تشخیص اتوماتیک کانسنگ از باطله با استفاده از تصاویر مغزه ها و شبکه عمیق U-Net

یکی از مراحل اولیه و مهم در اکتشاف مواد معدنی، تشخیص الگوها و ویژگی های زمین شناسی است. این ویژگی ها شامل، کانی شناسی، سنگ شناسی، آلتراسیون، بافت سنگ و نظایر آن است. این مرحله همواره با چالش های زیادی از جمله زمان بر و هزینه بر بودن، نیاز به تخصص بالا و همچنین نیروی انسانی برای تشخیص این الگوها و ویژگی ها همراه بوده است. یادگیری ماشین و یادگیری عمیق از جمله ابزاری هستند که در خدمت علوم زمین قرار گرفته اند. 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 مغزه ها تهیه و پیش پردازش های اولیه بر روی داده ها انجام شد، سپس با استفاده از بخش بندی باینری کانی های آهن جدا و برای بهینه سازی شبکه از روش های سعی و خطا استفاده گردید. در نهایت دقت مدل برای شناسایی کانسنگ آهن ۹۱ درصد بود. در ادامه برای بررسی های بیشتر از روش IOU استفاده شد. این روش یک معیار مناسب برای ارزیابی نهایی مدل بخش بندی تصاویر است که برای شناسایی کانسنگ آهن دقت مدل ۷۵ درصد به دست آمده است. در نهایت برای اعتبارسنجی نهایی مدل های به دست آمده، خروجی های به دست آمده از شبکه با مقادیر عیاری گزارش شده از آنالیز XRF یک مغزه بررسی و خطای شبکه ۹ درصد ارزیابی شد که دقت خوب مدل به دست آمده با توجه به داده های واقعی را نشان می دهد.

کلیدواژه ها:

بخش بندی تصاویر ، تصویر RGB جعبه مغزه ، یادگیری عمیق ، شبکه U-net