WO2023232191A1 - Verfahren zur orientierten dichteauswertung an einzelkörnern eines schüttgutstromes - Google Patents

Verfahren zur orientierten dichteauswertung an einzelkörnern eines schüttgutstromes Download PDF

Info

Publication number
WO2023232191A1
WO2023232191A1 PCT/DE2023/100386 DE2023100386W WO2023232191A1 WO 2023232191 A1 WO2023232191 A1 WO 2023232191A1 DE 2023100386 W DE2023100386 W DE 2023100386W WO 2023232191 A1 WO2023232191 A1 WO 2023232191A1
Authority
WO
WIPO (PCT)
Prior art keywords
density
image
pattern
contrast
individual grains
Prior art date
Application number
PCT/DE2023/100386
Other languages
English (en)
French (fr)
Inventor
Hartmut Harbeck
Original Assignee
minrocon GmbH
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by minrocon GmbH filed Critical minrocon GmbH
Publication of WO2023232191A1 publication Critical patent/WO2023232191A1/de

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
    • G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
    • G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
    • G01N23/083—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays
    • G01N23/087—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption the radiation being X-rays using polyenergetic X-rays
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures

Definitions

  • the invention relates to a method for oriented density determination of individual grains of a bulk material stream fed in the conveying direction, with broadband X-rays penetrating the individual grains and being spatially resolved in at least two spectral ranges to form a density gray image by a line sensor arranged transversely to the conveying direction, with a pixel-by-pixel calculation of the average atomic density with subsequent density classification based on the sensor signals of the X-rays collected in the at least two spectral ranges, which leads to a density class image.
  • Such a method for separating bulk materials is known from EP 1 703 996 B1, in which a density classification is carried out to determine the atomic density class based on the sensor signals of the X-ray photons of different energy spectra collected in the at least two sensor cells (Dual Energy X-Ray Transmission - DE- XRT).
  • a density classification is carried out to determine the atomic density class based on the sensor signals of the X-ray photons of different energy spectra collected in the at least two sensor cells (Dual Energy X-Ray Transmission - DE- XRT).
  • different classes of average atomic density are generated from the intensities of the two different spectral images, the assignment of which is largely independent of the material thickness, which enables a reliable density classification.
  • US 2010/0091943 A1 describes an X-ray process that is based on the use of monochromatic X-rays to generate image extracts of different energy levels.
  • the K-edges of the elements of the matter to be classified can be used to increase contrast.
  • the X-rays can be generated, for example, by a monochromator.
  • the principle of independent component analysis is used for the evaluation, a machine learning technique for differentiating multivariant signals.
  • the method is used on the medical lines of an electron synchrotron because there is a sufficiently high photon current available after the monochromator to control an imaging system.
  • monochromatic X-rays are used to produce a number of images at specific, concrete energy levels, which are evaluated after independent component analysis.
  • a filter hardware for processing digital images from any image source is known.
  • a filter matrix is moved over the image and the local minimum or local maximum is determined in this matrix.
  • JP 2011 067333 A describes a method for image capture by using a filter wheel in the beam path of the X-ray tube, through which several, e.g. two or four, energy levels can be generated.
  • the method is intended to be used in medical technology and to address the well-known challenge of motion blur.
  • it is proposed to synchronize the image recording with the patient's heartbeat.
  • DE 11 2014 001 140 T5 describes a process for obtaining cesium or rubidium from secondary ore. A standard DE-XRT sorter is used to determine the atomic number and/or material density, such as the device from CommodasUltrasort.
  • the X-ray systems available on the market which work according to the DE-XRT principle, evaluate the relative density information of each individual grain by classifying the pixels into density classes.
  • the type of material is ultimately determined through a rule-based evaluation of the pixel distribution across the density classes for each individual grain.
  • the advantage of this method is that it can be implemented using quick and simple algorithms, but the spatial distribution of density within the individual grain is lost.
