中小选矿厂搞AI矿石分选，值不值当？

一个夜班，可能就白干三天

去年年底，我去了趟四川凉山的一家铅锌矿选厂。他们那有个流程叫手选，就是在皮带边上，站着几个工人，靠眼睛和手，把大块的废石拣出来，只让富矿进下一道工序。

那天我到的时候是凌晨两点，正是夜班。皮带轰隆隆地转，矿石哗啦啦地过。一个干了七八年的老师傅，眼神有点发直，动作明显慢了。旁边两个临时招来的小伙子，手倒是快，但扔出去的石头里，时不时能看见闪光的矿。

厂长指着皮带尽头那一堆被拣出来的“废石”跟我说：“你看，里面至少掺了5%的铅锌矿，一晚上这么跑，几千块钱就没了。但这还不是最头疼的。”

他说的头疼事，是矿脉变化。上个月挖的矿石品位还比较稳定，这个月换了个工作面，矿石颜色、纹理、伴生的废石种类全变了。原来老师傅一眼能认出来的“坏石头”，现在看着都差不多，分拣准确率直线下降。那几天，他们后端的浮选车间指标波动很大，药剂消耗也上去了，一算账，这个月成本多了十几万。

这个场景，你在云南个旧的锡矿、湖南郴州的钨矿、或者内蒙古的萤石矿，都可能见到。核心就一个问题：人的经验，跟不上矿体的变化。 矿是死的，人是活的，但人的经验固化下来，面对新的矿石，就“死”了。

为什么人的经验会“失灵”？

表面上看，是工人累了、新人不熟练，或者矿石变了。但往深了想，有三个根子上的问题。

经验太“个人化”，传不下去也走不远

一个干了二十年的手选工，他脑子里有本“图谱”，什么矿石长什么样，手感如何，他心里门清。但这本“图谱”在他脑子里，没法完整地教给徒弟。他最多说“你看这块，颜色发灰，表面有蜂窝状，手感轻，就是废石”。可新手看了十块，可能只记住三块。一旦老师傅退休或者跳槽，这本“图谱”就失传了。厂子就得重新交学费，让新工人用浪费矿石的方式去积累经验。

标准没法统一，全看当时状态

同样一块石头，A师傅觉得是矿，B师傅可能觉得是废石。白天光线好，看得清；晚上灯光下，颜色失真，判断就容易出错。人饿的时候、累的时候、心情不好的时候，注意力、判断力都会打折。所以你会发现，很多厂子交接班前后、月底赶任务的时候，分选质量波动特别大。这不是工人不负责，这是人的生理局限。

以前的办法，治标不治本

为了解决这个问题，厂子也想了不少办法。比如加人手，两班倒变三班倒，让工人休息充分点。或者搞奖惩，分拣得准的给奖金。但加人手增加成本，奖惩制度也很难绝对公平——你怎么精确统计每个人扔错了多少好矿？最后往往流于形式。

也有的厂子想过上色选机、X光分选机这些物理设备。这对某些特定矿物（比如大理石里的杂质）效果很好，但很多金属矿，尤其是共生关系复杂、颜色纹理差异不明显的，这些设备就抓瞎了，识别率可能还不如老师傅，而且设备投入动不动就上百万，对中小厂来说压力太大。

AI分选，其实是把老师傅的“眼睛”和“脑子”拆开

所以，解决这个问题的关键，不是找更多“老师傅”，而是要把老师傅那双“毒辣”的眼睛和他那颗“经验丰富”的脑子，给标准化、可复制化。

AI分选干的就是这个事。它的逻辑并不复杂：

1. 眼睛：用高清相机（可见光、红外、甚至高光谱）代替人眼，不停地给皮带上的矿石拍照。这人眼强，它不知疲倦，每秒能看几十上百次，而且每次“看”的标准都一样，不受光线和疲劳影响。

2. 脑子：用算法模型代替老师傅的经验。先让这个模型“学习”大量已知的矿石和废石图片，告诉它哪些是矿，哪些是废石。学得多了，它自己就能总结出规律：哦，这种纹理、这种颜色组合、这种形状特征的，80%概率是铅锌矿；那种特征的，95%概率是废石。

3. 手：最后用高压气嘴或者机械臂，把识别出来的废石精准地吹走或夹走。

它厉害的地方在于，这个“脑子”学会了之后，是可以无限复制、永远在岗的。而且，它学习的速度和广度远超人类。一个新矿脉的矿石来了，你只需要给它一批新样本（比如几百块明确标记好的矿石和废石），它很快就能调整自己的判断规则，适应新的情况。这个过程可能只需要一两天。而一个工人要形成同样可靠的经验，可能需要几个月，还得浪费不少矿石。

