Kvantitativ karakterisering av järnmalmspellets med optisk mikroskopi och maskininlärning

Viktiga resultat som projektet gav

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.

Långsiktiga effekter som förväntas

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).