Die Inspiration für dieses Poster stammt von der wachsenden Zahl der Bergbaukunden von JMP in Lateinamerika.
Die Identifizierung von Mineralien im Gelände kann eine Herausforderung sein und erfordert oft Fachwissen, ist aber dennoch fehleranfällig. Herkömmliche Methoden basieren stark auf manueller Merkmalsextraktion und mikroskopischer Untersuchung, was arbeitsintensiv, zeitaufwändig und anfällig für Ungenauigkeiten sein kann. Dieses Poster stellt einen innovativen Ansatz vor, der Deep Learning in JMP Pro und dem Torch Deep Learning Add-In nutzt, um Mineralien effektiver zu klassifizieren. Das mit dieser Methode entwickelte Vorhersagemodell kann in einer Bergbauumgebung mit Kameras und anderen Geräten implementiert werden, um Mineralien vor Ort schnell zu klassifizieren.
Wir importieren Ordner mit Mineralbildern in JMP und verwenden das Torch Deep Learning Add-In, um ein Vorhersagemodell zu erstellen. Dieser Ansatz macht die manuelle Merkmalsextraktion und -codierung überflüssig und bietet eine optimierte und effizientere Lösung für die Mineralklassifizierung. Unsere Methode vereinfacht den Identifikationsprozess und verbessert die Genauigkeit. Dadurch ist sie einem breiteren Publikum ohne spezielles Fachwissen zugänglich.
Das Poster untersucht die Herausforderungen traditioneller Methoden der Mineralienidentifizierung und hebt deren Nachteile hervor. Anschließend werden die Schritte zum Importieren und Vorverarbeiten des Datensatzes sowie zur Anpassung des Deep-Learning-Modells detailliert beschrieben. Abschließend analysieren wir die Ergebnisse und zeigen die Effektivität des Modells und seinen potenziellen Nutzen für den Bergbausektor auf.