  • a congruent property pattern image is calculated based on the density gray images of the spectral ranges parallel to the generated density class image, the property pattern image is compared with pre-created reference patterns and a comparison result assigned to each pixel position of the property pattern image is written into a result image, an evaluation according to the methods of pattern recognition is provided .
  • different pattern recognition algorithms are used.
  • the following properties are suitable for pattern recognition: spatial density distribution, contrast patterns, dark inclusions of a certain extent, light inclusions of a certain extent, spot patterns, grain size and grain shape, linear structures and noise patterns. This is preferred Contrast pattern recognition and density distribution pattern recognition are applied.
  • the results of pattern recognition are written into congruent images, which are then ultimately evaluated together. The calculation and evaluation of these properties all follow the same basic principle of pattern recognition and form independent, congruent image levels.
  • X-ray image processing is also suitable for image data from other imaging sensor systems, such as RGB color image processing in the visible spectrum, near-infrared spectroscopy (NIR) and/or UV fluorescence image processing.
  • the spatial distribution of the density is recorded , with which inclusions of sought-after materials can be made visible in individual grains, for example to find diamonds enclosed in kimberlite.
  • the density class image as a pattern of the distribution of the density classes is compared with pre-created density reference patterns, with a comparison result assigned to each pixel position of the density class image being written into a density result image, an image evaluation of the density classes is carried out by comparing them with predetermined density reference patterns which are pushed over the density class image are achieved. This makes it possible to recognize characteristic density distribution patterns that cannot be recognized in the simple, known evaluation of the density classes. Because the density class image is evaluated line by line and a segment data set is generated for each contiguous segment, to which the assigned results from the contrast and/or density result image are recorded and included, the distribution of the pixels across the density classes in this segment data set described and the results from the contrast result image and optionally also from the density result image are included for further evaluation.
  • geometric data for each generated object is recorded and carried as an additional property for the classification of this object. This means that in data processing, the object can be tracked based on the geometry data and, if necessary, exported precisely.
  • Properties assigned to the respective generated object are determined from the density class image and the contrast result image and/or the density result image. This means that the generated objects can be appropriately removed and thus sorted based on the properties determined. Preferably, the generated object with the assigned properties is tracked in the conveying direction and removed when properties are determined to be sorted out. Accordingly, the individual grains that describe them can be sorted out of the objects generated in data processing and thus concentrated. For the evaluation, the density gray image(s) of one or more spectral ranges can be used to calculate the contrast pattern image.
  • the contrast and/or density reference patterns can have different sizes and shapes.
  • the contrast and/or density reference patterns preferably have a size of 7x7 to 25x25 pixels, with the environment of the respective current pixel position being compared with the reference pattern in the contrast pattern image or in the density class pattern image.
  • the contrast reference patterns and/or the density reference patterns can be created in a variety of ways.
  • the contrast reference pattern and/or the density reference pattern is preferably generated from a training set of searched individual grains.
  • a training set consists of a large number of individual grains that contain the properties you are looking for, for example inclusions of the materials you are looking for, such as diamonds, gold or the like.
  • Fig. 2 shows a known processing process using
  • Fig. 3 shows the signal processing according to the invention.
  • Kimberlite is a blue-green to black ultramafic rock of igneous origin. It belongs to the group of peridotites and can lead to diamonds as an accompanying mineral. The rock forms very deep chimneys that reach to the earth's surface.
  • Kimberlite is usually mined in opencast mines and transported to the processing plant in intermittent production using heavy-duty trucks.
  • a classic processing process is shown in Fig. 1.
  • raw material 100 is brought to a grain size of ⁇ 50 mm by multi-stage comminution 11, 12 and classification 13 in order to break down the diamonds. It is assumed that almost all diamonds are well below this grain size, but in some deposits/processing plants it can be observed that large diamonds are broken during this process and therefore significant value is lost.
  • the kimberlite is usually fed to a density separation, namely heavy pulp sorting 14, in two grain bands, which typically enables a concentration of 100:1.
  • This separation process uses the higher specific density of free diamonds compared to kimberlite.
