عنوان

استخراج ویژگی‌های بصری کف در فرآیند فلوتاسیون مس با استفاده از یادگیری عمیق

Number

پ۲۸۹۴۳

.Language of Text, Soundtrack etc

per

Title Proper

استخراج ویژگی‌های بصری کف در فرآیند فلوتاسیون مس با استفاده از یادگیری عمیق

First Statement of Responsibility

علی محرمی

Name of Publisher, Distributor, etc.

مهندسی برق و کامپیوتر

Date of Publication, Distribution, etc.

۱۴۰۲

Specific Material Designation and Extent of Item

۷۴ص.

Accompanying Material

سی دی

Dissertation or thesis details and type of degree

کارشناسی ارشد

Discipline of degree

کامپیوتر گرایش نرم‌افزار

Date of degree

۱۴۰۲/۰۴/۲۱

Text of Note

شناورسازي کف را می‌توان یكی از مهم‌ترین روش‌های جداسازي ماده معدنی و مواد باطله و همچنین از دقیق‌ترین روش‌هاي پر عیار کردن مواد معدنی نامید. با این روش می‌توان اکثر سنگ‌هاي معدنی فلزي، کانی‌هاي غیر‌فلزي و زغال‌سنگ را پر عیار کرد. می‌توان این روش را یکی از کارآمدترین روش‌های کانه‌آرایی در نظر گرفت. در این روش، مواد بر اساس ویژگی‌های فیزیکی و شیمیایی خاصی که دارند، به حباب‌های هوا چسبیده و از سلول خارج می‌شوند و به این روش از سایر مواد جدا می‌شوند؛ این روش، شناورسازی مستقیم نامیده می‌شود. اگر این عمل به‌جای مواد باارزش روی مواد بی‌ارزش انجام گیرد، شناورسازی معکوس نامیده می‌شود. در حال حاضر کنترل فرایند شناورسازی توسط نیروی انسانی انجام می‌شود؛ که بر اساس تجربه خود و ویژگی‌های ظاهری کف حباب این کار را انجام می‌دهند.در سال‌های اخیر با پیشرفت چشمگیر هوش مصنوعی به‌خصوص یادگیری عمیق در زمینه‌های مختلف ازجمله بینایی، وظایفی که مربوط به تحلیل خصوصیات ظاهری می‌شود، با دقت قابل قبولی توسط این مدل‌های عمیق قابل انجام است. بهتر است از این مدل‌ها به‌جای نیروهای انسانی که در درک خصوصیات ظاهری به دلیل تجربه یا نگرش متفاوت، نتایج متفاوت و با خطادارند، استفاده شود.شکل ظاهری حباب‌ها در این وظیفه بسیار پیچیده و چسبیده به هم است که جدا کردن این حباب‌ها از همدیگر بسیار سخت است. هدف از انجام این پایان‌نامه، بهره‌گیری از تکنیک‌ها و روش‌های یادگیری عمیق در تحلیل تصاویر گرفته‌شده از کف‌های فرایند شناورسازی به‌منظور جداسازی حباب‌های کف می‌باشد؛ تا بتوان بر اساس نتایج حاصل از آن ویژگی‌های ظاهری کف‌ها را استخراج کرد. برای رسیدن به هدف پایان‌نامه، قطعه‌بندی حباب‌ها با استفاده از روش Mask RCNN انجام می‌شود که روی داده‌های جمع‌آوری‌شده از کارخانه مس سونگون اعمال و IoU، 82 درصد را به‌دست می‌آورد.

Text of Note

Floor flotation can be called one of the most important methods of separating minerals and waste materials, as well as one of the most accurate methods of refining minerals. With this method, most metallic ores, non-metallic ores and coal can be refined. This method can be considered as one of the most efficient methods of mineralization. In this method, based on their specific physical and chemical characteristics, materials stick to air bubbles and leave the cell, and in this way, they are separated from other materials; This method is called direct flotation. If this operation is done on worthless materials instead of valuable materials, it is called reverse flotation. Currently, the control of the flotation process is done by human power; They do this based on their experience and the appearance characteristics of the bubble floor.In recent years, with the significant progress of artificial intelligence, especially deep learning in various fields such as vision, the tasks related to the analysis of appearance characteristics, the development of these deep models can be done with acceptable accuracy instead of humans that have different or erroneous results due to inexperience or human mistake.The appearance of the bubbles in this task is very complicated and stuck together that it is very difficult to separate these bubbles from each other. The purpose of this dissertation is to use deep learning techniques and methods in the analysis of images taken from the surface of the flotation process in order to separate the bubbles in the surface; So that the appearance characteristics of the surface can be extracted based on the results.To achieve the goal of the thesis, segmentation of the bubbles is done using Mask RCNN method and using these segmented bubbles, the appearance features of the floors can be extracted.

Variant Title

Froth visual properties extraction in copper froth floatation process using deep learning

Entry Element

‏محرمی،

Part of Name Other than Entry Element

علی ‏

Relator Code

تهیه کننده

Entry Element

‏معلمی خیاوی،

Entry Element

سخندان سرخابي،

Entry Element

صالح پور،

Part of Name Other than Entry Element

‏عبدالحمید

Part of Name Other than Entry Element

‏ عليرضا

Part of Name Other than Entry Element

‏پدرام

Dates

استاد راهنما

Dates

استاد مشاور

Dates

استاد مشاور

Entry Element

‏تبریز