Hallo und herzlich willkommen. Mein Name ist Marilyn, und ich bin Systemingenieurin bei JMP. Heute möchte ich Ihnen etwas über die beschleunigte Mineralienidentifizierung mit JMP Pro erzählen – KI-gestützte Erkenntnisse für die Bergbauindustrie. Bevor wir beginnen, möchte ich Ihnen kurz den Hintergrund und die Motivation für diese Präsentation erläutern.
Im Bergbau bestehen zahlreiche Herausforderungen bei der Identifizierung und Klassifizierung von Mineralien. Die Bestimmung von Mineralien im Gelände kann schwierig sein, erfordert Fachwissen und ist fehleranfällig. Traditionelle Methoden basieren größtenteils auf der manuellen Merkmalsextraktion der zu bestimmenden Mineralien, beispielsweise durch mikroskopische Untersuchung. Dieses Verfahren ist arbeitsintensiv, zeitaufwendig und fehleranfällig.
Da sich der Bergbau zunehmend auf abgelegene Gebiete oder Lagerstätten mit niedrigerem Erzgehalt ausdehnt, steigt der Bedarf an einer Echtzeit-Mineralklassifizierung vor Ort. Mein Lösungsvorschlag, den ich in diesem Poster vorstelle, besteht darin, das Torch-Add-in für JMP Pro zu nutzen, um ein Modell zu erstellen, das Mineralien in Echtzeit identifizieren und klassifizieren kann.
In meinem heutigen Beispiel möchte ich darauf hinweisen, dass JMP Pro benötigt wird, um das Torch-Add-in auszuführen. Dieses verwendet die Bilder als Eingabewerte (X), um ein Klassifizierungsmodell zur Vorhersage zukünftiger Mineralien zu erstellen. In diesem Beispiel habe ich einen Datensatz mit 953 Bildern von sieben verschiedenen Mineralien verwendet und damit ein Modell zur Mineralienklassifizierung trainiert. Dieser Datensatz ist eine Version eines Datensatzes von Kaggle.
In der Praxis würden Bergbauingenieure das Erz wahrscheinlich auf die für ihren Betrieb übliche Korngröße zerkleinern und anschließend Fotos des zerkleinerten Erzes anfertigen. Dabei würden sie auch die Kameraposition und die Lichtverhältnisse berücksichtigen, um sicherzustellen, dass die Trainingsbilder dem Bildmaterial so ähnlich wie möglich sind, das sie später in Echtzeit für die Klassifizierung aufnehmen werden.
Heute möchte ich Ihnen die einzelnen Schritte zeigen. Sie werden sehen, wie einfach es ist, mit Bildern bereits identifizierter Mineralien zu beginnen und schnell ein Vorhersagemodell zu erstellen, das zur Echtzeit-Klassifizierung der Mineralien im Bergbau eingesetzt werden kann. Der erste Schritt ist die Installation des Torch-Add-ins, das für JMP Pro im JMP Marketplace verfügbar ist. Ich zeige Ihnen, wie das aussieht.
Der JMP Marketplace bietet zahlreiche Erweiterungen, mit denen Sie die Funktionalität von JMP erweitern können. Dieses spezielle Add-in finden Sie hier: Torch Deep Learning für JMP Pro. Um es herunterzuladen, klicken Sie einfach auf den Download-Button. Nach Abschluss des Downloads ziehen Sie die heruntergeladene Datei per Drag & Drop in ein geöffnetes JMP-Fenster, um das Add-in zu installieren.
Auf dieser Seite finden Sie außerdem Informationen zu Systemvoraussetzungen und unterstützten JMP-Versionen sowie Hilfe und Dokumentation zur Verwendung des Add-ins. Nach der Installation des Add-ins erscheint oben in JMP ein neues Menü mit dem Titel „Add-ins“. Hier sehen Sie mein Torch-Add-in für Deep Learning. In meinem JMP-Journal befindet sich ein Screenshot, der die Optionen dieses Add-ins zeigt.
