[論文レビュー] Deep-XFCT: Deep Learning 3D-Mineral Liberation Analysis with Micro-X-ray Fluorescence and Computed Tomography

Patrick Kin Man Tung|arXiv (Cornell University)|Jul 22, 2022

Mineral Processing and Grinding参考文献 42被引用数 11

ひとこと要約

本論文は、マイクロX線フラーレンスセンシング（μXRF）とマイクロコンピュータ断層撮影（μCT）データを統合する深層学習フレームワーク、Deep-XFCTを提案する。この手法により、破壊的試料前処理を伴わず、3次元的な鉱物解放解析が可能となる。表面のμXRFマップを用いてU-netモデルを学習し、そのセグメンテーション結果をμCTボリュームに伝搬させることで、フェルドスパや石英のような低密度鉱物を正確に区別し、試料前処理なしに3次元的な鉱物分布マッピングを実現した。

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.

研究の動機と目的

• 2次元鉱物解放解析における系統的誤差を克服し、体積的特性を3次元的に特徴づけることを目的とする。
• 類似した鉱物密度を有する鉱石において、破壊的でなく自動化された3次元鉱物同定手法を開発することを目的とする。
• 深層学習を用いて多モodalデータ（μXRFとμCT）を統合し、コントラストが低い鉱物相のセグメンテーション精度を向上させることを目的とする。
• 鉱物リソース処理、資源特徴化、環境応用分野に応用可能なスケーラブルでラボで利用可能なワークフローを提供することを目的とする。

提案手法

• 円筒形コアプラグの上面および下面からの2次元μXRFマップを用いて、U-net深層学習モデルを学習する。
• μXRFから得られる表面の元素組成データを用いて鉱物相を予測し、その予測結果を3次元μCTボリュームに伝搬させる。
• 画像登録を用いてμXRF表面マップとμCTボリューム内の対応する直交スライスを一致させ、空間的一致性を確保する。
• 初期の相グループ化のため、μXRFデータにK-meansクラスタリングを適用し、その後深層学習による精錬を実施する。
• 微細および粗い鉱物特徴の両方を適切に検出できるよう、128×128ピクセルのパッチベースアプローチを採用する。
• 破壊的試料前処理を回避し、全コアを対象とした非破壊的3次元鉱物マッピングを可能にする。

実験結果

リサーチクエスチョン

• RQ1 深層学習は、表面のμXRFデータと3次元μCTデータを効果的に統合し、正確な3次元鉱物解放解析を可能にするか？
• RQ2 μCTでは区別できないフェルドスパや石英のような低密度鉱物を、この手法は区別できるか？
• RQ3 多モーダルデータ（μXRFとμCT）の統合は、単一モーダル手法と比較してセグメンテーション精度をどの程度向上させるか？
• RQ4 このワークフローはどの程度自動化可能であり、異なる岩石種や機器に一般化可能か？

主な発見

• Deep-XFCT手法は、μCTデータにおいて密度が類似しているにもかかわらず、玄武岩アンデサイトのコアプラグにおいてフェルドスパと石英を正確に区別した。
• 深層学習モデルは、3次元的な鉱物分布および形状を正確に予測し、コア内部の表面と照合することでセグメンテーション結果の妥当性を検証した。
• この手法により、試料前処理を伴わず、全コアを対象とした非破壊的3次元鉱物解放解析が可能となった。
• このアプローチは、微細でコントラストが低い鉱物に対して、手動セグメンテーションを上回る強固な代替手段を提供した。
• このワークフローはスケーラブルであり、地球科学および材料科学分野における他の多モーダルイメージング技術へも応用可能である。
• 制限事項として、3次元推論に表面データに依存すること、および2次元から3次元への投影に起因するアーチファクトが生じる可能性がある。これらの問題は、3次元U-netやマルチスケールアーキテクチャの導入により緩和可能である。