  • the mountains of the first stage of heavy pulp sorting are fed to a tertiary comminution stage 15 and classified again 16.
  • An undersize 101 of 0 - 1 mm is deposited. Further diamonds from the grain range 1 - 8 mm are broken down and discharged in a secondary heavy pulp sorting 17.
  • the pre-concentrated material stream from the primary and secondary heavy slurry sorting 14 and 17 is now fed to a cascade of sensor-based sorting devices 18 in order to detect free diamonds using the X-ray luminescence process (XRL) and into one using a compressed air pulse Concentrate container 19 to be transported.
  • XRL X-ray luminescence process
  • Concentrate container 19 Concentrate container 19 to be transported.
  • the material flow conveyed over a large area is exposed to X-rays.
  • the luminescence effect in the visible light range is used to detect diamonds and to control the rejection device.
  • the rest of the secondary heavy pulp sorting 17 and the sensor-based sorting devices 18 are stored as mountains 102.
  • X-ray luminescence is a surface process, only free diamonds with a pure surface can be detected. If the diamond is too dirty, covered by an oxide layer or only partially freed from kimberlite, it cannot be detected and will be lost. To avoid any confusion, it should be noted that in the practice of diamond mining, X-ray luminescence technology is often incorrectly referred to as X-ray fluorescence technology (XRF).
  • XRF X-ray fluorescence
  • the X-ray transmission process (Dual Energy 1 703 996 B1. Due to the high density difference between kimberlite (atomic number 14-20) and diamond (carbon, atomic number 6), this detection method provides a significantly better selectivity than the XRL method, at least for particle sizes over 1.5mm, so that a concentration of >1000:1 is realistic and density separation as a preconcentration can be dispensed with.
  • FIG.2 A known processing process using XRT sorting devices and without pre-concentration through heavy turbidity stages is shown in Fig.2.
  • sensor-assisted sorting based on XRT is used as far upstream in the process as possible to reduce the risk of breakage for large diamonds.
  • the raw material 100 is transported after primary comminution 20 to a first classification stage 21 and from there for the Oversize > 50 mm is fed to a first XRT sorting device 221 in order to recover potentially existing large diamonds (Large Diamond Recovery - LDR). Only then is the material passing through the XRT sorting stage fed to a secondary shredder 23.
  • This through-material which has now been further comminuted, is divided together with the undersize fraction ⁇ 50 mm from the first classification stage 21 in a second classification stage 24 into an undersize of 0 - 8 mm and an oversize of 8 - 50 mm.
  • additional diamonds are released and can be obtained after the second classification stage 24 in the subsequent second XRT sorting stage 222. This involves further breakdown using tertiary comminution 26 and tertiary classification 27.
  • Fine material of 1.5 - 4 mm is treated classically using heavy pulp sorting 28.
  • the diamond concentrate from this heavy sludge stage is processed in a special XRT sorting stage 224.
  • the selectivity of the standard DE-XRT technique is not sufficient for the detection of enclosed diamonds in kimberlite, since the influence of enclosed diamonds on the mean atomic density is overlaid by a number of disturbing effects such as the signal noise typical of X-rays, which are location and angle dependent Dispersion of density classification and density variance in the surrounding kimberlite.
  • the method according to the invention makes it possible to minimize these influences and to enable sufficient selectivity using spatial resolution for the detection of diamonds that are included in kimberlite.
  • the scattering is typically caused by the opening angle of the X-rays and by the scattering of the components used such as photodiode arrays, scintillators and filters.
  • a suitable structure of the camera is described in the application DE 102020 113 814 A1.
  • the orthogonal alignment of the modules achieves a measurement of the X-ray density that is largely independent of the opening angle.
  • it is proposed to optimize the selectivity-determining components for the application. This concerns the X-ray energy used in kiloelectron volts (KeV), material and thickness of the scintillator of the low energy channel and the high energy channel and filter material and thickness of the high energy pre-filter.
