تشخیص اتوماتیک کانسنگ از باطله با استفاده از تصاویر مغزهها و شبکه عمیق U-Net
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 نظایر آن است. این مرحله همواره با چالشهای زیادی از جمله زمانبر و هزینهبر بودن، نیاز به تخصص بالا و همچنین نیروی انسانی برای تشخیص این الگوها و وی...
Saved in:
| Main Authors: | , , , |
|---|---|
| Format: | Article |
| Language: | fas |
| Published: |
Imam Khomeini International University
2024-11-01
|
| Series: | Muhandisī-i manābi̒-i ma̒danī |
| Subjects: | |
| Online Access: | https://jmre.journals.ikiu.ac.ir/article_3380_ec3dfb733eb7b6bb7d991915fe303773.pdf |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Summary: | 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 نظایر آن است. این مرحله همواره با چالشهای زیادی از جمله زمانبر و هزینهبر بودن، نیاز به تخصص بالا و همچنین نیروی انسانی برای تشخیص این الگوها و ویژگیها همراه بوده است. یادگیری ماشین و یادگیری عمیق از جمله ابزاری هستند که در خدمت علوم زمین قرار گرفتهاند. در این پژوهش با استفاده از معماری U-net به جدا کردن باطله و کانسنگ و شناسایی الگوی عیاری با استفاده از تصاویر گرفته شده از جعبه مغزه اقدام شد. ابتدا تصاویر استاندارد از جعبه مغزهها تهیه و پیشپردازشهای اولیه بر روی دادهها انجام شد، سپس با استفاده از بخشبندی باینری کانیهای آهن جدا و برای بهینهسازی شبکه از روشهای سعی و خطا استفاده گردید. در نهایت دقت مدل برای شناسایی کانسنگ آهن 91 درصد بود. در ادامه برای بررسیهای بیشتر از روش IOU استفاده شد. این روش یک معیار مناسب برای ارزیابی نهایی مدل بخشبندی تصاویر است که برای شناسایی کانسنگ آهن دقت مدل 75 درصد به دست آمده است. در نهایت برای اعتبارسنجی نهایی مدلهای به دست آمده، خروجیهای به دست آمده از شبکه با مقادیر عیاری گزارش شده از آنالیز XRF یک مغزه بررسی و خطای شبکه 9 درصد ارزیابی شد که دقت خوب مدل به دست آمده با توجه به دادههای واقعی را نشان میدهد. |
|---|---|
| ISSN: | 2676-6132 |