광석 현미경에서 광물의 분할 및 정량화를 위한 통계적 방법

[백산]

광석 현미경에서 광물의 분할 및 정량화를 위한 통계적 방법

저자 Cemal Köse a, , 이브라힘 알프스 bCevat İkibaş a  소스: EK 이페어케이 플러스

추상적인

최신 전자 이미지 처리 기술을 통해 광물 처리 엔지니어는 광석 샘플의 광물 측정을 자동화할 수 있습니다. 광학 현미경에 의한 광물의 자동 인식 및 정량화는 광석 처리 시스템에서 가장 중요한 문제 중 하나인데, 이는 광석에서 구성 광물의 방출량과 방출 정도를 결정하는 것이 추가 처리에 필요하기 때문입니다.

광물의 크기 및 방출 정도를 측정하는 것은 분쇄 공정의 자동 제어를 위해서도 필요합니다. 이 논문은 현미경 이미지를 사용하여 광석의 광물 크기와 양을 분할하고 정량화하는 자동화된 방법을 제안합니다.

광석 이미지에서 광물 패턴의 RGB 색상 구성 요소의 평균값, 표준 편차 및 분포를 활용하기 위해 간단한 정규화된 색상 기반 통계 분할 방법이 제안됩니다. 이 방법은 또한 분할을 개선하기 위해 광물의 색상 성분의 편차를 결정합니다.

광물을 분할하기 위해 Naïve Bayes 분류기도 도입되었습니다. 방법의 성능은 다양한 품질의 현미경 사진을 사용하여 검사됩니다. 이 방법은 90% 이상의 세그멘테이션 정확도를 수행합니다. 또한 이 방법의 성공률은 분쇄 샘플에서 입자 크기를 측정하는 데 85% 이상, 분쇄 공정 후 광물의 방출 정도를 측정하는 데 86% 이상인 것으로 나타났습니다.

그래픽 초록

1. 다운로드 : 전체 크기 이미지 다운로드

하이라이트

► 이 방법은 향상된 분할을 위해 광물의 색상 성분 편차를 결정합니다. ► 이미지의 광물을 분할하기 위해 Naïve Bayes 분류기가 도입되었습니다. ► 통계적 방법의 성능은 다양한 품질의 현미경 사진을 사용하여 검사됩니다. ► 이 방법은 90% 이상의 분할 정확도를 제공합니다.

소개

디지털 이미지 처리 또는 컴퓨터 기반 이미지 분석은 두 가지 순차적 작업으로 구성됩니다. 이미지 획득 및 디지털화 후 디지털화된 이미지에서 정보를 추출하는 것이 그것이다

(Weeks, 1998). 디지털 이미지 처리는 의료 진단 및 모니터링 시스템, 생물학 및 재료 과학, 품질 관리 시스템과 같은 의학과 같은 많은 분야에서 널리 적용되었습니다(Chermant, 1996). 광석 질감, 광물의 식별/정량화 및 방출 크기는 광석 처리 공정의 선택 및 최적화에 실질적으로 중요합니다(Craig and Vaughan, 1994).

전통적으로 광물학적 연구는 포인트 카운팅과 같은 수동 기술을 사용하여 수행되었습니다(Reedy, 2006). 디지털 이미지 처리 기술은 광업 및 광물 처리 응용 분야에서 재료 분석을 위한 강력한 도구를 제공합니다.

여기에는 밀 피드 특성 모니터링(Petersen et al., 1998), 입자 크기 및 형상 측정(Maerz, 1998, Latti and Adair, 2001, Chernet and Marmo, 2003), 광석 광물의 다중 스펙트럼 이미징(Pirard, 2004), 부유 거품 등급 추정(Bartolacci et al., 2006), 금 광물학 분석(Goodall and Scales, 2007), 해방도 측정(Mukherjee et al., 2009, Al-Wakeel et al., 2009) 및 광석 광물의 다중 스펙트럼 적외선 반사율(IR) 특성 연구(Ricardo et al., 2010). 자동 광물 분석 시스템은 드릴 코어, 미립자 또는 덩어리 재료의 연마 섹션에서 광물을 식별하고 광물 풍부도, 입자 크기 및 방출과 같은 광물의 다양한 특성을 정량화할 수 있습니다(Goodall and Scales, 2007).

