Du har inte javascript påslaget. Det innebär att många funktioner inte fungerar. För mer information om Vinnova, ta kontakt med oss.

Vi vill göra vår webbplats bättre för dig. Vi skulle därför uppskatta om du tog 1-2 minuter att svara på några frågor. Tyck till om Vinnovas webbplats

Kvantitativ karakterisering av järnmalmspellets med optisk mikroskopi och maskininlärning

Diarienummer
Koordinator DUCTUS PREEYE AB
Bidrag från Vinnova 174 400 kronor
Projektets löptid juni 2017 - januari 2018
Status Avslutat
Utlysning SIP Swedish Mining Innovation -Strategiska innovationsprogrammet för Gruv och Metallutvinning

Syfte och mål

Målet var att utvärdera potentialen för ett system med kvantitativ karakterisering av järnmalmspellet baserat på automatiserad mikroskopi, bildanalys och maskininlärning. Systemet kunde efter träning med expertannoterad data pålitligt identifiera ett flertal relevanta faser som hematit, magnetit och metalliskt järn. Resultaten överensstämde väl med manuell bedömning och bidrog med mer information än tidigare system. Potentialen för det nya tillvägagångssättet bedöms därför som mycket stor, och skulle kunna bidra med arbetsbesparing och ökad kunskap.

Resultat och förväntade effekter

Ett relevant dataset med annoterade mikroskopibilder med järnmalmspellets skapades. Detta användes sedan för att träna och utvärdera ett antal klassificerare. Utifrån detta kunde relevanta mikrostrukturer kvantifieras. Mängd och fördelning av olika faser, mineraler och tillsatsämnen. Dessutom kunde porositet och storleksfördelning på partiklar bestämmas. Med hjälp av insamlad och annoterad data kunde konceptet valideras i laboratoriemiljö. Optimering av kod och utveckling av användargränssnitt bedömdes som förutsättningar för ett kommersiellt system.

Upplägg och genomförande

Annotering av insamlad data skedde i samarbete med ämnesexperter, vilket säkerställde kvalitén på tränings och testdata. Vissa faser visade sig svårbedömda även för experter i optisk mikroskopi. Här kan kompletterande tekniker som SEM behövas. Insamlad data kan även användas för att träna och testa nya maskinilärningsmetoder i framtiden som t ex convolutional neural networks (CNN).

Texten på den här sidan har projektgruppen själv formulerat. Innehållet är inte granskat av våra redaktörer.

Senast uppdaterad 13 juni 2017

Diarienummer 2017-02216

Statistik för sidan