تعداد نشریات | 20 |
تعداد شمارهها | 360 |
تعداد مقالات | 2,962 |
تعداد مشاهده مقاله | 3,754,909 |
تعداد دریافت فایل اصل مقاله | 2,550,321 |
تشخیص اتوماتیک کانسنگ از باطله با استفاده از تصاویر مغزه ها و شبکه عمیق U-Net | ||
نشریه مهندسی منابع معدنی | ||
مقالات آماده انتشار، پذیرفته شده، انتشار آنلاین از تاریخ 07 خرداد 1403 | ||
نوع مقاله: علمی-پژوهشی | ||
شناسه دیجیتال (DOI): 10.30479/jmre.2024.19041.1652 | ||
نویسندگان | ||
مجتبی فرهمند1؛ محمد فهیمی نیا2؛ امید اصغری* 3؛ میرصالح میرمحمدی4 | ||
1دانشکده مهندسی معدن دانشگاه تهران | ||
2دانشجوی دکتری مهندسی معدن، دانشگاه تهران () | ||
3آزمایشگاه شبیه سازی و پردازش داده، دانشکده مهندسی معدن، دانشگاه تهران، تهران، ایران | ||
4دانشکده مهندسی معدن، پردیس دانشکده های فنی، دانشگاه تهران، تهران، ایران | ||
تاریخ دریافت: 21 تیر 1402، تاریخ بازنگری: 07 خرداد 1403، تاریخ پذیرش: 04 اردیبهشت 1403 | ||
چکیده | ||
چکیده: یکی از مراحل اولیه و مهم در اکتشاف مواد معدنی، تشخیص الگوها و ویژگیهای زمینشناسی است این ویژگیها شامل، کانیشناسی، سنگشناسی، آلتراسیون، بافت سنگ و... است. این مرحله همواره با چالشهای زیادی همراه بوده است. از چالشهای این مرحله میتوان به زمانبر و هزینهبربودن ، نیاز به تخصص بالا و همچنین نیروی انسانی برای تشخیص این الگوها و ویژگیها اشاره نمود. یادگیری ماشین و یادگیری عمیق از جمله ابزاری هستند که ب در خدمت علوم زمین قرار گرفتهاند، در این پژوهش با استفاده از معماری U-net اقدام به جداکردن باطله و کانسنگ و شناسایی الگوی عیاری با استفاده از تصاویر گرفته شده از جعبه مغزه شد. ابتدا تصاویر استاندارد از جعبه مغزه ها تهیه گردید، سپس پیش پردازش های اولیه بر روی داده ها انجام شد و سپس با استفاده از بخشبندی باینری کانیهای آهن جدا گردیدهاند، برای بهینهسازی شبکه از روشهای سعی و خطا استفاده شد و در نهایت دقت مدل برای شناسایی کانسنگ آهن 91 درصد بوده است. در ادامه برای بررسیهای بیشتر از روش IOU استفاده شد، این روش یک معیار مناسب برای ارزیابی نهایی مدل بخشبندی تصاویر میباشد که برای شناسایی کانسنگ آهن دقت مدل 75 درصد بهدستآمده است.در نهایت برای اعتبارسنجی نهایی مدلهای بهدستآمده، خروجیهای بهدستآمده از شبکه با مقادیر عیاری گزارش شده از آنالیز XRF یک مغزه مورد بررسی قرار گرفت که خطای شبکه 9 درصد ارزیابی شد که نشان از دقت خوب مدل بهدستآمده باتوجهبه دادههای واقعی دارد. | ||
کلیدواژهها | ||
بخشبندی تصاویر؛ تصویر RGB جعبه مغزه؛ یادگیری عمیق؛ شبکه U-net | ||
عنوان مقاله [English] | ||
automatic segmentation of ore/waste using core images and U-Net algorithm | ||
نویسندگان [English] | ||
Mojtaba Farahmand1؛ Mohammad Fahiminia2؛ Omid Asghari3؛ Mirsaleh Mirmohammadi4 | ||
1Department of Mining Engineering, Collage of Engineering, University of Tehran, Iran | ||
2Department of Mining Engineering, Collage of Engineering, University of Tehran, Iran | ||
3Simulation and Data Processing Lab, School of Mining Engineering, College of Engineering, University of Tehran, Tehran, Iran | ||
4Department of Mining Engineering, Collage of Engineering, University of Tehran, Iran | ||
چکیده [English] | ||
One of the first and important steps in the exploration of minerals is to recognize geological patterns and features. These features include mineralogy, lithology, alteration, rock texture, etc. This stage has always been associated with many challenges. Among the challenges of this stage, we can mention the time-consuming and costly nature of this stage, the need for high expertise as well as manpower to recognize these patterns and features. Machine learning and deep learning are among the tools that have recently been used in geosciences. In this research, using U-net architecture, waste and ore were separated and the pattern was identified using the images taken from the core box. For this purpose, iron minerals were separated using binary segmentation, trial and error methods were used to optimize the network, and finally the accuracy of the model for identifying iron ore was 91%. In the following, the IOU method was used for further investigations, this method is a suitable criterion for the final evaluation of the image segmentation model, which was obtained for the identification of 75% iron ore. Finally, for the final validation of the obtained models, the outputs obtained from the network were analyzed with the reported values of the XRF analysis of a core, and the network error was evaluated at 9%, which shows the good accuracy of the obtained model according to the real data. | ||
کلیدواژهها [English] | ||
Image segmentation, Deep learning, U-net network, core box RGB image | ||
آمار تعداد مشاهده مقاله: 46 |