Разработка системы минералогического картирования: повышение точности определения фактических размеров минеральных включений на поверхности керна

Рассмотрены анализ и минимизация влияния факторов, снижающих точность количественной оценки пространственного расположения минерала на поверхности образца керна при его регистрации с помощью видеокамеры. Для достижения минимального расхождения между значением фактической площади, занимаемой минеральным включением на поверхности образца керна, и его площадью на изображении, зарегистрированном видеокамерой, разработан программный модуль, реализующий функцию калибровки. Калибровка производится с помощью специального калибровочного объекта, помещаемого в поле зрения видеокамеры, и для каждой области на созданной пользователем «Карте изображений» определяются поправочные коэффициенты. Результаты тестирования программы на симуляторе люминесценции свидетельствуют о высокой точности измерения площади минерального включения, расположенного в любой области регистрируемого изображения. Отклонение величины площади свечения светодиода, расположенного в различных областях «Карты изображения», от реперного значения (площади свечения светодиода, расположенного на пересечении главных диагоналей изображения) не превышает 0,5%.

Воронин Р. П., Шибаева Д. Н., Булатов В. В., Асанович Д. А. Разработка системы минералогического картирования: повышение точности определения фактических размеров минеральных включений на поверхности керна // Горный информационно-аналитический бюллетень. – 2024. – № 10. – С. 92–107. DOI: 10.25018/ 0236_1493_2024_10_0_92.

Исследование выполнено за счет гранта Российского научного фонда (проект № 22-27-20153).

Воронин Роман Павлович^1,2 — студент; программист, e-mail: rom.voron@bk.ru, ORCID ID: 0000-0002-3974-0140,
Шибаева Дарья Николаевна^1,2 — канд. техн. наук, зав. лабораторией; ведущий научный сотрудник, руководитель лаборатории, e-mail: shibaeva_goi@mail.ru, ORCID ID: 0000-0002-3974-0140,
Булатов Виктор Владимирович² — ведущий инженер, e-mail: podrivnik@inbox.ru, ORCID ID: 0000-0003-0818-883Х,
Асанович Данил Алексеевич² — ведущий инженер, e-mail: asanovichdnja1@mail.ru, ORCID ID: 0000-0001-8480-6009,
¹ Филиал Мурманского арктического университета в г. Апатиты,
² Горный институт — обособленное подразделение Федерального исследовательского центра «Кольский научный центр РАН».

Шибаева Д.Н., e-mail: shibaeva_goi@mail.ru.

1. Shibaeva D. N., Kompanchenko A. A., Bulatov V. V., Asanovich D. A. Express assessment of apatite content in apatite—nepheline ores of ultrabasic alkaline complexes based on its luminescent properties (the first study stage) // Minerals. 2023, vol. 13, no. 1, article 37. DOI: 10.3390/min13010037.

2. Shibaeva D. N., Voronin R. P., Kompanchenko A. A., Volkov D. O., Asanovich D. A. Bulatov V. V. Hardware and software solutions for the generation of a database of HSV-color characteristics for the main ores and rocks of the Khibiny Massif // Minerals. 2024, vol. 14, no. 2, article 186. DOI: 10.3390/min14020186.

3. Baraboshkin E. E., Demidov A. E., Orlov D. M., Koroteev D. A. Core box image recognition and its improvement with a new augmentation technique // Computers & Geosciences. 2022, vol. 162, article 105099. DOI: 10.1016/j.cageo.2022.105099.

4. Богуславский М. А., Рассулов В. А., Юрин Д. В. Возможности цифрового анализа изображений в качестве объективного помощника человеческому глазу при описании аншлифов руд // Бюллетень Московского общества испытателей природы. Отдел геологический. — 2022. — Т. 97. — № 4. — С. 3—11.

5. Павленко Н. А. Исследование и разработка оптико-электронной системы для сепарации минерального сырья по цвету: Автореф. дисс. … канд. техн. наук. — СПб., 2016. — 17 с.

