L'apprentissage profond étend la microfluorescence X 2D au volume des données XCT pour la minéralogie 3D
Le terme « Deep XFCT » a été inventé dans cet article publié dans MDPI Energies, où Dragonfly L'apprentissage profond a été utilisé pour étendre la microfluorescence X (microXRF) 2D, basée sur la surface, à la segmentation de volumes 3D issus de données XCT. La microXRF est très utile pour la cartographie chimique 2D. La XCT est excellente pour l'imagerie volumétrique. La combinaison de ces deux méthodes est possible grâce à l'apprentissage profond, permettant ainsi de tirer parti de leurs avantages respectifs et d'obtenir une cartographie minérale 3D.
Selon Patrick Tung, auteur principal de l'ouvrage : « … » Dragonfly a joué un rôle déterminant en nous permettant de réaliser rapidement et facilement l'ensemble des analyses au sein d'un logiciel cohérent. Il a non seulement été possible d'ajuster et d'optimiser le recalage entre les différentes modalités d'imagerie, mais aussi d'appliquer des protocoles d'apprentissage profond pour la segmentation et la visualisation.
Présentation vidéo
Publication
Tung, PKM, Halim, AY, Wang, H., Rich, A., Marjo, C. et Regenauer-Lieb, K., 2022. Deep-XFCT : Analyse de libération minérale 3D par apprentissage profond avec microfluorescence X et tomographie informatisée. Énergies 2022 , 15, 5326 ( https://doi.org/10.3390/en15155326 ).
Centre de recherche
Centre de radiographie des pneus
( https://www.unsw.edu.au/engineering/our-schools/minerals-and-energy-resources-engineering/our-research/facilities/tyree-x-ray )
Images
Rendu 3D montrant les données CT avec segmentation des minéraux en couleur par apprentissage profond.