فرایند فلوتاسیون یکی از پرکاربردترین روش‌های فرآوری مواد معدنی در جدایش کانی‌های با ارزش از باطله است که از اختلاف آبگریزی[1] سطح کانی با ارزش و باطله استفاده می‌کند. از آنجایی که این فرایند یک روش جدایش فیزیکی – شیمیایی است، به شدت متأثر از خصوصیات خوراک ورودی مانند عیار، توزیع اندازه ذرات، درجه آزادی، خواص سطحی و متغیرهای فرایند مانند میزان مصرف مواد شیمیایی، pH و غیره است.

این طرح، به‌منظور آموزش و پیاده‌سازی سیستم هوشمند با هدف برقراری ارتباط بین پارامترهای ورودی فرایند فلوتاسیون مانند میزان مصرف مواد شیمیایی، نرخ هوادهی، میزان ارتفاع کف، میزان عیار خوراک، ویژگی‌های ظاهری حباب کف و پارامترهای خروجی سیستم مانند عیار کف و در نهایت تشخیص نقص در عملکرد سیستم و علت آن است. مراحل انجام کار به شرح زیر است:

• توسعه و بهینه‌سازی سیستم آنلاین تعیین عیار ماده معدنی مبتنی بر پردازش تصویر کف‌های تولیدی فرایند فلوتاسیون (ویژگی‌های بافتی و بصری) با استفاده از فناوری بینایی ماشین با کتابخانه‌های Mahotas، SimpleCV، OpenCV، SciPy، Scikit-Image
• ارتقاء سیستم به‌منظور تشخیص و محاسبه سایر پارامترهای فیزیکی کف فلوتاسیون مانند ابعاد، مساحت و شکل حباب
• طراحی، پیاده‌سازی و آموزش سیستم هوشمند برای برقراری ارتباط بین پارامترهای ورودی مانند میزان مصرف مواد شیمیایی، نرخ هوادهی، میزان ارتفاع کف، میزان عیار خوراک، ویژگی‌های ظاهری حباب کف فلوتاسیون و سایر پارامترهای موثر با خروجی سیستم مانند عیار کف فلوتاسیون به کمک فناوری ‌های زیر؛
• فناوری TensorFlow  و Keras برای پشتیبانی از مدل‌های یادگیری عمیق و یادگیری ماشین
• سرویس‌های Open AI
• فناوری پردازشی GPU
• بهینه‌سازی و ارتقاء سیستم به‌منظور تشخیص هوشمند نرمال نبودن عملکرد فلوتاسیون به دلیل تغییر در پارامترهای ورودی بر اساس اندازه‌گیری‌های پارامتر خروجی (عیار)