광석의 광물학적 검사에 사용할 수 있는 많은 방법이 있지만 X선 회절, 광학 현미경 및 주사 전자 현미경(SEM)이 응용 광물학에 광범위하게 사용됩니다.

SEM 기반 자동 광물 분석 시스템은 광학 광학 현미경 기반 시스템에 비해 최근 몇 년 동안 빠르게 개발되었습니다(Pirard, 2004, Fandrich et al., 2007, Lastra, 2007, Schouwstra and Smit, 2011).

SEM에서 광물 집합체의 디지털 이미징은 전자빔으로 장면을 스캔하고 Robinson 후방 산란 전자 검출기(BSE 이미징)의 출력을 디지털화하여 과학 등급의 CCD(Charge-Coupled Device) 카메라를 사용하여 수행할 수 있습니다.

또한, X선 검출기(EDX 이미징)를 사용하여 대안적으로 수행할 수 있습니다(Miller et al., 1982). Reid et al. (1984)는 SEM 이미지에서 광물의 색상 차이를 기반으로 자동 시스템을 개발했습니다. 이러한 대체 방법의 결과로 광물 입자를 인식할 수 있으며 그 양, 입자 크기 분포 및 방출 정도를 결정할 수 있습니다.

시장에는 CSIRO와 JKMRC에서 개발한 SEM 기반 자동 광물학 솔루션을 위한 QEMSCAN®과 MLA(Mineral Liberation Analyzer)라는 두 가지 상용 제품이 있습니다.

단면에 있는 입자의 X 및 Y 좌표는 BSE(후방 산란 전자) 이미지만 활용하여 QEMSCAN에 의해 위치되며 도구는 측정을 위해 EDX 분석에서 실행됩니다. 여기서 입자 단면의 디지털 이미지는 수천 번의 X선 측정에 의해 픽셀이 구축되는 "입자 매핑"이라는 프로세스에서 생성됩니다(Fandrich et al., 2007).

각 픽셀과 광물에 대한 분석을 수행하는 것은 상당히 많은 비용과 시간이 소요됩니다(Miller et al., 1982). 1990년대 후반에 MLA(Mineral Liberation Analyzer)가 시판되었습니다. 입자의 각 회색조 영역에 대해 X선 분석을 수행하는 MLA 시스템은 입자의 광물 조성을 정의하기 위해 적은 수의 X선 분석이 필요합니다(Schouwstra and Smit, 2011).

고체의 평균 원자 번호에 따라 달라지는 BSE 그레이스케일 값은 주로 위상 판별에 사용되는 것으로 알려져 있습니다(Gu, 2003). 그러나 평균 원자 번호가 매우 유사한 위상과 같은 경우에는 X선 정보를 사용하여 위상을 구별해야 합니다(Kahn et al., 2002).

이러한 한계에도 불구하고 대부분의 샘플에 적용할 수 있으며, 펜틀란다이트 및 칼코피라이트와 같은 유사한 회색 수준을 가진 광물을 포함한 광석의 경우 X선 도트 매핑 기술을 사용하여 입자 광물 맵을 생성합니다.

많은 수의 X선 분석이 필요한 이 접근 방식은 시간과 비용이 많이 듭니다(Fandrich et al., 2007). 여기서 전자 후방 산란 계수의 변화는 피해야 하며, 이를 위해서는 탄소 코팅의 두께를 잘 제어해야 합니다. 합리적인 결과는 엄격한 광물학적 스크리닝 시스템을 갖춘 응용 분야에서만 생성할 수 있습니다(Andersen et al., 2009).