  • KeV kiloelectron volts
  • Signal processing is of particular importance, using suitable image processing methods to generate a data object internally for each individual grain of the bulk material flow that describes certain properties of the individual grain. These object properties are ultimately used for the rule-based classification of the objects.
  • Fig. 3 shows the block diagram of the signal processing of the proposed solution.
  • the image shows three data paths working in parallel for evaluating the image data of the two input channels: the higher-energy density gray image H 301 and the low-energy density gray image L 302. Each of these paths works with a preprocessed, congruent property image.
  • Path I known from EP 1 703 996 B1 shows the stages of classifying pixels according to the average atomic density.
  • the density classification 31 maps the two input signals density gray image H 301 and density gray image L 302 to n density classes, so that the density class image 32 is available at the output. Filter stages 321 are used to improve the image, in particular to suppress incorrect edge information.
  • the resultant Corrected density class image 322 is fed to a segmentation stage 33, which evaluates the image line by line and generates a line segment data set 34 for each contiguous segment in the foreground, which describes the distribution of the pixels across the density classes.
  • a segmentation stage 33 evaluates the image line by line and generates a line segment data set 34 for each contiguous segment in the foreground, which describes the distribution of the pixels across the density classes.
  • the congruent property images of paths II and III which are explained below, are evaluated so that the match results are included and included in the segment data set.
  • An object generation 35 searches for contact points of the segments and combines them into objects, so that object data records 36 contain the description of the overall properties of all three paths for the entire object.
  • the geometry data of the object is provided so that this data is available as additional properties for the classification of the objects and the position of the objects in the flow can be tracked.
  • the object data sets are finally fed to an object classification 37, which carries out a rule-based evaluation of the properties and clearly assigns the objects to a predefined material class. If the X-ray system is used as an analysis device, the acquired object data is used to calculate characteristics of the bulk material flow such as total throughput, percentage distribution of materials, and grain size distribution.
  • the material classes are assigned to the outputs of a sorting device and the actuators for removing the individual grains, which are assigned to the corresponding material classes, are discharged in a precise location using the geometry data of the object data sets, for which valve control data 38 is used.
  • Path II in Figure 3 allows the evaluation of the spatial distribution of density within foreground objects. This is achieved by feeding the density class image 32 to a density pattern comparator 43, which compares the pattern of the spatial distribution of the density classes in the vicinity of the current pixel with one or more density reference patterns 44.
  • the density pattern Comparator 43 returns a characteristic value “Match Rate 1”, which states to what degree the pattern in the vicinity of the current pixel position corresponds to the density reference pattern 44.
  • This match rate 1 is now compared with a default threshold value, the fit threshold 1. If match rate 1 > fit threshold 1, a logical “1” (True) is written into the (match) result image, otherwise a logical “0” (False).
  • This density result image 45 of the density class pattern evaluation (path II) is evaluated during the segmentation 33 as described above and is finally made available as an object property in the object data set.
  • the shape and size of the environment to be viewed can be specified and chosen so that the typical extent of the expected patterns is covered.
  • the possibility of supplying several density reference patterns 44 to the density pattern comparator 43 makes it possible to map the sizes and/or alignment variance of the patterns being sought.
  • path III which works in parallel, is proposed for evaluating patterns of the gray value distribution of the density gray image H 301 and the density gray image L 302.
  • the density gray images of the two channels 301 and 302 are first fed to a contrast pattern generator 51. This essentially calculates gray value differences between the current pixel and the pixels of the surrounding pixel matrix and produces a contrast pattern image 52 as a result. Different calculation methods are available here.
  • the contrast pattern image 52 is fed to a contrast pattern comparator 53. This compares the pattern of the spatial distribution of the contrast changes with one or more contrast reference patterns 54.
  • the contrast pattern comparator 53 returns a characteristic value “Match Rate 2”, which states to what degree the pattern in the area around the current pixel position corresponds Reference pattern corresponds. This match rate 2 is now compared with a default threshold fit threshold 2. If match rate 2 > fit threshold 2, a logical “1” (True) is written into a contrast result image 55 for contrast change patterns, otherwise a logical “0” (False).
