[论文解读] 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 11

一句话总结

本文提出Deep-XFCT，一种深度学习框架，通过融合显微X射线荧光（μXRF）与显微计算机断层扫描（μCT）数据，实现非破坏性、三维矿物解离分析。通过在样品表面μXRF图谱上训练U-Net模型，并将分割结果传播至μCT体数据中，该方法成功区分了如长石和石英等低密度矿物，实现了无需样品制备的精确三维颗粒分布制图。

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.

研究动机与目标

• 通过实现三维体积分形，克服二维矿物解离分析中的系统性误差。
• 开发一种非破坏性、自动化的三维岩石矿物识别方法，适用于矿物密度相近的岩石。
• 利用深度学习整合多模态数据（μXRF与μCT），以提高低对比度矿物相的分割精度。
• 为矿物加工、资源表征及环境应用提供可扩展、实验室可及的工作流程。

提出的方法

• 在圆柱形岩心样品上下表面的2D μXRF图谱上训练U-Net深度学习模型。
• 利用μXRF提供的表面元素组成数据预测矿物相，并将结果传播至3D μCT体数据中。
• 通过图像配准将μXRF表面图谱与μCT体数据中对应的正交切片对齐，确保空间一致性。
• 对μXRF数据应用K-means聚类进行初始相分组，再通过深度学习优化结果。
• 采用基于图像块的方法，使用128×128像素的图像块，以平衡细粒与粗粒矿物特征的检测。
• 该方法避免了破坏性样品制备，实现了全岩心、非破坏性的三维矿物制图。

实验结果

研究问题

• RQ1 深度学习能否有效连接表面μXRF数据与3D μCT数据，实现精确的三维矿物解离分析？
• RQ2 该方法能否区分在μCT中无法分辨的低密度矿物（如长石与石英）？
• RQ3 与单模态方法相比，多模态数据（μXRF与μCT）的整合如何提升分割精度？
• RQ4 该工作流程在多大程度上可实现自动化与跨不同岩性及仪器的通用化？

主要发现

• Deep-XFCT方法在玄武安山岩岩心样品中成功区分了长石与石英，尽管二者在μCT数据中密度相近。
• 深度学习模型准确预测了三维空间中矿物的分布与形态，分割结果经由岩心内部表面验证。
• 该方法实现了无需样品制备的非破坏性、全岩心三维矿物解离分析。
• 该方法为矿物解离分析提供了稳健的替代方案，尤其在细粒、低对比度矿物方面优于人工分割。
• 该工作流程具备可扩展性，可推广至地球科学与材料科学中的其他多模态成像技术。
• 局限性包括依赖表面数据进行三维推断，以及2D到3D投影可能引入伪影，可通过使用3D U-Net或多尺度架构加以缓解。