장점 외에도 SEM 기반 시스템에는 몇 가지 단점도 있습니다. 이러한 시스템은 높은 자본 및 운영 비용이 발생하며 먼지가 없는 기후 제어 환경에서 작동해야 합니다(Lane et al., 2008). 이러한 제약은 데이터 정밀도, 단순성 및 비용 요구 사항과 호환되는 보다 강력하고 저렴하며 유지 관리가 용이한 시스템의 개발을 촉진합니다.

이 시스템은 광물학적 검사 및 현장 생산 예측에 대한 야금 응용 분야에 대한 통계 데이터 요구 사항과 정확성을 충족해야 합니다(Lane et al., 2008). SEM 기반 분석과 마찬가지로 광학 이미지 분석은 화학 데이터 없이도 보다 대화식 모드에서도 유사한 정량적 정보를 얻을 수 있습니다(Benedictus et al., 2008).

이전에는 자동화된 SEM 시스템에서는 광학 광학 현미경 시스템을 사용할 수 있는 석탄과 같은 유기 성분이 주로 포함된 물질에 대한 방출 분석이 허용되지 않았습니다(Fandrich et al., 2007). 최근 연구 결과, 액체 질소가 없는 실리콘 표류 검출기(SDD), 안정적인 디지털 주사 전자 현미경 및 고해상도 후방 산란 전자 검출기의 도입과 고유한 광물학적 특징이 결합되어 석탄 샘플의 자동 광물학적 분석이 가능해졌습니다(Van Alphen, 2005, Van Alphen, 2007). O'Brien et al. (2011)은 또한 석탄 특성화 분석에서 광학 및 SEM 기반 기술의 장점과 유기 및 무기 성분의 상대적 풍부도, 크기 분포, 무기 성분과 유기 성분 간의 방출 및 연관성과 같은 계산 된 매개 변수를 통합했습니다.

광석 현미경은 광석 조각과 광물 입자의 연마 표면을 검사할 때 반사된 색상, 분열, 결정 습관 등과 같은 특징을 활용합니다(Criddle, 1998, Day, 2002). 따라서 다공성을 결정하고 주요 철 함유 광물을 구별하는 데 SEM 기반 기술보다 더 효과적입니다(Donskoi et al., 2007, Donskoi et al., 2008).

광학 현미경의 일부 응용 분야는 일부 광물 쌍을 빠르게 구별할 수 있다는 점에서 가치가 있지만, 이러한 응용 분야는 BSE 이미징(칼코피라이트/펜틀란다이트, 적철광/황철광) 및 EDX 매핑(적철광/자철광/고다이트; 마르카사이트/황철석)과 호환되지 않습니다(Pirard, 2004).

광물 처리 성능에 대한 매개 변수를 추적하는 것은 실제 지반 학에 필요합니다. 또한 이 정보는 필요한 측정을 수행하고 결과를 채굴 및 광물 처리 계획에 사용할 수 있도록 빠르고 저렴한 방법으로 얻어야 합니다. 최근 개발된 이미지 처리 소프트웨어와 디지털 사진의 발전은 암석 질감 정보를 생성하는 광학 현미경 광물학 연구를 자극했습니다(Hunt et al., 2011).

크기 축소 및 선광 공정의 선택, 수정 및 최적화를 위한 빠르고 정확하며 신뢰할 수 있는 데이터를 얻기 위해 현미경 이미지의 분석 및 측정을 위한 자동화된 도구에 대한 수요가 높습니다(Starkey and Samantaray, 1994, Berrezueta and Castroviejo, 2007, Sleutel et al., 2008). 자동 분석에서는 광물의 정량화와 크기 및 해방도의 측정이 현미경으로 관찰된 광물의 정규화된 색상 값을 기반으로 수행됩니다.

완전 자동화 시스템은 광물 처리 전문가의 작업량을 크게 줄일 수 있습니다. 일부 도구(예: Clemex)는 해방 분석 및 연관 루틴을 위해 개발되었습니다(Ulusoy, 2008, Celik et al., 2011).

자동 광물 분할에 사용된 최초의 이미지 분석 기술은 1960년대에 개발되었습니다.