  • the contrast result image 55 of the contrast change pattern evaluation is evaluated as described above during the segmentation 33 and finally made available as an object property in the object data set and further processed as described above.
  • the density and/or contrast reference patterns 44, 54 and in particular the combination of atomic density distribution (path I), density class pattern (path II) and contrast change pattern (path III), are trained - Software generated.
  • path I atomic density distribution
  • path II density class pattern
  • path III contrast change pattern
  • To train and generate the density and/or contrast reference patterns representative training sets of the individual grains sought are required. Since these training sets are always limited in terms of the number of individual grains, the training software allows the properties of the training set to be varied so that a specified detection rate is achieved. This process ensures that the best possible recognition rate of the product you are looking for is ultimately possible.
  • the method described above can be used not only for the detection of diamonds in kimberlite. Rather, it is suitable for detecting any holes in the grains of a mineral bulk material flow. While “bubbles” of lower density are detected when detecting enclosed diamonds, “bubbles” of higher density are usually detected in ore applications. In these ore applications, the inclusions can be very small in extent. Examples include tin ore, tungsten ore, lithium ore, non-ferrous metal ore, polymetal ore and gold ore. In tungsten ore, the enclosed tungsten often has inclusions that are only a few tenths of a millimeter in diameter and are therefore below the typical pixel resolution of X-ray cameras.

Landscapes

  • Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Toxicology (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

Die Erfindung betrifft ein Verfahren zur orientierten Dichtebestimmung an in Förderrichtung zugeführten Einzelkörnern eines Schüttgutstromes, wobei breitbandige Röntgenstrahlung die Einzelkörner durchdringt und von einer quer zur Förderrichtung angeordneten Zeilensensorik ortsaufgelöst in mindestens zwei Spektralbereichen zu jeweils einem Dichtegraubild L (301), H (302) aufgefangen wird, wobei eine pixelweise Berechnung der mittleren atomaren Dichte mit nachfolgender Dichteklassifizierung (31) aufgrund der Sensorsignale der in den wenigstens zwei Spektralbereichen aufgefangenen Röntgenstrahlung erfolgt, die zu einem Dichteklassenbild (32) führt, dadurch gekennzeichnet, dass basierend auf den Dichtegraubildern L(301), H (302) der Spektralbereiche parallel zum erzeugten Dichteklassenbild (32) ein deckungsgleiches Eigenschaftsmusterbild (52) errechnet wird, das Eigenschaftsmusterbild (52) mit vorerstellten Referenzmustern (54) verglichen wird und ein zu jeder Pixelposition des Eigenschaftsmusterbildes (52) zugeordnetes Vergleichsergebnis in ein Ergebnisbild (55) geschrieben wird.

Description

B E S C H R E I B U N G
VERFAHREN ZUR ORIENTIERTEN DICHTEAUSWERTUNG AN EINZELKÖRNERN EINES SCHÜTTGUTSTROMES
Die Erfindung betrifft ein Verfahren zur orientierten Dichtebestimmung an in Förderrichtung zugeführten Einzelkörnern eines Schüttgutstromes, wobei breitbandige Röntgenstrahlung die Einzelkörner durchdringt und von einer quer zur Förderrichtung angeordneten Zeilensensorik ortsaufgelöst in mindestens zwei Spektralbereichen zu jeweils einem Dichtegraubild aufgefangen wird, wobei eine pixelweise Berechnung der mittleren atomaren Dichte mit nachfolgender Dichteklassifizierung aufgrund der Sensorsignale der in den wenigstens zwei Spektralbereichen aufgefangenen Röntgenstrahlung erfolgt, die zu einem Dichteklassenbild führt.
