在横跨百年的重力选矿装备中，摇床凭借富集比高、无药剂污染的独特优势，至今仍占据着全球钨、锡、钽铌等关键金属细粒矿物回收的“不可替代”地位。然而，接矿板依赖人工肉眼判带、手动调节，这一沿用数十年的操作模式却成为制约选厂智能化升级的“最后一块壁垒”。近日，中国江西理工大学杨文龙、邱明光团队联合赣州有色冶金研究所有限公司与江西钨业控股集团，在国际期刊《黄金》第47卷第5期发表划时代成果，成功研制出一套基于机器视觉与深度学习的摇床接矿智能控制系统。工业试验数据令人振奋：精矿WO₃(三氧化钨)品位提高达2.9倍、精矿Sn(锡)品位提升超过1倍。 这意味着，困扰重选界多年的“人眼盯梢、精度不稳”难题终于迎来系统性技术突破。

人工肉眼判带，接矿失控

摇床利用床面横向水流与纵向振动的复合力场，使轻重矿物沿特定轨迹分流。细粒级矿物的富集比可达100:1以上，是物理选别领域公认的“高精度分选利器”。数十万台摇床长年运行于各大选矿厂，为中国航空航天、新能源电池、半导体材料提供了不可或缺的原料基础。然而，工业环境中摇床矿带分布呈现动态模糊、边界复杂的强干扰特征，传统人工观察方式严重依赖工人经验与技术成熟度，矿浆可浮性波动、粒度变化与现场环境光照等因素极易导致截取滞后或越界，不仅造成精矿流失，也直接影响下游冶炼工序的稳定与可持续生产。

OreBound-YOLO重构矿带边界感知的“智能神经中枢”

面对恶劣工业现场对矿带边界视觉感知与实时控制的迫切需求，研究团队系统性构建了“预备层—控制层—应用层”三级闭环架构，首次将深度学习目标检测技术引入摇床接矿全流程自动化控制。

在算法层面，研究团队提出OreBound-YOLO矿带分界点识别算法。该算法以高精度YOLOv7网络为基础框架，针对摇床矿带边缘弱边界、矿带宽幅动态波动等关键技术障碍，完成了四项核心改进：

特征提取重构：以C3k2卷积模块重构主干网络，大幅增强对细微矿带纹理与空间结构的特征表达能力;

双向特征融合：引入FPN(特征金字塔网络)+PAN(路径聚合网络)结构，实现浅层位置信息与深层语义信息的双向多尺度特征融合，有效捕捉不同粒径矿物分布的多级特征;

弱边界感知增强：嵌入C2PSA注意力机制，使模型能够聚焦于矿带边缘的弱边界区域，精准抑制床面水雾、阴影反射与矿泥飘浮等工业噪声干扰;

回归精度优化：创新性采用EIoU损失函数替代传统回归损失，显著提升边界框回归精度，有效解决了矿带边缘模糊处的分界点漂移问题。

完成智能化升级后，该控制系统通过工业级图像采集与高性能边缘计算平台，可于毫秒级内完成每台摇床床面矿带分离点的实时检测与伺服驱动截矿板的动态校准，彻底隔绝了人工经验差异带来的分选波动。

钨锡资源回收的历史性跨越

江西理工大学团队的大规模工业现场试验数据显示，搭载OreBound-YOLO智能接矿控制系统后，摇床生产指标实现颠覆性跃升：

精矿WO₃(三氧化钨)品位提高2.4～2.9倍;

精矿Sn(锡)品位提高1.4～2.1倍;

同时，尾矿中有价组分流失量大幅减少，尾矿综合品位显著下降，显著提高了矿石资源利用率，大幅减少人工依赖与运营成本。

在推广应用中，该技术装备已进一步展现出极高的资源效益与商业转化潜力。相关资料显示，在江西某大型矿山部署摇床智能接矿系统后，WO₃回收率提升幅度达到14.11%，Sn回收率增幅达15.66%，远高于传统人工操作下的选矿经济技术指标，为矿山创造了显著的经济价值。

面向全品类、全行业的选矿智能化新基建

这一系统性突破不仅为钨、锡分选带来产业级的经济与减排价值，更赋予了中国现代选矿工业极为清晰的战略蓝图：

重塑关键金属战略供给能力：中国是全球主要的钨、锡生产国与消费国，在新能源电池、先进半导体、特种合金等领域需求持续增长。高识别精度接矿系统可长期保障高附加值矿产资源流稳定，有力提升国家战略资源掌控力;

赋能钽铌、钛铁矿、海滨砂矿等高价值窄粒级回收场景：该技术体系算法泛化能力强，可快速适配不同矿种与床型差异，有望在多金属复杂共伴生矿山中实现规模化复制与智能工艺再造;

构建“无人选厂”与矿群协同一体化底座：结合5G远程控制与边缘计算架构，该系统能够支持多台摇床的集中管控，推动选矿作业从单机自动化迈向全流程智能化，为“选厂黑灯生产”提供关键技术储备;

推动尾矿资源再选与低碳运营：系统显著降低尾矿损失，助力企业减少碳排放及尾矿库扩容压力，为矿山行业实现“资源节约、环境友好”转型提供可持续的工艺支撑。

从19世纪末美国诞生第一台原型摇床，到20世纪威尔弗利摇床奠定现代分选格局，再到今天江西理工大学团队为百年装备植入深度学习的“智能神经中枢”，摇床这一关键装备的进化史翻开了决定性的一页。由“人工经验”迈向“数据驱动”的分选范式跃迁，正将中国矿山从“人眼盯梢”带到全时、全域、全流程智能决策的新时代。