King(1979)은 연마된 부분에서 광물 방출 데이터 수집을 자동화하는 시스템을 개발했습니다. 이 시스템은 광학 현미경을 사용하여 규암 광석에서 황철석 상의 선형 절편 길이를 측정했습니다.

Criddle과 Stanley(1993)는 가시광선에서 광석 반사율에 대한 신뢰할 수 있는 스펙트럼 정보를 제시하여 광석 광물의 자동화된 현미경 식별을 목표로 할 수 있도록 했습니다.

Chermant (1996)는 광물을 분할하여 가벼운 현미경 이미지로 측정 할 수 있다고 제안했습니다. 현미경 이미지에서 광물의 분할 및 측정이 분석 및 평가의 주요 단계이기 때문에 광물 이미지의 자동 처리를 위한 몇 가지 방법이 제안되었습니다(Mengko et al., 2000, Peter et al., 2008, Mukherjee et al., 2009).

이러한 방법의 대부분은 비용이 많이 들고 시간이 많이 걸리며 이러한 방법을 사용하여 이미지를 처리하는 데 몇 시간이 걸릴 수도 있습니다(Koh et al., 2007). 이러한 방법은 이미지에서 광물의 분할 및 측정에서 다양한 성능을 보여줍니다(Zhou et al., 2004, Martin et al., 2006, Kato, 2008, Benavente and Pina, 2009).

이러한 방법의 성능에 대한 자세한 비교는 서로 다른 응용 프로그램에서 구현되고 서로 다른 속성을 가진 서로 다른 데이터 집합에 대해 평가되기 때문에 수행할 수 없습니다(Garcia and Puig, 2007). 이 프로세스를 자동화하는 것은 광물 질감의 모양이 두 종류의 광물과 이미지 품질의 차이로 인해 큰 차이를 가질 수 있기 때문에 쉬운 작업이 아닙니다(Mengko et al., 2000). 대부분의 기술은 효율적인 분할을 위해 광물의 질감 특성을 이용합니다

(Heilbronner, 2000, Latti and Adair, 2001). 분할 방법은 일반적으로 컬러 영상이 아닌 단색 영상을 사용합니다. 컬러 이미지의 분할은 종종 서로 다른 거짓 색상 표현을 사용하여 회색 레벨 이미지로 변환하여 달성됩니다(Wang, 1998, Tabbone and Wendling, 2003, Stewart, 2005, Bosch et al., 2007, Lim et al., 2007, Pirard et al., 2007). 패턴 인식, 텍스처 분석 및 주파수 영역 분석을 사용하여 자동 광물 식별 시스템을 개발할 수 있습니다.

RGB 및 HIS 모델을 사용하는 색상 분석 접근 방식을 적용하여 이미지에서 광물의 광학적 특성과 물리적 특징을 결정했습니다(Mengko et al., 2000). 텍스처 기반 이미지 처리 시스템의 적용은 현재 광물 처리 산업에서 주로 추상적 계산을 의미 있고 관찰 가능한 특징과 연관시키는 데 어려움이 있기 때문에 제한적입니다.

광물학적 감별 시스템의 능력과 성공 여부는 시스템의 복잡성, 분석에 사용할 수 있는 시간, 출력의 원하는 공간 분해능에 크게 좌우됩니다. 이전 보고서에서는 RGB 컬러 이미지와 초분광 이미징 분광법이 광물 식별 능력을 제한하는 경우가 많다고 밝혔습니다(Benvie, 2007, Rivard et al., 2008).

현미경 사진에서 광물의 모든 색상 성분은 더 우수하고 효율적인 분할을 위해 질감 특성과 함께 활용될 수 있습니다(Osareh et al., 2002, Koh et al., 2007).

이 연구에서는 광물 질감의 색상(RGB) 및 통계적 특성을 활용하는 광물 분할 및 측정을 위한 간단하고 빠른 기술을 도입했습니다. 정규화 된 색상을 기반으로하는 또 다른 방법은 분쇄 공정 후 미네랄의 크기, 양 및 방출 정도를 측정하기 위해 제안되었습니다.

