نشریه مهندسی معدن

نشریه مهندسی معدن

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.

  • تاریخ دریافت 11 اسفند 1394
  • تاریخ بازنگری 12 اسفند 1395
  • تاریخ پذیرش 14 اسفند 1395