نوع مقاله: علمی - پژوهشی

نویسندگان

1 جهاد دانشگاهی واحد تربیت مدرس

2 پژوهشگاه نیرو

3 دانشگاه تهران

4 جهاد دانشگاهی تربیت مدرس

چکیده

در این مقاله امکان تعیین عیار مواد معدنی با استفاده از شبکه عصبی و تکنیک پردازش تصویر مورد بررسی قرار گرفت. نمونه‌های مورد استفاده دراین طرح از معدن چغارت یزد تهیه و تعداد آنها نیز 100 عدد بوده است. در این طرح با تهیه عکس از نمونه‌های پودر شده با دوربین عکاسی دیجیتالی حرفه‌ای و با استفاده از ویژگی‌های تصویری عکس‌ها شامل سه رنگ اصلی قرمز، آبی و سبز(RGB) تصاویر و ویژگی بافتی‌هارلیک شامل انرژی[i] ، آنتروپی[ii]، کنتراست[iii] و یکنواختی تصاویر[iv] و علم پردازش تصاویر با شبکه عصبی MLP[v] اقدام به تعیین عیار ماده معدنی مورد نظر نموده ایم. شبکه عصبی تعیین شده در ابتدا با 70 نمونه آموزش داده شده و سپس با 30 نمونه واقعی آزمایش گردیده است. در این طرح ازسه روش برای آموزش شبکه عصبی استفاده شده که در روش اول تنها سه رنگ اصلی (میزان سطح خاکستری در هر پیکسل)، در روش دوم سه رنگ اصلی به همراه انحراف معیار آنها و در روش سوم سه رنگ اصلی به علاوه ویژگی‌های بافتی تصویر که در بالا ذکر شد به عنوان وروردی شبکه در نظر گرفته شده است.  در نهایت شبکه طراحی شده با استفاده از روش اول قادر به پیش بینی عیار آهن با دقت2/95 درصد در روش دوم با دقت 9/96درصد  و در روش سوم با دقت72/97 درصد می‌باشد.
 
 
 

کلیدواژه‌ها

عنوان مقاله [English]

Determination of Ore Grade with Neural Network and Image Processing Technique

نویسندگان [English]

  • M Zakeri 1
  • O Shahhoseini 2
  • S.Z Shafaei 3
  • M Rahimi 4

1 Culture&Research (ACECR) of TMU

2 Niroo Research Institute

3 Tehran University

4 Culture&Research (ACECR) of TMU

چکیده [English]

In this paper feasibility of determination of ore grade using neural network and image processing techniques is presented. In practice grade of 100 iron ore samples, from Choghart iron ore mine, were determined.  Photographs of samples powder were then used for image characteristics study like Red, Green and Blue colors (RGB) and their standard deviation and Haralick's textural properties including Energy, Entropy, Contrast and Homogeneity. Initially the neural network was trained with 70 photo samples and then tested by another 30 photo samples. In training step, three procedures were followed. At the first methods, Red, Green and Blue colors (RGB) were trained to the neural network. Second method involved training of the system by addition of standard deviation to the RGB color and at third method Red, Green and Blue colors and Haralick's textural characteristics (entropy, contrast, energy and homogeneity) were considered and trained to the neural network. The results show that the trained neural network by the above three methods could determine the grade of iron ore with the accuracy of 95.2, 96.9 and 97.72 percent, respectively.
 
 

کلیدواژه‌ها [English]

  • Ore grade
  • image processing
  • MLP neural network
  • Training the neural network