.2016.05.004.
Zhou, J., 2013. Geometalurgia de oro y su aplicación. ciencia de oro Tecnología 21 (5), 76– 80.
Obtenido de {http://www.goldsci.ac.cn/CN/abstract/article_9977.shtml}.