[논문 리뷰] Deep-XFCT: Deep Learning 3D-Mineral Liberation Analysis with Micro-X-ray Fluorescence and Computed Tomography

Patrick Kin Man Tung|arXiv (Cornell University)|2022. 07. 22.

Mineral Processing and Grinding참고 문헌 42인용 수 11

한 줄 요약

이 논문은 깊이 학습 프레임워크인 Deep-XFCT를 제안하며, 미세-X선 형광(μXRF) 및 미세-컴퓨터 단층촬영(μCT) 데이터를 융합하여 파손되지 않는 3차원 광물 분리 분석을 가능하게 한다. 표면 μXRF 맵을 기반으로 U-net 모델을 훈련하고, 이를 μCT 부피로 확장함으로써 페트리나 및 퀀츠와 같은 저밀도 광물을 성공적으로 구분하며, 샘플 준비 없이도 정확한 3차원 입자 분포 맵핑을 달성한다.

ABSTRACT

Quantitative characterisation through mineral liberation analysis is required for effective minerals processing in areas such as mineral deposits, tailings and reservoirs in industries for resources, environment and materials science. Current practices in mineral liberation analysis are based on 2D representations, leading to systematic errors in the extrapolation to 3D volumetric properties. The rapid development of X-ray microcomputed tomography (μCT) opens new opportunities for 3D analysis of features such as particle- and grain-size characterisation, determination of particle densities and shape factors, estimation of mineral associations, and liberation and locking. To date, no simple non-destructive method exists for 3D mineral liberation analysis. We present a new development based on combining μCT with micro-X-ray fluorescence (μXRF) using deep learning. We demonstrate successful semi-automated multimodal analysis of a crystalline magmatic rock by obtaining 2D μXRF mineral maps from the top and bottom of the cylindrical core and propagating that information through the 3D μCT volume with deep learning segmentation. The deep learning model was able to segment the core to obtain reasonable mineral attributes. Additionally, the model overcame the challenge of differentiating minerals with similar densities in μCT, which would not be possible with conventional segmentation methods. The approach is universal and can be extended to any multimodal and multi-instrument analysis for further refinement. We conclude that the combination of μCT and μXRF can provide a new opportunity for robust 3D mineral liberation analysis in both field and laboratory applications.

연구 동기 및 목표

• 2차원 광물 분리 분석에서의 체계적 오류를 극복하기 위해 3차원 부피 특성화를 가능하게 하기 위해.
• 유사한 광물 밀도를 가진 암석에서 3차원 광물 식별을 위한 비파괴적이고 자동화된 방법을 개발하기 위해.
• 다중 모odal 데이터(μXRF 및 μCT)를 깊이 학습을 통해 통합하여 저대비 광물 상ases의 분할 정확도를 향상시키기 위해.
• 광물 처리, 자원 특성 분석 및 환경 적용 분야에 적용 가능한 확장 가능한, 실험실에서 접근 가능한 워크플로우를 제공하기 위해.

제안 방법

• 원통형 코어 플러그의 상부 및 하부 표면에서 확득한 2차원 μXRF 맵을 기반으로 U-net 딥러닝 모델을 훈련한다.
• μXRF에서 확득한 표면 원소 조성 데이터를 사용해 광물 상을 예측하고, 이를 3차원 μCT 부피로 전파한다.
• 이미지 정렬을 통해 μXRF 표면 맵을 μCT 부피의 대응하는 수직 단면과 공간적으로 일치시켜 정합성을 확보한다.
• 초기 단계에서 K-means 군집화를 μXRF 데이터에 적용하고, 결과를 딥러닝을 통해 정밀 조정한다.
• 128×128 픽셀 패치를 사용한 패치 기반 접근 방식을 통해 미세한 및 거친 광물 특징의 탐지를 균형 있게 유지한다.
• 이 방법은 파괴적인 샘플 준비를 피하고, 전체 코어를 대상으로 한 비파괴적 3차원 광물 맵핑을 가능하게 한다.

실험 결과

연구 질문

• RQ1 딥러닝이 표면 μXRF 데이터와 3차원 μCT 데이터를 효과적으로 연결하여 정확한 3차원 광물 분리 분석을 가능하게 할 수 있는가?
• RQ2 μCT에서만 볼 경우 구분이 어려운 페트리나 및 퀀츠와 같은 저밀도 광물을 이 방법이 구분할 수 있는가?
• RQ3 다중 모달리티 데이터(μXRF 및 μCT)의 통합이 단일 모달리티 접근 방식에 비해 분할 정확도를 얼마나 향상시키는가?
• RQ4 이 워크플로우는 얼마나 자동화되고 다양한 암석 유형 및 기기 간에 일반화될 수 있는가?

주요 결과

• Deep-XFCT 방법은 μCT 데이터에서 유사한 밀도를 보이는 바이오르티크 앤디사이트 코어 플러그에서 페트리나와 퀀츠를 성공적으로 구분하였다.
• 딥러닝 모델은 3차원에서 광물 분포 및 형태를 정확하게 예측하였으며, 결과는 코어 내부 표면과의 비교를 통해 검증되었다.
• 이 방법은 샘플 준비 없이도 비파괴적이고 전체 코어를 대상으로 한 3차원 광물 분리 분석을 가능하게 한다.
• 이 방법은 미세한 입자, 저대비 광물에 대해 수작업 분할에 비해 뛰어난 성능을 보이며, 광물 분리 분석의 강력한 대체 수단을 제공한다.
• 워크플로우는 확장 가능하며, 지구과학 및 재료 과학 분야에서의 다른 다중 모달리티 영상 기술로도 확장 가능하다.
• 한계점으로는 3차원 추론에 표면 데이터에 의존하고 있으며, 2D에서 3D로의 투영 과정에서 잠재적인 아티팩트가 발생할 수 있다. 이는 3D U-net 또는 다중 척도 아키텍처를 통해 보완될 수 있다.