کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
6922564 865091 2015 31 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
A new intelligent method for minerals segmentation in thin sections based on a novel incremental color clustering
ترجمه فارسی عنوان
یک روش هوشمند جدید برای تقسیم بندی مواد معدنی در بخش های نازک بر اساس خوشه بندی جدید رنگی جدید
کلمات کلیدی
ترجمه چکیده
تقسیم بندی مواد معدنی در بخش های نازک موضوعی به چالش کشیدن، محبوبیت و مهم در زمین شناسی محاسباتی، کانی شناسی و مهندسی معدن است. تقسیم بندی مواد معدنی در بخش های نازک حاوی مواد معدنی تغییر یافته، که در آن مرزهای آشکار و نزدیک وجود ندارد، یک فرایند نسبتا پیچیده است. بیشتر بخش های نازک ایجاد شده در صنایع شامل مواد معدنی تغییر یافته است. با این حال، تجزیه و تحلیل معدنی هوشمند در بخش های نازک حاوی مواد معدنی تغییر یافته در ادبیات به طور گسترده ای مورد بررسی قرار نگرفته است و وضعیت فعلی الگوریتم های هنری قادر به تجزیه دقیق مواد معدنی در چنین بخش های نازک نیست. در این مقاله، یک روش جدید مبتنی بر یادگیری افزایشی برای خوشه بندی پیکسل ها به منظور تقسیم مواد معدنی شاخص در هر دو بخش نازک با و بدون مواد معدنی تغییر یافته است. الگوریتم ما از 12 ویژگی رنگ استفاده می کند که از تصاویر بخش نازک استخراج می شوند. این ویژگی ها عبارتند از قرمز، سبز، آبی، رنگ، اشباع و شدت، در زیر هواپیما و چراغ قطبش متقاطع در وضعیت شدت حداکثر. روش پیشنهادی بر روی 155 نمونه آذرین آزمایش شده و دقت کلی 15/92 درصد و 25/85 درصد به ترتیب برای مقاطع نازک بدون کانی های معدنی و مقادیر نازک حاوی کانی های معدنی به دست آمده است. نتایج تجربی نشان می دهد که روش پیشنهادی نتایج متفاوتی از روش های مشابه در ادبیات، به ویژه برای جداسازی بخش های نازک حاوی مواد معدنی تغییر یافته، بهتر است. الگوریتم پیشنهادی می تواند در برنامه های کاربردی مورد استفاده قرار گیرد که نیاز به تقسیم بندی زمان واقعی یا نقشه های شناسایی کارایی مانند زمین شناسی نفت، پتروگرافی و کاوش های مریخ ناسا دارد.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر نرم افزارهای علوم کامپیوتر
پیش نمایش مقاله
یک روش هوشمند جدید برای تقسیم بندی مواد معدنی در بخش های نازک بر اساس خوشه بندی جدید رنگی جدید
چکیده انگلیسی
Mineral segmentation in thin sections is a challenging, popular, and important research topic in computational geology, mineralogy, and mining engineering. Mineral segmentation in thin sections containing altered minerals, in which there are no evident and close boundaries, is a rather complex process. Most of the thin sections created in industries include altered minerals. However, intelligent mineral segmentation in thin sections containing altered minerals has not been widely investigated in the literature, and the current state of the art algorithms are not able to accurately segment minerals in such thin sections. In this paper, a novel method based on incremental learning for clustering pixels is proposed in order to segment index minerals in both thin sections with and without altered minerals. Our algorithm uses 12 color features that are extracted from thin section images. These features include red, green, blue, hue, saturation and intensity, under plane and cross polarized lights in maximum intensity situation. The proposed method has been tested on 155 igneous samples and the overall accuracy of 92.15% and 85.24% has been obtained for thin sections without altered minerals and thin sections containing altered minerals, respectively. Experimental results indicate that the proposed method outperforms the results of other similar methods in the literature, especially for segmenting thin sections containing altered minerals. The proposed algorithm could be applied in applications which require a real time segmentation or efficient identification map such as petroleum geology, petrography and NASA Mars explorations.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computers & Geosciences - Volume 81, August 2015, Pages 38-52
نویسندگان
, , ,