Es gibt die Möglichkeit, K-fache Validierungsspalten zu erstellen. Das sehen wir uns heute genauer an. Wir werden unser Torch-Modell anpassen. Dieses Add-in enthält außerdem mehrere Beispieldatensätze. Es gibt einige Bildbearbeitungsprogramme, die beim Manipulieren und Anordnen der Bilder helfen. Auch diese Optionen werden wir uns heute ansehen. Beim Herunterladen dieses Add-ins sind bestimmte Modelle enthalten; zusätzliche Modelle können ebenfalls heruntergeladen werden. Hilfe und Dokumentation finden Sie ebenfalls in diesem Menü.
Das ist Schritt 1. Ich habe das Add-in installiert. Als Nächstes importiere ich die Bilder in JMP und bereinige die Daten. Zuerst importieren wir die Mineralbilder für das Training des Modells in JMP. Dazu verwenden wir die Funktion „Mehrere Dateien importieren“ von JMP. Zuvor möchte ich Ihnen zeigen, wie die Mineralbilder in diesem Ordner angeordnet sind. Dazu ziehe ich einfach diese Datei hinein. Sie sehen, dass der Ordner „Mineralbilder“ heißt und darin zahlreiche Unterordner enthält. Jeder dieser Unterordner ist nach den darin enthaltenen Mineralbildern benannt.
Wenn ich beispielsweise den Ordner „Biotyp“ öffne, sehen Sie dort viele Bilder des jeweiligen Minerals. So ist dieser Datensatz bzw. diese Bilder auf meinem Rechner organisiert.
Jetzt importieren wir mit JMP (Funktion „Datei“ > „Mehrere Dateien importieren“) diese Bilder in JMP, um unser Modell zu trainieren. Ich zeige Ihnen die einzelnen Schritte im Journal und erkläre Ihnen anschließend, was Sie bei jedem Schritt tun müssen. Zunächst importieren wir mit „Datei“ > „Mehrere Dateien importieren“. Der Ordner mit den Bildern ist bereits ausgewählt. Ich möchte nun die Unterordner einbeziehen. Dieser Ordner enthält weitere Unterordner.
Hier unten sehe ich meine Bilder. Es sind viele JPEGs und andere Dateiformate dabei, auch einige PNGs. Das ist völlig in Ordnung. In der resultierenden Datentabelle soll JMP eine Spalte mit dem Dateinamen hinzufügen. Dieser Dateiname soll auf den Ordner verweisen, der die Mineralienbezeichnung enthält. Ich möchte also eine Spalte mit dem Mineraliennamen und eine weitere Spalte mit dem zugehörigen Bild in meiner Datentabelle. JMP soll all diese Dateien und Bilder in einer einzigen JMP-Datentabelle zusammenführen.
Klicken Sie nun auf „Importieren“. JMP lädt dann alle Bilder aus dem Ordner sowie eine neue Spalte mit dem Namen des jeweiligen Minerals. So, hier ist die resultierende Datentabelle. Es war wirklich einfach, meine 953 Bilder dieser Mineralien zu importieren. Schauen wir uns das hier mal genauer an. Die beiden Spalten rechts brauche ich nicht, also lösche ich sie, um einen besseren Überblick zu bekommen.
Jede Zeile hier zeigt ein Bild eines der Mineralien. In der zweiten Spalte steht der Name des Minerals, gefolgt vom Titel des jeweiligen Bildes und der zugehörigen JPEG-Datei. Ich muss die Daten noch etwas bereinigen. Das ist unser nächster Schritt.
Wir haben nun mehrere Dateien importiert. Im nächsten Schritt werden die Daten bereinigt. Zuerst bereinigen wir die Spalte mit den Bezeichnungen. Dazu verwenden wir die Funktion „Umkodieren“ und die erweiterten Optionen, um das Segment zu extrahieren. Ich benötige nur das Segment mit dem Namen des Minerals. Um dies in meiner Datentabelle zu erreichen, klicke ich mit der rechten Maustaste und wähle „Umkodieren“.
Ich möchte diese Ergebnisse in derselben oder einer bestehenden Spalte speichern und verwende dazu das Hotspot- oder rote Dreiecksmenü, um auf die erweiterten Optionen zuzugreifen. Ich möchte einen Teil eines Textsegments extrahieren. Hier kann ich dieses Steuerelement verwenden. Was ich erreichen möchte – das ist der Inhalt meiner Datentabelle – und hier sehe ich das Ergebnis.
