Derin öğrenme ile kalsitin parçacık analiz sonuçlarından renk tespiti

Abstract

Madencilikte, özellikle kalsit gibi beyazlatıcı dolgu olarak kullanılmakta olan mineraller için, dolgu malzemesinin uygulanacağı ürüne bağlı olarak renk gerekliliklerinin sağlanması istenmektedir. Mikronize kalsit üretiminde özellikle beyazlık, parlaklık, sarılık ve kırmızılık gibi renk değerleri çok önemlidir. Tane boyutuna bağlı olarak nihai kalsit mineralinin renk değerlerinde çeşitlilik gözlenmekte olup, aynı içeriğe sahip kalsit için tane boyutu inceldikçe parlaklık ve beyazlık değerleri yükselmekte, sarılık değerleri düşmektedir. Bu çalışmada aynı madenden yakın zamanlarda çıkarılan benzer mineral içeriğine sahip kalsit mineralleri için tanecik dağılımından renk bilgisi derin öğrenme teknikleri ile öğrenilip, tanecik dağılımından renk bilgisinin belli hassasiyette tahmin edilebileceği gösterilmiştir. Birçok derin öğrenme mimarisi denenmiş olup, en iyi netice veren derin öğrenme mimarisi ve bu mimari kullanılarak elde edilen tahmin sonuçları raporlanmıştır. Bu önerdiğimiz teknik, tanecik dağılımından renk tahmini yapmaya olanak vererek, donanımsal renk ölçüm cihazlarına ikame olabilecek bir algoritma yaklaşımı yönünde önemli bir adım olarak düşünülebilir.

It is desirable to meet color requirements in mining, especially for minerals used as bleach fillers such as calcite. Color values such as whiteness, brightness, yellowness, and redness are utmost important in micronized calcite production. Depending on the grain size, color values of the final calcite mineral are variable, the brightness and whiteness values increase and the yellowness values decrease. In this study, it has been shown that, the calcite minerals having similar mineral contents extracted from the same mine, color information can be learned from particle distribution by deep learning techniques and color information can be estimated from particle distribution to some extent. Several deep learning architectures have been tried and the best learning deep learning architecture accompanying the predicted color results using this architecture are reported.