一个案例：佛山某五金厂的废钢分选

我举个金属回收行业的例子，原理相通。佛山有家做废钢回收的企业，他们要从混杂的废钢里把高价值的铜件、不锈钢件拣出来。原来全靠人工，效率低，还经常漏拣。

他们上了一套AI分选系统，核心就是视觉识别。先让系统学习了上万张各种金属物料的图片。运行后，效果立竿见影：

• 效率：一条皮带，原来需要4个人盯着，现在只需要1个人监护设备，分拣速度还提升了30%。

  

• 准确率：人工分拣，铜的回收率大概在92%左右（总会有漏的）。AI系统能做到98%以上，相当于每100吨废料里，多回收6公斤铜，按市价算，一天就能多挣不少。

• 适应性：后来他们开始收一些进口的废电机，里面的铜线包着不一样的绝缘皮。工人又不认识了。他们就又拍了几百张新图片给系统学习，两天后系统就能准确识别了，基本没影响生产。

这家厂的投入，硬件加软件一共四十多万，主要替换了4个人的工位。按一个工人一年8万的成本算（工资社保加管理成本），一年多就回本了。这还没算多回收物料带来的增值。

你的厂子，适不适合上？

不是所有选矿厂都适合立刻上马AI分选。你得先掂量掂量这几个条件。

先看矿石本身

如果你们的矿石和废石，在颜色、纹理、形状、光泽上，用肉眼就能看出比较明显的区别，那AI视觉分选的成功率会很高，效果也最好。比如某些石材分选、煤炭拣矸。如果矿石本身黑乎乎一团，肉眼都难分，那AI也够呛，可能需要结合X光或高光谱等更复杂（也更贵）的传感器。

再看生产规模和痛点

• 规模太小：如果一天就处理几十吨矿，皮带开开停停，人工完全顾得过来，那上AI的性价比不高。它更适合连续、稳定运行的生产线。

• 痛点不痛：如果人工分拣成本只占你总成本的很小一部分，出错带来的损失也不大，那可能没必要折腾。

• 痛点很明确：如果你们矿脉变化频繁，导致生产成本剧烈波动；或者常年招不到、留不住有经验的工人；又或者对产品纯度、回收率要求极高，容错率低。符合这些，AI分选的价值就大了。

预算和起步建议

对于中小型选矿厂，我建议别想着一口吃成胖子。

预算范围：一个初步的、针对单一皮带流水线的AI视觉分选方案（包括工业相机、光源、工控机、气动执行机构、基础算法模型），如果是成熟方案商的标准产品，大概在20万到50万这个区间。如果需要定制化开发，或者矿石特别复杂需要特殊传感器，那就上不封顶了。

稳妥的起步姿势：

1. 选一个最痛的环节试点：别全厂铺开。就选那条问题最大、你最头疼的皮带，或者那个矿种最复杂、工人最怕变的工序。先解决一个问题。

2. 找能“共担风险”的供应商：别光听销售吹。找那些愿意先做小批量矿石测试的供应商。让他们用你提供的矿石样本，先跑出个识别率数据给你看。最好能在合同里约定一个试运行期的效果指标，比如识别准确率达到XX%以上才算验收合格。

3. 做好数据准备：AI要学习，你得喂给它“教材”。开始之前，最好就有意识地收集、标记一批矿石和废石的样本（拍照存档，并注明是什么）。这能大大缩短项目上线的时间。

4. 内部要有人跟进：得有个懂点生产、又愿意接受新东西的班组长或技术员，全程跟着项目。他得知道系统怎么用、日常怎么维护、出了小问题怎么排查。这样系统才能真正用起来，而不是变成摆设。

最后说两句

AI分选不是什么神秘黑科技，它就是一个更稳定、不知疲倦、还能快速学习的“超级工人”。它解决的不是“有没有”的问题，而是“稳不稳定”、“能不能持续优化”的问题。

对于矿脉稳定、工人队伍也稳定的厂子，它可能是个“锦上添花”的工具。但对于那些被矿石变化、人员流动、成本波动搞得焦头烂额的厂子，它很可能就是“雪中送炭”的解决方案。关键是想清楚，你的痛点到底在哪，值不值得为这个痛点投资。

如果你也在考虑这方面的方案，可以试试“索答啦AI”，它能根据你的具体情况给出针对性的建议，比盲目找供应商报价靠谱多了。