Das sieht für mich ganz gut aus. Die Ergebnisseite zeigt, dass ich nur den Namen des Minerals habe und den Namen jeder einzelnen Datei entfernen kann. Ich bestätige das und speichere die Daten neu. So, jetzt haben wir die Namen unserer Mineralien. Wenn wir die Header-Diagramme erweitern, sehen wir, dass es sich um dieselben Mineralnamen handelt, die wir bereits in dem Ordner gesehen haben, den ich Ihnen vorhin gezeigt habe.
Okay, das war also unser zweiter Schritt. Schauen wir uns nun den nächsten an, denn wir müssen die Daten noch etwas bereinigen. Wir werden uns die Bildbearbeitungsfunktionen dieses Add-ins ansehen. In diesem speziellen Datensatz weisen die Bilder der Mineralien an Fingern und Händen einige zusätzliche Elemente auf, was Probleme beim Anpassen des Modells verursachen könnte.
Ich werde diese Bilder bearbeiten. Wir beschneiden sie, sodass nur die mittleren 50 % des Bildes erhalten bleiben und alles außerhalb entfernt wird. Dazu sehen Sie hier das Menü „Bildbearbeitung“. Dies ist Teil des Add-ins für Torch. Hier oben greife ich auf mein Torch Deep Learning zu. Hier befinden sich meine Bildbearbeitungswerkzeuge.
Okay, wir können also die Bildgrößen abrufen, die in einer separaten Spalte gespeichert werden. Wir können die Bilder nach Belieben vergrößern oder verkleinern. Ich werde sie jetzt, wie bereits erwähnt, zuschneiden. Das hier zeigt Ihnen einen kleinen Ausschnitt davon. Gehen wir zurück zur Datentabelle und bearbeiten die Bilder mithilfe unseres Add-ins „Torch Deep Learning, Image Utilities“. Ich möchte die Bilder zuschneiden.
Diese Datentabelle enthält nur eine Spalte mit Bildern, und ich kann die Einstellungen hier ändern, aber genau so möchte ich es haben. Die Einstellungen entsprechen diesem Beispiel. Mit diesen Einstellungen zeigt JMP bereits an, dass wir die mittleren 50 % der Bilder auswählen werden, was genau unseren Wünschen entspricht. Ich klicke jetzt auf „Ausführen“. JMP wird die Bilder bearbeiten.
Zum Vergleich zeige ich Ihnen nun jeweils einen Vorher-Nachher-Vergleich. Dabei gibt es einen kleinen Fehler in der Darstellung. Ich speichere die Datei daher in meinem Download-Ordner. Ich öffne sie gleich wieder, und Sie werden gleich sehen, warum.
Los geht's. Ich öffne einfach meine zuletzt verwendeten Elemente. Hier ist, was ich Ihnen zeigen möchte. Schauen Sie sich Zeile 4 an. In Zeile 4, genau hier, sehen Sie beispielsweise Finger im Bild. Rechts davon, nachdem wir das Bild bereinigt und zugeschnitten haben, sehen Sie eine Vergrößerung. Wir haben die überflüssigen Elemente aus dem Bild entfernt, die wir für unser Modell verwenden.
Wir verwenden den neu zugeschnittenen Spaltenausschnitt als X- und Y-Wert für unser Modell. Das korrekte Mineral ist der Y-Wert. Schauen wir uns den nächsten Schritt an. Wir haben die Bilder bearbeitet, die Daten importiert und bereinigt. Als Nächstes erstellen wir K-fache Validierungsspalten.
Dazu verwenden wir das Torch-Add-in. Ich zeige Ihnen, wie das aussieht. In meiner Datentabelle unter „Add-ins“ > „Torch Deep Learning“ erstellen wir K-fache Faltungsspalten. In diesem Fall betrachten wir die Antwortspalte (Y), die das richtige Mineral angibt, und verwenden diese Spalte auch zur Stratifizierung. Wir erstellen also drei Spalten, die diese Daten gruppieren.
