طبقه بندی سنگ های آهکی براساس خصوصیات سنگ‌شناسی و ترکیب شیمیایی با استفاده از روش پردازش تصویر و شناخت الگو

نوع مقاله : علمی - پژوهشی

نویسندگان

1 دانشکده مهندسی معدن، پردیس دانشکده های فنی دانشگاه تهران

2 دانشکده مهندسی معدن، نفت و ژئوفیزیک، دانشگاه صنعتی شاهرود

3 عضو هیئت علمی دانشگاه یزد

چکیده

رویکرد پردازش تصویر، یکی از ابزارهای کاربردی در مقوله طبقه‌بندی و تشخیص دیجیتال نوع سنگ‌شناسی است. در این مقاله، تفکیک نمونه­های سنگ آهک از نظر میزان خلوص کربنات کلسیم، با استفاده از کمّی­سازی ویژگی­های تصویری نمونه­ها و الگوریتم آماری بیزین،  مطالعه شده است. بدین منظور تعداد 30 نمونه سنگ آهک از معدنی در منطقه لاج سمنان برداشت شد. هریک از این نمونه­ها توسط سنگ­شکن فکی خرد و بخش­هایی از نمونه با ابعاد 7-5/2 سانتی­متر، با استفاده از سرندی با دهانه 1 اینچ جدا شده و ­بررسی شدند. تعداد 60 تصویر از 30 نمونه در شرایط یکسان تهیه و ویژگی­های متفاوتی از این تصاویر استخراج شد. به­منظور کاهش ابعاد ویژگی­های استخراج شده و انتخاب ویژگی­های مستقل، ابتدا ضرایب همبستگی اسپیرمن ویژگی­های گوناگون محاسبه شده و بدین ترتیب تعداد 18 ویژگی مستقل از یکدیگر انتخاب شد. برای افزایش قابلیت تعمیم مدل و با هدف تعیین کوچکترین مجموعه داده­ها با بالاترین خاصیت پیشگویانه، روش آماری چند متغیره تحلیل مؤلفه­های اصلی برروی 18 ویژگی موردنظر انجام شد، که در نتیجه، 7 مؤلفه اصلی اوّل با مدل­سازی 91% تغییرپذیری، برای تشکیل مدل آماری انتخاب شد. نتایج طبقه­بندی آماری بیزین با توجه به دانش پیشین از نوع نمونه­های موجود در هر تصویر نشان داد که ویژگی­های استخراج شده از تصاویر به­خوبی معرف و تفکیک کننده نمونه­های مختلف می­باشد. بهترین عملکرد الگوریتم طبقه کننده بر اساس نرخ طبقه‌بندی کننده صحیح به­ترتیب مربوط به سنگ دولومیت، آهک و آهک دولومیت بود که بیان­گر دقت حدود 80% است. این نتایج، به‌همراه افزایش سرعت عملیات، کاهش هزینه­ها و عدم نیاز به حضور دایم متخصص، از نقاط قوت استفاده از این روش است.

کلیدواژه‌ها

موضوعات


عنوان مقاله [English]

Limestone classification based on lithological and chemical composition properties using image processing technique and pattern recognition

نویسنده [English]

  • Amin Hossein Morshedy 3

کلیدواژه‌ها [English]

