عنوان پایان‌نامه
طبقه بندی سنگ شناسی و تخمین ترکیب شیمیایی مواد معدنی با رویکرد پردازش تصویر و شناخت الگو
- رشته تحصیلی
- مهندسی معدن-اکتشاف معدن
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس 2 فنی شماره ثبت: 2101;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 52311
- تاریخ دفاع
- ۰۳ بهمن ۱۳۹۰
- دانشجو
- فرزانه خرم
- استاد راهنما
- حسین معماریان
- چکیده
- تعیین درصد کربنات کلسیم تشکیل دهنده سنگ آهک و آلودگی هایی ازجمله اکسید منیزیم، اکسید آلومینیوم و اکسید آهن به منظور تعیین قابلیت کاربرد سنگ آهک استخراجی و محصولات حاصل از آنها در صنایع گوناگون، از اهمیت قابل ملاحظه ای برخوردار است. هزینه آنالیزهای متداول به منظور تعیین ترکیب شیمیایی بالا بوده و عملیات آماده سازی نمونه ها برای آنالیز بسیار و قت گیر می باشد. روش پردازش تصویر با کمّی کردن ویژگی های ظاهری موضوع مورد بررسی در تصویر، امکان ارائه یک سیستم خودکار جهت تشخیص الگوهای مختلف را فراهم می کند. در این تحقیق امکان تعیین درصد ترکیبات شیمیایی سنگ آهک و تفکیک نمونه ها با ترکیب شیمیایی و سنگ شناسی متفاوت، به وسیله کمّی کردن ویژگی های تصویری این نمونه ها مورد بررسی قرار گرفت. به این منظور تعداد 30 نمونه مختلف معدن سنگ آهک نوین واقع در منطقه لاج سمنان به وسیله چکش برداشته شد، که یکی از نمونه ها در مراحل اوّلیه به علت رخداد خطا در نتایج ترکیب شیمیایی حذف شده و مورد بررسی قرار نگرفت. هریک از این نمونه ها با استفاده از سنگ شکن فکی مورد خردایش و سرند شدن قرار گرفتند و هر نمونه به سه بخش با ابعاد 7-5/2 سانتی متر، 5/2-5/1 سانتی متر و 1 میلی متر تا 5/1 سانتی متر تقسیم شد. نمونه ها براساس مطالعات مقطع نازک و آنالیز شیمیایی به سه کلاس سنگ آهک کربنات کلسیم، سنگ آهک دولومیتی و دولومیت تفکیک شدند. تعداد 58 تصویر از 29 نمونه در ابعاد بزرگ و متوسّط و 78 تصویر از نمونه ها در ابعاد ریز در شرایط یکسان ثبت شده و ویژگی های متفاوتی از این تصاویر استخراج شدند. ویژگی های به دست آمده پس از کاهش ابعاد توسط تحلیل عوامل اصلی برای تشکیل مدل طبقه بندی کننده آماری بیزین، مدل طبقه بندی کننده هندسی ماشین بردار پشتیبان و همچنین به منظور تشکیل مدل شبکه عصبی برای تخمین ترکیب شیمیایی در نظر گرفته شدند. ضریب تعیین به دست آمده بین درصد کربنات کلسیم حاصل از تخمین به روش شبکه عصبی و مقادیر به دست آمده از آنالیز شیمیایی در مجموعه داده‌های آزمون برای نمونه های 7-5/2 سانتی متر به ترتیب 78% ، نمونه های 5/2-5/1 سانتی متر 77% و نمونه های کوچکتر از 1 سانتی متر 83% بوده است. همچنین ضریب صحت طبقه بندی مربوط به نمونه های 7-5/2 سانتی متری در کلاس اوّل تا سوّم درحالت استفاده از الگوریتم آماری بیزین به ترتیب برابر با 79%، 70% و 81% بوده و همین مقادیر به دست آمده در نتیجه طبقه بندی نمونه ها با ماشین بردار پشتیبان عبارت از 76%، 62% و 89% است. نتایج حاصل از الگوریتم آماری بیزین و ماشین بردار پشتیبان برای نمونه های 5/2-5/1 سانتی متری به ترتیب 68%، 68% و 70% و 70%، 62% و 68% برای کلاس های اوّل تا سوم است. در نهایت این مقادیر برای نمونه های کوچکتر از 1 سانتی متر 80%، 68% و 69% و 82%، 64% و 70% برای کلاس های اوّل تا سوم می باشد.
- Abstract
- The grade estimation of calcium carbonate and some other contaminations like magnesium, aluminum, iron oxides in limestone has a significant importance in application of limestone and its products in the different industries. The routine chemical analysis and its preparations are costly and time consuming. Image processing compatibility with human observations and also its ability in quantifying the features of subject in the image, make it possible to have an automated different pattern recognition system. In this research, the possibility of grade determination of limestone different chemical compounds and separations of samples with different chemical compositions by means of quantifying the visual features of images was studied. The 30 different samples were collected from Novin mine located in Laj district of Semnan province. Each sample was crushed and sieved, then divided to 3 fractions of 2.5-7cm, 1.5-2.5 cm and 1mm-1.5 cm. Each sample was analyzed for chemical composition determination. Based on chemical and thin sections studies, samples were divided to 3 different groups of calcium carbonate, dolomite, and mixed one. The 60 images of two mentioned fractions and 78 images of the finest fraction were taken under same condition and different features were extracted from them. Bayesian statistical classifier and geometric Support Vector Machine classifier model and also Neural Network estimator model were made after dimension reduction by PCA. The correlation coefficient between estimated calcium carbonate grade from neural network method in test set of data for three mentioned fractions were 0.88, 0.73 and 0.86 respectively. The average CCR for the largest fraction in first, second and third classes using Bayesian statistical classifier were 79, 70 and 81 percents respectively. While they were 76, 62 and 89 percent using support vector machine method. For the medium fraction, they were 68, 68, 70 percent with Bayesian statistical classifier and 70, 62, 68percent using support vector machine method. For the medium fraction, they were 68, 68, 70 percent with Bayesian statistical classifier and 70, 62, 68 percent with support vector machine method. Finally, for the finest fraction, they were 69.68, 80 percent using Bayesian Statistical Classifier and 70, 64, and 82 percent using support vector machine method.