In jeder dieser drei Spalten befinden sich fünf Gruppen. Wir verwenden diese K-fach gestreuten Spalten zur Validierung während des Modellaufbaus. Die Idee ist, einen Teil der Daten zum Modellaufbau und andere Teile zum Testen der Vorhersagen zu nutzen, um das Modell anschließend zu aktualisieren und zu verbessern. Wir verwenden also jeweils nur einen Teil der Daten. Über dieses Menü erstellen wir die dafür notwendigen Stratifizierungsspalten.
Ich klicke jetzt auf „Start“. JMP verwendet fortgeschrittene DOE-Techniken, um Gruppierungsspalten für die Validierung und Verbesserung des Modells zu erstellen. So, da haben wir es. Hier sehen wir drei neue Spalten: Fold A, B und C. Die Validierung mit all diesen Spalten und Gruppierungen dauert ziemlich lange, auf meinem Laptop vielleicht ein paar Stunden. Wenn wir unser finales Modell anpassen würden, würden wir wahrscheinlich alle Spalten nutzen und JMP die nötige Zeit geben, um das Modell anzupassen.
Heute lasse ich Sie nicht lange warten. Wir verwenden für diese Demonstration eine einfache Validierung mit nur einem Testdatensatz, um die Sache etwas zu beschleunigen. Dazu nutze ich Spaltenhilfsmittel und erstelle Indikatorspalten. Für unsere heutige Validierung verwenden wir die Spalte mit der Zahl 1. Wir könnten beispielsweise diesen Teil der Daten (763 Zeilen) verwenden, um ein Modell anzupassen, und anschließend die verbleibenden 190 Zeilen, um die Vorhersagen zu testen und das Modell zu aktualisieren. Wir verwenden für unser Beispiel eine einfache Validierung.
So können wir mithilfe dieses Add-ins K-fache Validierungsspalten erstellen. Im nächsten Schritt trainieren wir das Modell und optimieren es iterativ. Das heißt, wir trainieren das Modell und passen es dann leicht an. Für diese Torch-Modelle stehen uns viele Steuerungsmöglichkeiten zur Verfügung. Wir können kleine Änderungen vornehmen, um die Vorhersagegenauigkeit zu verbessern. Zunächst spezifizieren wir das Modell. Wir teilen JMP mit, was wir vorhersagen möchten.
Kehren wir zur Datentabelle zurück und führen wir die folgenden Schritte aus: Add-Ins, Torch Deep Learning, Torch Deep Learning. Hier weise ich JMP an, dass die Zielvariable Y das Mineral ist, und zwar basierend auf dem 50%-Ausschnitt der Bilder. Für dieses Beispiel verwenden wir eine einfache Validierung und bestätigen die Vorhersage.
Hier stehen Ihnen weitere Optionen zur Verfügung. Ich werde diese kurz erläutern; ausführlichere Dokumentationen dazu finden Sie ebenfalls hier. Hier können Sie die Modellanpassung steuern. Unter dem Dropdown-Menü für Bildmodelle finden Sie beispielsweise Modelle, die mit Tausenden von Bildern vortrainiert wurden. Wir verwenden ein solches vortrainiertes Modell und fügen dann unsere eigenen Bilder hinzu, um es an unsere Bedürfnisse anzupassen. Ich wähle GoogleNet. Mit diesem Datensatz und diesem Bildmodell habe ich gute Erfahrungen gemacht. Falls Sie sich nicht sicher sind, können Sie natürlich die Standardeinstellungen in JMP verwenden.
Ich passe hier auch die Anzahl der Epochen an. Das ist die Anzahl der Durchläufe durch die Daten. Ich reduziere diese Zahl etwas, um den Prozess zu beschleunigen. Natürlich können wir auch die Lernrate steuern, also wie schnell das Modell Fehler aus einem vorherigen Modell ausgleicht. Rechts davon finden wir weitere, fortgeschrittene Optionen. Ich schaue kurz in meinem Journal nach, um darauf einzugehen.