Naive Bayesian 방법도 이미지의 광물을 분할하고 측정하는 데 사용되었습니다. 또한 결과 평가를 위한 평가 방법도 제시되었습니다.

섹션 스니펫자료

컬러 이미지는 Karadeniz Technical University의 지질 공학과 현미경 실험실에서 얻었습니다. 연마된 절편을 준비하고 Leitz 반사광 현미경(Wetzlar Ortholux)으로 검사하여 샘플 조사를 완료했습니다. 디지털 컬러 표본 이미지는 Nikon 디지털 카메라(MCD 렌즈가 장착된 Coolpix 5400)를 사용하여 5메가픽셀(1920 × 2560) 해상도로 현미경에서 캡처되었습니다. 이미지에 대한 분할 및 측정이 수행되었습니다

결과 및 고찰

광물의 분할 및 측정은 엔지니어에게 매우 어렵고 힘든 일입니다. 광석 가공에서 엔지니어는 광물 회수 프로세스를 제어하기 위해 현미경 이미지를 평가하는 데 많은 시간을 할애합니다. 이미지 품질도 수동 처리에 충분하지 않을 수 있습니다. 따라서 자동 분할 및 측정 방법을 통해 엔지니어는 이러한 이미지를 보다 빠르게 분석할 수 있습니다. 본 연구에서는 세분화를 위한 간단한 통계적 방법을 제시하였고,

결론

이 연구에서는 현미경 이미지에서 광물을 분할하고 측정하기 위한 간단하고 빠른 통계적 방법을 제안했습니다. 색상 기반 방법은 벌크 광석의 광물을 자동으로 분할하고 측정합니다. 정규화된 각 광물 색상의 통계적 특성을 활용하는 정규화된 색상 기반 기술은 분쇄 공정 후 광물의 양과 방출 정도를 분할하고 측정하는 데 사용되었습니다. 또 다른 통계 방법인 나이브 베이지안

승인

가벼운 현미경 이미지를 제공해 주신 Karadeniz Technical University 지질공학과 현미경 실험실의 M. Vıcıl 박사님께 감사드립니다.

참고문헌 (74)

• M.I.(엠아이) Al-Wakeel 외플로리다 인산염 암석의 지방산 부유선광에서 방출 특성의 중요성

  광물 공학

  (2009)

• J.C.O.(제이코오) 안데르센 외.라테라이트 광석에서 Ni-rich 및 Ni-poor 괴석의 특성 분석을 위한 QEMSCAN 사용

  광물 공학

  (2009)

• 명. 암스트롱 외화학 데이터 분석을 위한 베이지안 방법 소개 1부: 베이지안 이론 및 방법 소개

  화학계량학 및 지능형 실험실 시스템

  (2009)

• A.A.(주)에이 Balamurugan 외NB+: 향상된 나이브 베이지안 알고리즘

  지식 기반 시스템

  (2011)

• 사. Bartolacci 외광물 공정의 공정 진단 및 물리적 파라미터 측정에 수치 이미지 분석 적용 - Part I: 거품 질감 특성에 기반한 부유 제어

  광물 공학

  (2006)

• 명. Benavente 외.거시적 규모에서 대리석 질감의 형태학적 분할 및 분류

  컴퓨터 및 지구과학

  (2009)

• A. 아니요. 베네딕투스 외.미국 캔자스주 Silver City Dome District에서 가공된 플로고파이트 광석의 정량적 특성 분석, 자동 광물학

  광물 공학

  (2008)

• 나. 벤비SEM 기반 기술을 사용한 Kimberlites의 광물학적 이미징

  광물 공학

  (2007)

• A. 아니요. 보쉬 외.자연 야외 장면의 세분화 및 설명

  이미지 및 비전 컴퓨팅

  (2007)

• 다. Catal 외.Naive Bayes 알고리즘을 사용한 Eclipse 기반 소프트웨어 결함 예측 툴의 실제 개발

  응용 분야가 있는 전문가 시스템

  (2011)