留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度学习的金属矿物镜下嵌布粒度检测方法

汤化明 郎增瑞 王宏铭 王玲 王龙 曹冲 聂轶苗 刘淑贤 韩秀丽

汤化明, 郎增瑞, 王宏铭, 王玲, 王龙, 曹冲, 聂轶苗, 刘淑贤, 韩秀丽. 基于深度学习的金属矿物镜下嵌布粒度检测方法[J]. 地质科技通报, 2024, 43(3): 351-358. doi: 10.19509/j.cnki.dzkq.tb20230026
引用本文: 汤化明, 郎增瑞, 王宏铭, 王玲, 王龙, 曹冲, 聂轶苗, 刘淑贤, 韩秀丽. 基于深度学习的金属矿物镜下嵌布粒度检测方法[J]. 地质科技通报, 2024, 43(3): 351-358. doi: 10.19509/j.cnki.dzkq.tb20230026
TANG Huaming, LANG Zengrui, WANG Hongming, WANG Ling, WANG Long, CAO Chong, NIE Yimiao, LIU Shuxian, HAN Xiuli. A method for detecting the dissemination size of metal minerals under the microscope based on deep learning[J]. Bulletin of Geological Science and Technology, 2024, 43(3): 351-358. doi: 10.19509/j.cnki.dzkq.tb20230026
Citation: TANG Huaming, LANG Zengrui, WANG Hongming, WANG Ling, WANG Long, CAO Chong, NIE Yimiao, LIU Shuxian, HAN Xiuli. A method for detecting the dissemination size of metal minerals under the microscope based on deep learning[J]. Bulletin of Geological Science and Technology, 2024, 43(3): 351-358. doi: 10.19509/j.cnki.dzkq.tb20230026

基于深度学习的金属矿物镜下嵌布粒度检测方法

doi: 10.19509/j.cnki.dzkq.tb20230026
基金项目: 

国家自然科学基金项目 42002098

国家自然科学基金项目 52004091

河北省自然科学基金 E2022209119

河北省自然科学基金 D2020209017

中央引导地方科技发展资金项目 236Z3804G

中央引导地方科技发展资金项目 226Z4103G

详细信息
    作者简介:

    汤化明, E-mail: tanghuaming01@163.com

    通讯作者:

    王玲, E-mail: wanglingts_@163.com

  • 中图分类号: P575.2

A method for detecting the dissemination size of metal minerals under the microscope based on deep learning

More Information
  • 摘要:

    目标矿物嵌布粒度是指目标矿物在矿石中的粒度大小和分布情况, 直接影响着选矿工艺的设计和效果。因此, 目标矿物嵌布粒度测量是工艺矿物学研究中的重要任务之一。在传统工艺矿物学研究中, 主要利用偏光显微镜对矿石样品进行观察分析的方法, 普遍存在处理时间长、结果易受人为主观影响、难以实现自动化和大规模应用等问题。为克服传统方法的局限性, 提出一种基于深度学习的金属矿物镜下嵌布粒度检测方法。以河北省唐山市水厂磁铁矿矿石标本为对象, 在偏光显微镜的反射光条件下进行拍摄, 制作数据集, 利用Deeplabv3+网络设计了矿物识别网络模型, 实现对目标金属矿物的自动化特征提取和智能识别, 并生成目的金属矿物的二值化图像, 从而实现对目的金属矿物的分割; 最后, 结合最大Feret直径完成目的金属矿物嵌布粒度分析测量工作。相较于传统的人工镜下测量方法, 基于深度学习的图像测量在矿物颗粒分析中的应用, 在测量相同矿物颗粒的情境下, 处理速度提高了约119.8倍, 同时测量精度提升了约169.5倍, 揭示了其在处理效率和测量精度上的显著优势。基于深度学习的金属矿物镜下嵌布粒度检测方法显著缩短了矿物镜下嵌布粒度的检测时间并提升了检测精度, 同时可消除人为主观因素的影响, 对于促进工艺矿物学智能化发展有重要意义。

     

  • 图 1  基本卷积神经网络的示意图

    Figure 1.  Schematic diagram of a convolutional neural networks

    图 2  传统粒度测量方法

    Figure 2.  Traditional particle size measurement methods

    图 3  Feret直径

    Figure 3.  Feret diameter

    图 4  Deeplabv3+ 网络结构

    Figure 4.  Deeplabv3+ network structure

    图 5  磁铁矿镜下图像(a),识别结果图像(b)和识别结果与镜下图像混合叠加图像(c)