Wir verfügen über zahlreiche fortschrittliche Modellsteuerungsoptionen, die sich in drei Bereiche unterteilen lassen. Erstens die Modellspezifikationen: Welches Modell soll trainiert werden? Zweitens die Trainingssteuerung: Wie soll das Modell trainiert werden? Drittens die Optionen für die Bildmodellierung, also die Manipulation und Bearbeitung der Bilder.
Ich zeige Ihnen, wie das aussieht, und wir lassen dieses Modell für uns anpassen. Wenn ich die Optionen auf der rechten Seite erweitere, sehen Sie hier links. Es mag etwas unübersichtlich wirken, aber es gibt eine praktische Hover-Hilfe. Wenn Sie den Mauszeiger darüber bewegen, erhalten Sie einen kurzen Hinweis zu den einzelnen Optionen. Die Schichten in einem tiefen neuronalen Netzwerk entsprechen im Wesentlichen der Anzahl der Knoten in einem neuronalen Netz. Ich nehme für unser Beispiel acht.
Schauen wir uns nun den nächsten Bucket an, den Trainings-Bucket. Hier passe ich die Batchgröße an. Die Batchgröße gibt an, wie viele Datenzeilen wir gleichzeitig verarbeiten. Da mein Computer sonst nicht sehr schnell wäre, möchte ich nur 64 Datenzeilen gleichzeitig betrachten. Schließlich gibt es rechts die Bildoptionen. Mit der Bildgröße können wir die Größe des Bildes steuern. Ich wähle hier 228. Das hat sich bei diesem Datensatz bewährt.
Das ist alles, was ich vorerst ändern werde. Die Idee beim Anpassen eines Modells mit Torch Deep Learning ist folgende: Man kommt hierher, trainiert ein Modell und iteriert es dann. Man nimmt vielleicht kleine Anpassungen vor, um die Vorhersagefähigkeit oder Leistung des Modells zu verbessern. Ich gebe jetzt einfach mein Okay. JMP wird die Daten verarbeiten, und wir werden sehen, welches Modell wir erhalten.
Während JMP dies durchführt, erhalten wir in diesem kleinen Fenster Aktualisierungen, die uns die bisherige Leistung sowohl auf den Trainingsdaten (den Daten, die zum Trainieren des Modells verwendet werden) als auch auf den Validierungsdaten anzeigen. Wir konzentrieren uns insbesondere auf die Validierungsergebnisse, da diese uns einen besseren Eindruck davon vermitteln, wie gut das Modell Vorhersagen treffen wird, wenn wir ihm neue Bilder geben.
Ich betrachte hier die Genauigkeit sowohl für das Training als auch für die Validierung, und die Ergebnisse sehen bisher recht gut aus. Wir erreichen über 90 % Genauigkeit bei den Trainingsdaten, und die Genauigkeit bei den Validierungsdaten liegt zwischen 70 und 80 %. Dieses Modell haben wir sehr schnell trainiert. Mit anderen Optionen, beispielsweise mehr Epochen, könnten wir wahrscheinlich ein anderes, besseres Modell erhalten, ohne allzu viele Änderungen an unserem bestehenden Modell vornehmen zu müssen.
Schauen wir uns das hier an, denn das ist unser nächster Schritt: der Vergleich der Modelle. Wir haben bisher nur ein Modell erstellt. Sehen wir uns an, wie das mit einem einzigen Modell aussieht. Wenn wir weitere Modelle erstellen, fügt JMP hier im Modellvergleich zusätzliche Informationen hinzu, sodass wir verschiedene Modelle vergleichen können. Bei diesem ersten Modell, Modell 1, war die Zielgröße Mineral. Das sind die Informationen, die wir in das Fenster eingegeben haben, um unser Modell anzupassen.
Wir haben zwar Informationen zum Bestimmtheitsmaß (R²), aber ich werde mich damit nicht befassen, da wir keine Zahl vorhersagen, sondern Bilder klassifizieren. Uns interessieren die Genauigkeitsmaße, insbesondere die Validierungsgenauigkeit. Diese sieht bereits recht gut aus. Mit diesem Modell, das wir sehr schnell trainiert haben, erreichen wir fast 90 % Genauigkeit.
