Kvantitativ karaktärisering av järnmalmspellets med optisk mikroskopi och maskininlärning

Syfte och mål
Målet var att utvärdera potentialen för ett system med kvantitativ karaktärisering av järnmalmspellets baserat på automatiserad mikroskopi, bildanalys och maskininlärning. Systemet kunde efter träning med expertannoterade 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.

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

Resultat
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 liksom mängd och fördelning av olika faser, mineral och tillsatsämnen. Dessutom kunde porositet och storleksfördelning på partiklar bestämmas. Med hjälp av insamlade och annoterade data kunde konceptet valideras i laboratoriemiljö. Optimering av kod och utveckling av användargränssnitt bedömdes som förutsättningar för ett kommersiellt system.