    红色为磁铁矿;黑色为非磁铁矿,下同

    Figure 5.  Pictures showing mirror image(a), recognition result image(b), and mixed image of magnetite(c)

    图 6  矿物标记结果图像

    Figure 6.  Image of mineral marking result

    图 7  粒径分布图

    a.图像分析识别结果(微米级);b.图像分析识别结果(毫米级); c.人工测量结果

    Figure 7.  Particle size distribution diagram

    表  1  矿物识别结果

    Table  1.   Results of the mineral recognition

    矿物种类 MIoU/% MPA/%
    磁铁矿 96.77 98.50
    非磁铁矿 98.38 99.12
    注:MIoU.平均交并比;MPA.平均像素准确率
    下载: 导出CSV

    表  2  图像识别结果测量数据

    Table  2.   Measurement data of the image recognition result

    编号 粒径/μm 编号 粒径/μm 编号 粒径/μm 编号 粒径/μm
    1 13.02 11 6.06 21 8.28 31 11.43
    2 14.36 12 17.19 22 26.85 32 5.73
    3 17.56 13 6.80 23 35.33 33 56.53
    4 13.69 14 17.81 24 6.83 34 14.13
    5 4.33 15 56.87 25 125.10 35 18.95
    6 25.50 16 13.74 26 24.29 36 7.81
    7 9.17 17 17.47 27 40.57 37 19.48
    8 5.37 18 10.17 28 6.12
    9 7.47 19 60.25 29 18.61
    10 11.85 20 7.17 30 17.50
    下载: 导出CSV

    表  3  人工测量结果数据

    Table  3.   Manual measurement results

    编号 粒径/mm 编号 粒径/mm 编号 粒径/mm 编号 粒径/mm
    1 0.01 11 0.01 21 0.01 31 0.01
    2 0.01 12 0.02 22 0.03 32 0.01
    3 0.02 13 0.01 23 0.04 33 0.06
    4 0.01 14 0.02 24 0.01 34 0.01
    5 0.01 15 0.06 25 0.13 35 0.02
    6 0.03 16 0.01 26 0.02 36 0.01
    7 0.01 17 0.02 27 0.04 37 0.02
    8 0.01 18 0.01 28 0.01
    9 0.01 19 0.06 29 0.02
    10 0.01 20 0.01 30 0.02
    下载: 导出CSV
  • [1] CASALI A, GONZALEZ G, VALLEBUONA G, et al. Grindability soft-sensors based on lithological composition and on-line measurements[J]. Minerals Engineering, 2001, 14(7): 689-700. doi: 10.1016/S0892-6875(01)00065-6
    [2] LOTTER N O, KORMOS L J, OLIVEIRA J, et al. Modern process mineralogy: Two case studies[J]. Minerals Engineering, 2011, 24(7): 638-650. doi: 10.1016/j.mineng.2011.02.017
    [3] IVANNIKOV A, CHUMAKOV A, PRISCHEPOV V, et al. Express determination of the grain size of nickel-containing minerals in ore material[J]. Materials Today: Proceedings, 2021, 38: 2059-2062. doi: 10.1016/j.matpr.2020.10.141
    [4] 罗朝熙, 和丽芳, 杨昌洲, 等. 基于K-means的金属矿物光片嵌布粒度测量[J]. 有色金属工程, 2022, 12(7): 125-131. https://www.cnki.com.cn/Article/CJFDTOTAL-YOUS202207016.htm

    LUO C X, HE L F, YANG C Z, et al. Particle size measurement of metallic minerals polished section based on K-means[J]. Nonferrous Metals Engineering, 2022, 12(7): 125-131. (in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-YOUS202207016.htm
    [5] 陈华勇, 程佳敏, 张俊岭. 多维度矿床学研究: 现状与未来展望[J]. 地质科技通报, 2022, 41(5): 1-4. doi: 10.19509/j.cnki.dzkq.2022.0243

    CHEN H Y, CHENG J M, ZHANG J L. Multidimensional study of ore deposits: Current status and future prospects[J]. Bulletin of Geological Science and Technology, 2022, 41(5): 1-4. (in Chinese with English abstract) doi: 10.19509/j.cnki.dzkq.2022.0243
    [6] 聂轶苗, 高培程, 张晋霞, 等. 基于人工神经网络系统的选矿指导子模块的构建[J]. 中国矿业, 2015, 24(增刊1): 364-367. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKA2015S1092.htm