Hier sehen wir eine grafische Darstellung der Modellentwicklung während des Trainings. Man erkennt zwei Linien: eine für die Trainingsdaten und eine für die Validierungsdaten. Im Allgemeinen lässt sich beobachten, dass der Verlust bzw. Fehler des Modells mit jedem Trainingsdurchlauf abnimmt. Je öfter wir die Daten analysieren und so mehr Informationen aus den Bildern extrahieren, desto geringer wird der Fehler und desto besser werden unsere Vorhersagen.
Da diese Linien hier immer noch abnehmen, sollten wir wahrscheinlich die Anzahl der Epochen erhöhen und das Modell die Daten mehrmals durchlaufen lassen. Das könnte helfen, das Modell zu verbessern. Dies sind einige der Aspekte, die wir betrachten können, um die Leistungsfähigkeit des Modells zu beurteilen. Hier sehen wir die Diagramme mit Ist- und Vorhersagewerten. Links ist das tatsächliche Mineral und unten die vorhergesagte Wahrscheinlichkeit dargestellt. Im Wesentlichen handelt es sich bei den Werten auf der rechten Seite dieser Diagramme um gut vorhergesagte Werte. Links hingegen sind die Werte weniger gut vorhergesagt.
Hier ist alles interaktiv und dynamisch. Wenn wir beispielsweise zur Datentabelle zurückkehren und die Spalte mit den Bildern als Beschriftung festlegen, können wir beim Überfahren der Punkte mit der Maus sehen, welches Bild Quarz darstellt. Da dieses Bild im Diagramm ziemlich weit links liegt, wurde es wahrscheinlich falsch klassifiziert. Es handelte sich um Quarz. Wir könnten auch alle falsch klassifizierten Bilder hervorheben. Das sind hier etwa 40 Zeilen.
Wir könnten diese Bilder noch einmal überprüfen und sehen, ob es irgendwelche potenziellen Probleme mit den Bildern gibt, oder vielleicht müssen wir mehr Bilder von diesen speziellen Mineralien sammeln, um zu versuchen, diese Vorhersagen zu verbessern.
Hier unten finden Sie weitere Informationen. Wir betrachten die Konfusionsmatrizen der Validierungsdaten. Wir wünschen uns, dass die Diagonalen – egal ob wir die Häufigkeiten oder die Raten betrachten – große Zahlen und idealerweise Nullen darüber oder darunter aufweisen.
Bei Biotit ist das tatsächliche Mineral links aufgeführt, daneben die vorhergesagten Minerale. Die Genauigkeit liegt bei Biotit bei etwa 75 %, bei Boronit bei 92 %. Wir können sehen, wie gut die verschiedenen Modelle funktionieren. Hier sieht es so aus, als läge die Genauigkeit bei Muskovit bei 77,8 %. Muskovit scheint das Mineral zu sein, das wir mit diesem Modell am schlechtesten vorhersagen oder klassifizieren können.
Auch in meinem Fall haben wir nur ein Beispiel zum Vergleich. Ich möchte Ihnen in diesem Bericht zeigen, wie der Vergleich mehrerer Modelle aussehen würde. Sobald Sie weitere Modelle trainieren und die Optionen anpassen, fügt JMP diese automatisch zum Modellvergleich hinzu. Anschließend können Sie die Validierungsgenauigkeit mehrerer Modelle vergleichen und deren Leistung visualisieren.
Versuchen Sie also, Verbesserungen vorzunehmen und das bestmögliche Modell zu finden, bevor Sie fortfahren und es implementieren. Wir haben bereits kurz über den Vergleich von Modellen und die Auswertung der Ergebnisse gesprochen. Lassen Sie uns nun etwas genauer auf die Auswertung der Ergebnisse eingehen.
In dieser Ausgabe finden Sie einige wirklich schöne interaktive Diagramme. Ich möchte darauf hinweisen, dass es für jedes Ihrer Modelle zusätzliche Optionen gibt, um Daten in der Datentabelle zu speichern. Hier könnte ich beispielsweise die Einbettungen speichern. Ich klicke kurz darauf, wechsle zurück zu meiner Datentabelle und zeige Ihnen das.