Ein derartiges Verfahren zur Trennung von Schüttgütern ist aus der EP 1 703 996 B1 bekannt, bei dem zur Bestimmung der atomaren Dichteklasse aufgrund der Sensorsignale der in den wenigstens zwei Sensorzellen aufgefangenen Röntgenphotonen unterschiedlicher Energiespektren eine Dichteklassifizierung erfolgt (Dual Energy X-Ray Transmission - DE-XRT). Bei der Auswertung werden dabei aus den Intensitäten der zwei unterschiedlichen Spektralabbildungen verschiedene Klassen mittlerer atomarer Dichte erzeugt, deren Zuordnung weitgehend unabhängig von der Materialstärke ist, was eine zuverlässige Dichteklassifizierung ermöglicht.
US 2010/0091943 A1 beschreibt ein Röntgenverfahren, das auf der Verwendung von monochromatischer Röntgenstrahlung zur Erzeugung von Bildauszügen verschiedener Energieniveaus beruht. Hierbei lassen sich die K-Kanten der Elemente der zu klassifizierenden Materie zur Kontraststeigerung nutzen. Die Röntgenstrahlung kann z.B. durch einen Monochromator erzeugt werden. Zur Auswertung wird das Prinzip der unabhängigen Komponentenanalyse eingesetzt, eine maschinelle Lerntechnik zur Differenzierung multivarianter Signale. Das Verfahren wird an den medizinischen Linien eines Elektronen-Synchrotrons eingesetzt, da hier genügend hoher Photonenstrom zur Verfügung steht, um nach dem Monochromator noch einen ausreichenden Photonenstrom verfügbar zu haben, um ein bildgebendes System auszusteuern. Hier wird monochromatische Röntgenstrahlung verwendet, um eine Anzahl von Bildern bei bestimmten, konkreten Energieniveaus zu erzeugen, die nach der unabhängigen Komponentenanalyse ausgewertet werden.
Aus US 4 760 541 ist eine Filterhardware für die Bearbeitung von digitalen Bildern beliebiger Bildquellen bekannt. Hierbei wird eine Filtermatrix über das Bild bewegt und in dieser Matrix das lokale Minimum bzw. das lokale Maximum ermittelt.
In JP 2011 067333 A wird ein Verfahren zur Bilderfassung durch Verwendung eines Filterrades im Strahlengang der Röntgenröhre beschrieben, durch das mehrere, z.B. zwei oder vier, Energieniveaus erzeugt werden können. Das Verfahren soll in der Medizintechnik Anwendung finden und die hier bekannte Herausforderung der Bewegungsunschärfe adressieren. Um zwischen diesen Energiebildauszügen Fehler in der Deckung dieser Bilder durch Bewegung zu vermeiden, wird vorgeschlagen, die Bildaufnahme mit dem Herzschlag des Patienten zu synchronisieren.
Das AU 1995 010 054 B2 beschreibt Schichtröntgenverfahren (auch CT = Computer Tomografie oder CAT genannt) in verschiedenen Varianten, bei dem eine Dual-Energie-Detektoranordnung verwendet wird. Die High- und Low-Bilder werden voneinander subtrahiert und ein Differenzbild errechnet. In diesem Differenzbild wird nach Dichtebereichen gesucht, die charakteristisch für Diamanten sind. Charakteristisch für das Verfahren ist die Erzeugung von Dual- Energie-Differenzbildern aus verschiedenen Winkeln, die zu einen tomografischen Volumenbild verrechnet werden. Eine Mustererkennung wird hier nicht verwendet. DE 11 2014 001 140 T5 beschreibt ein Verfahren zur Gewinnung von Cäsium oder Rubidium aus sekundärem Erz. Hierbei kommt ein Standard DE-XRT Sortierer zur Atomzahl- und/oder Materialdichtebestimmung zum Einsatz, wie z.B. das Gerät von CommodasUltrasort.
