Constellation, le dépôt institutionnel de l'Université du Québec à Chicoutimi

Deep-Learning-Based Automatic Mineral Grain Segmentation and Recognition

Latif Ghazanfar, Bouchard Kévin, Maitre Julien, Back Arnaud et Bédard L. Paul. (2022). Deep-Learning-Based Automatic Mineral Grain Segmentation and Recognition. Minerals, 12, (4), e455.

[img]
Prévisualisation
PDF - Version publiée
Disponible sous licence Creative Commons Attribution (CC-BY 2.5).

8MB

URL officielle: http://dx.doi.org/doi:10.3390/min12040455

Résumé

A multitude of applications in engineering, ore processing, mineral exploration, and environmental science require grain recognition and the counting of minerals. Typically, this task is performed manually with the drawback of monopolizing both time and resources. Moreover, it requires highly trained personnel with a wealth of knowledge and equipment, such as scanning electron microscopes and optical microscopes. Advances in machine learning and deep learning make it possible to envision the automation of many complex tasks in various fields of science at an accuracy equal to human performance, thereby, avoiding placing human resources into tedious and repetitive tasks, improving time efficiency, and lowering costs. Here, we develop deep-learning algorithms to automate the recognition of minerals directly from the grains captured from optical microscopes. Building upon our previous work and applying state-of-the-art technology, we modify a superpixel segmentation method to prepare data for the deep-learning algorithms. We compare two residual network architectures (ResNet 1 and ResNet 2) for the classification and identification processes. We achieve a validation accuracy of 90.5% using the ResNet 2 architecture with 47 layers. Our approach produces an effective application of deep learning to automate mineral recognition and counting from grains while also achieving a better recognition rate than reported thus far in the literature for this process and other well-known, deep-learning-based models, including AlexNet, GoogleNet, and LeNet.

Type de document:Article publié dans une revue avec comité d'évaluation
ISSN:2075-163X
Volume:12
Numéro:4
Pages:e455
Version évaluée par les pairs:Oui
Date:2022
Identifiant unique:10.3390/min12040455
Sujets:Sciences naturelles et génie > Génie
Sciences naturelles et génie > Sciences appliquées
Sciences naturelles et génie > Sciences naturelles > Sciences de la terre (géologie, géographie)
Département, module, service et unité de recherche:Départements et modules > Département d'informatique et de mathématique > Module d'informatique et de mathématique
Départements et modules > Département des sciences appliquées > Unité d'enseignement en sciences de la Terre
Unités de recherche > Laboratoire des Matériaux Terrestres
Mots-clés:grain segmentation, deep learning, convolutional neural networks, ResNet, mineral recognition, segmentation des grains, apprentissage profond, réseaux de neurones convolutifs, reconnaissance minérale
Déposé le:03 mai 2022 21:03
Dernière modification:03 mai 2022 21:03
Afficher les statistiques de telechargements

Éditer le document (administrateurs uniquement)

Creative Commons LicenseSauf indication contraire, les documents archivés dans Constellation sont rendus disponibles selon les termes de la licence Creative Commons "Paternité, pas d'utilisation commerciale, pas de modification" 2.5 Canada.

Bibliothèque Paul-Émile-Boulet, UQAC
555, boulevard de l'Université
Chicoutimi (Québec)  CANADA G7H 2B1
418 545-5011, poste 5630