6. Якимов Н. В. Использование методов Open CV для сегментации клеток легочного материала // Инновации. Наука. Образование. — 2021. — № 35. — С. 765—769.

7. Старовойтов В. В., Голуб Ю. И. Цифровые изображения: от получения до обработки. — Минск: ОИПИ НАН Беларуси, 2014. — 202 с.

8. Tudić V., Kralj D., Hoster J., Tropčić T. Design and implementation of a ball-plate control system and python script for educational purposes in STEM technologies // Sensors. 2022, vol. 22, no. 5, article 1875. DOI: 10.3390/s22051875.

9. Сорокин М. И. Методы распознавания образов на изображениях // Аллея науки. — 2017. — Т. 2. — С. 895—906.

10. Ershov E. I., Korchagin S. A., Bezmaternykh P. V. A generalization of Otsu method for linear separation of two unbalanced classes in document image binarization // Computer Optics. 2021, vol. 45, no. 1, pp. 66—75. DOI: 10.18287/2412-6179-CO-752.

11. Wan Azani Mustafa, Mohamed Mydin M. Abdul Kader Binarization of document images: A comprehensive review // Journal of Physics Conference Series. 2018, vol. 1019, no. 1, article 012023. DOI: 10.1088/1742-6596/1019/1/012023.

12. Xiqi Ma, Pengyu Zhang, Xiaofei Man, Leming Ou New belt ore image segmentation method based on the convolutional neural network and the image-processing technology // Minerals. 2020, no. 10 , no. 12, article 1110. DOI: 10.3390/min10121110.

13. Jorge Calvo-Zaragoza, Antonio-Javier Galleg A selectional auto-encoder approach for document image binarization // Pattern Recognition. 2019, vol. 86, pp. 37—47. DOI: 10.1016/j.patcog.2018.08.011.

14. Горобец Б. С., Портнов А. М. Расшифровка спектров люминесценции апатитов из различных месторождений // Труды минералогического музея имени А.Е. Ферсмана. — 1971. — № 20. — С. 70—75.

15. Терещенко С. В. Научные основы люминесцентной сепарации минерального сырья: Автореф. дисс. … докт. техн. наук. — СПб., 2005. — 48 с.

16. Горобец Б. С., Рогожин А. А. Спектры люминесценции минералов. Справочник. — М.: ВИМС, 2001. — 316 с.

17. Волотов Е. М., Нестеров С. В., Митрофанов И. В., Акименко Т. А., Ефимов А. Н., Кокорина С. Б. Метод устранения искажений изображения, вносимых за счет дисторсии объектива видеокамеры // Известия Тульского государственного университета. Технические науки. — 2018. — № 12. — С. 283—291.

18. Xi Chu, Zhixiang Zhou, Guojun Deng, Xin Duan, Xin Jiang An overall deformation monitoring method of structure based on tracking deformation contour // Applied Sciences. 2019, vol. 9, no. 21, article 4532. DOI: 10.3390/app9214532.

19. Глаголев В. М. Описание и программное устранение дисторсии объективов // Известия Тульского государственного университета. Технические науки. — 2017. — № 9-2. — С. 188—194.

20. Максимов В. А., Холопов И. С. Алгоритм коррекции проективных искажений при маловысотной фото/видеосъемке по данным от инклинометра и дальномера // Вестник Рязанского государственного радиотехнического университета. — 2016. — № 58. — С. 109—116. DOI: 10.21667/1995-4565-2016-58-4-109-116.

21. Кунина И. А., Гладилин С. А., Николаев Д. П. Слепая компенсация радиальной дисторсии с использованием быстрого преобразования Хафа // Компьютерная оптика. — 2016. — Т. 40. — № 3. — С. 395—403.

22. Hsien Ming Easlon, Arnold J. Bloom easy leaf area: Automated digital image analysis for rapid and accurate measurement of leaf area // Applications in Plant Sciences. 2014, vol. 2, no. 7, article 1400033. DOI: 10.3732/apps.1400033.