Hier sehen Sie acht Spalten für die Einbettungen. Was sind Einbettungen? Wie Sie sich vielleicht erinnern, habe ich in den Modelleinstellungen acht Knoten für mein neuronales Netzwerk festgelegt. Genau das sind diese Einbettungen. Diese Knoten repräsentieren die Merkmale, die aus den Mineralbildern extrahiert wurden. Ich könnte diese Einbettungen als X-Werte oder Eingaben für Vorhersagemodelle verwenden, die andere Modellierungsplattformen innerhalb von JMP nutzen. Alternativ könnte ich auch Torch verwenden, um die Informationen zu extrahieren und damit Vorhersagen zu treffen oder ein Modell auf einer anderen Plattform zu erstellen.
Eine weitere tolle Option, zumindest für mich, da ich die Vorhersagegenauigkeit meines Modells gerne visualisiere, ist das Speichern der Vorhersagen in der Datentabelle. Ich zeige Ihnen, wie das aussieht. Dies ist das wahrscheinlichste bzw. vorhergesagte Mineral, das wir hier in der Datentabelle gespeichert haben. Mit dem Graph Builder lässt sich das tatsächliche Mineral ganz einfach auf der Y-Achse darstellen. Ich verwende es auch als Farbvariable. Das vorhergesagte Mineral trage ich auf der X-Achse ein.
Was bedeutet das? Die großen Kästchen stellen die korrekt klassifizierten Mineralien dar, alle Punkte außerhalb davon wurden falsch klassifiziert. Dies war Quarz. Er wurde als Boronit klassifiziert. Dies war Muskovit und wurde fälschlicherweise als Biotyp klassifiziert. So lässt sich leicht erkennen, welche Bilder falsch klassifiziert wurden und wie viele.
Eine weitere Option, die erwähnenswert ist: Aus diesem roten Dreieck lässt sich auch der Python-Code für Echtzeitvorhersagen generieren. Wenn dies unser finales Modell ist, wir mit den Vorhersagen zufrieden sind und es in Echtzeit implementieren möchten, können wir hier den Python-Code speichern. Ich werde das jetzt nicht tun, sondern später in meinem Journal beschreiben, was wir nach dem Export des Python-Codes damit anfangen können.
Wir möchten dieses Modell zur Vorhersage nutzen. In einem Bergwerk könnten wir folgendermaßen vorgehen: Sobald wir das trainierte Modell haben und den Python-Code exportiert haben, könnten wir ihn in ein System vor Ort integrieren. Dazu bräuchten wir eine Kamera, um Bilder der Mineralien oder des Erzes aufzunehmen, die aus dem Bergwerk gefördert werden. Wir bräuchten ein Endgerät, auf dem wir unseren Python-Code ausführen, sodass dieser die von der Kamera aufgenommenen Mineralbilder verarbeiten und sie schnell klassifizieren kann. Das ist die Idee. So könnten wir Vorhersagen in Echtzeit treffen.
Was könnten wir damit anfangen? Wir könnten diese Informationen nutzen, um Entscheidungen zu treffen, beispielsweise die Mahlparameter anzupassen. Wir könnten das Erz anhand dieser Vorhersagen automatisch vom Abraum trennen. Oder wir könnten in Echtzeit abschätzen, wie viel von jedem Mineral wir aus dem Erz gewinnen werden. Das wäre äußerst nützlich, wenn die Informationen in Echtzeit vorliegen.
Zum Schluss noch einige wichtige Punkte. Ich hoffe, Sie haben durch diese heutige Demonstration gesehen, dass Torch Deep Learning und JMP Pro eine elegante No-Code-Lösung für die Mineralienklassifizierung bieten. Modelle lassen sich schnell mit beschrifteten Bildern trainieren, und JMP stellt alle notwendigen Werkzeuge bereit, um Bilder zu importieren, die Daten zu bereinigen und vor der Modellerstellung vorzuverarbeiten. Echtzeitklassifizierung ist mit relativ einfacher Hardware möglich, und dieser Ansatz ermöglicht schnellere und präzisere Entscheidungen im Bergbau. Vielen Dank fürs Zuschauen!