    NIE Y M, GAO P C, ZHANG J X, etal. Establishment of ore separation sub-modules based on artificial neural network[J]. China Mining Magazine, 2015, 24(S1): 364-367. (in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-ZGKA2015S1092.htm
    [7] 许潇, 张文阁, 池顺鑫. 基于圆形拟合识别算法的颗粒粒度粒形自动测量方法研究[J]. 计量科学与技术, 2021, 65(3): 15-18. https://www.cnki.com.cn/Article/CJFDTOTAL-JLJS202103003.htm

    XU X, ZHANG W G, CHI S X. Automatic particle measurement method based on circle fitting aided recognition algorithm[J]. Metrology Science and Technology, 2021, 65(3): 15-18. (in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-JLJS202103003.htm
    [8] 方梦阳, 何建宁, 王万虎, 等. 一种基于MATLAB的碎屑岩粒度分析方法[J]. 岩石矿物学杂志, 2020, 39(4): 504-510. https://www.cnki.com.cn/Article/CJFDTOTAL-YSKW202004009.htm

    FANG M Y, HE J N, WANG W H, et al. A particle size analysis method for clastic rock based on MATLAB[J]. Acta Petrologica et Mineralogica, 2020, 39(4): 504-510. (in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-YSKW202004009.htm
    [9] 汤化明, 王玲, 杨国华, 等. 人工智能在矿物加工技术中的应用与发展[J]. 金属矿山, 2022(2): 1-9. https://www.cnki.com.cn/Article/CJFDTOTAL-JSKS202202001.htm

    TANG H M, WANG L, YANG G H, et al. Application and development of artificial intelligence in mineral processing technology[J]. Metal Mine, 2022(2): 1-9. (in Chinese with English abstract) https://www.cnki.com.cn/Article/CJFDTOTAL-JSKS202202001.htm
    [10] 马泽栋, 马雷, 李科, 等. 基于岩石图像深度学习的多尺度岩性识别[J]. 地质科技通报, 2022, 41(6): 316-322. doi: 10.19509/j.cnki.dzkq.2022.0140

    MA Z D, MA L, LI K, et al. Multi-scale lithology recognition based on deep learning of rock images[J]. Bulletin of Geological Science and Technology, 2022, 41(6): 316-322. (in Chinese with English abstract) doi: 10.19509/j.cnki.dzkq.2022.0140
    [11] CHEN L C, ZHU Y K, PAPANDREOU G, et al. Encoder-decoder with atrous separable convolution for semantic image segmentation[C]//Anon. Proceedings of the European Conference on Computer Vision (ECCV). [S. l.]: [s. n.], 2018: 801-818.
    [12] LECUN Y, BENGIO Y, HINTON G. Deep learning[J]. Nature, 2015, 521: 436-444. doi: 10.1038/nature14539
    [13] FU Y H, ALDRICH C. Froth image analysis by use of transfer learning and convolutional neural networks[J]. Minerals Engineering, 2018, 115: 68-78. doi: 10.1016/j.mineng.2017.10.005
    [14] LORE K G, AKINTAYO A, SARKAR S. LLNet: A deep autoencoder approach to natural low-light image enhancement[J]. Pattern Recognition, 2017, 61: 650-662. doi: 10.1016/j.patcog.2016.06.008
    [15] CAI J R, GU S H, ZHANG L. Learning a deep single image contrast enhancer from multi-exposure images[J]. IEEE Transactions on Image Processing, 2018, 27(4): 2049-2062. doi: 10.1109/TIP.2018.2794218
    [16] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. ImageNet classification with deep convolutional neural networks[J]. Communications of the ACM, 2017, 60(6): 84-90. doi: 10.1145/3065386
    [17] 吕宪俊. 工艺矿物学[M]. 长沙: 中南大学出版社, 2011: 223-227.

    LÜ X J. Process mineralogy[M]. Changsha: Central South University Press, 2011: 223-227. (in Chinese)
    [18] EKE W I, ITUEN E, LIN Y H, et al. Laboratory evaluation of modified cashew nut shell liquid as oilfield wax inhibitors and flow improvers for waxy crude oils[J]. Upstream Oil and Gas Technology, 2022, 8: 100068. doi: 10.1016/j.upstre.2022.100068
    [19] ZHENG Y W, ZHANG L X, CHEN S Z, et al. Robust decentralized stochastic gradient descent over unstable networks[J]. Computer Communications, 2023, 203: 163-179. doi: 10.1016/j.comcom.2023.02.025
  • 加载中
图(7) / 表(3)
计量
  • 文章访问数:  38
  • PDF下载量:  0
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-01-17
  • 录用日期:  2023-05-15
  • 修回日期:  2023-05-14

目录

    /

    返回文章
    返回