  • Digital image processing
  • Lithological classification
  • Bayesian
  • Limestone
  • Pattern recognition
منابع
[1] Dorador, J., & Rodríguez-Tovar, F.J. 2016. “High resolution digital image treatment to color analysis on cores from IODP Expedition 339: Approaching lithologic features and bioturbational influence”. Marine Geology 377, 127-135.
[2] Bjorlykke, K. 2010. “Petroleum geoscience: From sedimentary environments to rock physics”, Springer, London, 508 pp.
[3] Jouini, M.S., Vega, S., & Al-Ratrout, A. 2015. “Numerical estimation of carbonate rock properties using multiscale images”. Geophysical Prospecting 63(2), 405-421.
[4] Saxena, N., Mavko, G., Hofmann, R., & Srisutthiyakorn, N. 2017. “Estimating permeability from thin sections without reconstruction: Digital rock study of 3D properties from 2D images”. Computers & Geosciences 102, 79-99.
[5] Khorram, F., Memarian, H., Tokhmechi, B., & Soltanian-zadeh, H. 2011. “Limestone chemical components estimation using image processing and pattern recognition techniques”. Journal of Mining and Environment 2(2), 126-135.
[6] Patel, A.K., & Chatterjee, S. 2016. “Computer vision-based limestone rock-type classification using probabilistic neural network”. Geoscience Frontiers 7(1), 53-60
[7] Oestreich, J.M., Tolley, W.K., & Rice, D.A. 1995. “The development of a color sensor
system to measure mineral compositions”, Minerals Engineering 8(1), 31-39.
[8] Perez, C., Casali, A., Gonzalez, G., Vallebuona, G., & Vargas, R. 1999. “Lithological composition sensor based on digital image feature extraction, genetic selection of features and neural classification”. In Information Intelligence and Systems, IEEE, Bethesda, 236-241.
[9] Marmo, R., Amodio, S., Tagliaferri, R., Ferreri, V., & Longo, G. 2005. “Textural identification of carbonate rocks by image processing and neural network: Methodology proposal and examples”, Computers & Geosciences 31(5), 649–659.
[10] Perez, C.A., Estévez, P.A., Vera, P.A., Castillo, L.E., Aravena, C.M., Schulz, D.A., & Medina, L.E. 2011. “Ore grade estimation by feature selection and voting using boundary detection in digital image analysis”. International Journal of Mineral Processing 101(1), 28-36.
[11] Singh, V., Singh, T. N., & Singh, V. 2011. “Image processing applications for customized mining and ore classification”. Arabian Journal of Geosciences 4(7-8), 1163-1171.
[12] Chatterjee, S., 2013. “Vision-based rock-type classification of limestone using multi-class support vector machine”. Applied intelligence 39(1), 14-27.
[13] Donskoi, E., Poliakov, A., Manuel, J.R., Peterson, M., & Hapugoda, S. 2015. “Novel developments in optical image analysis for iron ore, sinter and coke characterization”. Applied Earth Science 124(4), 227-244.
[14] Cracknell, M.J., & Reading, A.M. 2015. “Spatial-Contextual Supervised Classifiers Explored: A Challenging Example of Lithostratigraphy Classification”. IEEE Journal of Selected Topics in Applied Earth
فرزانه خرّم؛ حسین معماریان؛ بهزاد تخم چی؛ امین حسین مرشدی علمی- پژوهشی مهندسی معدن
55
Observations and Remote Sensing 8(3), 1371-1384.
[15] Galdames, F.J., Perez, C.A., Estévez, P.A., & Adams, M. 2017. “Classification of rock lithology by laser range 3D and color images”. International Journal of Mineral Processing 160: 47-57.
[16] Vasuki, Y., Holden, E.J., Kovesi, P., & Micklethwaite, S. 2017. “An interactive image segmentation method for lithological boundary detection: A rapid mapping tool for geologists”. Computers & Geosciences 100, 27-40.
17 [ ذاکری خطیر، م.؛ شاه اسینی، ا.؛ شفایی، .ض.؛ [
راییی، م. 1387 ، "تعیین عیار ماده معدنی با استفاده از
شبکه عصبی و تکنیک پردازش تصویر"، نشریه علیی -
پیوهشی مهندسی معدن، دوره ،3 شیاره .67-73 06
18 [ شرکت زمین نگار پاسارگاد. 1388 . "گزارش زمین [
شناسی معدن آهک نوین سینان"، 48 صفحه.
[19] Chatterjee, S., 2006 "Geostatistical and image based quality control models for Indian mineral industry". Unpublished Ph.D. Thesis dissertation, IIT Kharagour, India, 272 pp.
[20] Flügel, E. 2012. “Microfacies analysis of limestones”. Springer , London.
[21] Gonzales, R. C., & Woods, R.E. 2010. “Digital Image Processing”, Pearson Education, 976 pp.
[22] Thompson, C. M., & Shure, L. 1995. “Image processing toolbox [for use with Matlab]”.
[23] Chen, S., Grunsky, E.C., Hattori, K., and Liu, Y., 2015. “Principal Component Analysis of Geochemical Data from the REE-rich Maw Zone, Athabasca Basin, Canada”. Geological Survey of Canada, Open File 7689, 24p.
[24] Duda, R.O., Hart, P.E., & Stork, D.G. 2012. “Pattern classification”, John Wiley & Sons, 654 pp.
[25] Vapnik, V. 2013. “The nature of statistical learning theory”, Springer, London, 314 pp.