برای اطلاع از آخرین مقالات علمی و اخبار کرونا(COVID-19) کلیک کنید

مشخصات

عنوان:

بررسی امکان عیارسنجی مواد معدنی با استفاده از سیستمهای هوشمند



گروه تخصصی:  علوم پایه

سازمان مجری:  واحد تربیت مدرس 

گروه پژوهشی: پژوهشی فرآوری مواد معدنی

پژوهشگران: 
ذاکری مهدی (مسئول طرح)
شاه حسینی امید (همکار طرح)

تاریخ خاتمه:  خرداد 1388

کارفرما: معاونت پژوهش و فناوری جهاددانشگاهی

خروجی طرح: 

ثبت اختراع: به شماره 59360 مورخ 88/3/13.
چاپ مقاله تعیین عیار ماده معدنی با استفاده از شکبه عصبی MLP و تکنیک پردازش تصویر، مجله علمی پژوهشی مهندسی معدن، 1387، دوره 3، شماره 6، ص73 ـ 67.


نوع: کاربردی

 
تلفن: 37-88335335-88630480-88011001-021 ????? 4114-3945

نشانی سازمان مجری: تهران، بزرگراه جلال آل احمد، پل نصر، دانشگاه تربیت مدرس، صندوق پستی: 343- 14115
 

چکیده:

در این طرح امکان تعیین عیار مواد معدنی با استفاده از شبکه عصبی و تکنیک پردازش تصویر مورد بررسی قرار گرفت. نمونه های مورد استفاده در این طرح از معدن چغارت یزد تهیه و تعداد آنها نیز 100 عدد بوده است. در این طرح با تهیه عکس از نمونه های پودر شده با دوربین عکاسی دیجیتالی حرفه ای و با استفاده از ویژگی های تصویری عکسها شامل سه رنگ اصلی قرمز، آبی و سبز (RGB) تصاویر و ویژگی بافتی هارلیک شامل انرژی، آنتروپی، کنتراست و یکنواختی تصاویر و علم پردازش تصاویر با شبکه عصبی MLP 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 از سه 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 ویژگی های بافتی تصویر که در بالا ذکر شد به عنوان ورودی شبکه در نظر گرفته شده است. در نهایت شبکه طراحی شده با استفاده از روش اول قادر به پیش بینی عیار آهن با دقت 95.2 درصد در روش دوم با دقت 96.9 درصد و در روش سوم با دقت 97.72 درصد می باشد.



کلیدواژگان: عیار ماده معدنی، پردازش تصویر، شبکه عصبی MLP؛ آموزش شبکه عصبی

 
 
Title:



Abstract:

In this Research 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.



Keyword(s): Ore grade, Image processing, MLP neural network, Training the neural network