Die im Markt verfügbaren Röntgensysteme, die nach dem DE-XRT - Prinzip arbeiten, werten eine relative Dichteinformation eines jeden Einzelkorns aus, indem eine Klassifizierung der Pixel in Dichteklassen erfolgt. Durch eine regelbasierende Auswertung der Pixelverteilung über die Dichteklassen je Einzelkorn wird schließlich die Materialart bestimmt. Der Vorteil dieses Verfahrens ist, dass es durch schnelle und einfache Algorithmen implementiert werden kann, jedoch geht die räumliche Verteilung der Dichte innerhalb des Einzelkorns verloren.
Daher ist es Aufgabe der Erfindung, bei dem eingangs genannten Verfahren zur orientierten Dichteauswertung an Einzelkörnern eines Schüttgutstromes die räumliche Verteilung der Dichte zu erfassen, um eine detailliertere Auswertung zu ermöglichen.
Gelöst wird diese Aufgabe mit einem Verfahren gemäß Anspruch 1.
Dadurch, dass basierend auf den Dichtegraubildern der Spektralbereiche parallel zum erzeugten Dichteklassenbild ein deckungsgleiches Eigenschaftsmusterbild errechnet wird, das Eigenschaftsmusterbild mit vorerstellten Referenzmustern verglichen wird und ein zu jeder Pixelposition des Eigenschaftsmusterbildes zugeordnetes Vergleichsergebnis in ein Ergebnisbild geschrieben wird, wird eine Auswertung nach den Methoden der Mustererkennung bereitgestellt. Je nach Anwendung kommen verschiedene Mustererkennungsalgorithmen zum Einsatz. Dazu sind folgende Eigenschaften für die Mustererkennung geeignet: räumliche Dichteverteilung, Kontrastmuster, dunkle Einschlüsse bestimmter Ausdehnung, helle Einschlüsse bestimmter Ausdehnung, Fleckigkeitsmuster, Korngröße und Kornform, linienhafte Strukturen und Rauschmuster. Bevorzugt wird die Kontrastmustererkennung sowie die Dichteverteilungsmustererkennung angewendet. Zur Auswertung werden die Ergebnisse der Mustererkennung in deckungsgleiche Bilder geschrieben, die dann schließlich gemeinsam ausgewertet werden. Dabei folgen die Errechnung und Auswertung dieser Eigenschaften alle dem selben Grundprinzip der Mustererkennung und bilden unabhängige deckungsgleiche Bildebenen.
Ferner wird darauf hingewiesen, dass das hier für die Röntgenbildverarbeitung beschriebene Verfahren sich auch für Bilddaten von anderen bildgebenden Sensorsystemen, wie beispielsweise RGB-Farbbildverarbeitung im sichtbaren Spektrum, Nahinfrarot-Spektroskopie (NIR) und/oder UV-Fluoreszenz- Bildverarbeitung eignet.
Dadurch, dass basierend auf den Dichtegraubildern der Spektralbereiche parallel zum erzeugten Dichteklassenbild ein deckungsgleiches Kontrastmusterbild errechnet, das Kontrastmusterbild mit vorerstellten Kontrast-Referenzmustern verglichen und ein zu jeder Pixelposition des Kontrastmusterbildes zugeordnetes Vergleichsergebnis in ein Kontrast-Ergebnisbild geschrieben wird, wird die räumliche Verteilung der Dichte erfasst, womit Einschlüsse von gesuchten Materialien in Einzelkörnern sichtbar gemacht werden können, beispielsweise für das Auffinden von in Kimberlit eingeschlossenen Diamanten.
Wenn das Dichteklassenbild als Muster der Verteilung der Dichteklassen mit vorerstellten Dichte-Referenzmustern verglichen wird, wobei ein zu jeder Pixelposition des Dichteklassenbildes zugeordnetes Vergleichsergebnis in ein Dichte-Ergebnisbild geschrieben wird, wird eine Bildauswertung der Dichteklassen durch Vergleich mit vorgegebenen Dichtereferenzmustern, die über das Dichteklassenbild geschoben werden, erreicht. Damit können charakteristische Dichteverteilungsmuster erkannt werden, die bei der einfachen bekannten Auswertung der Dichteklassen nicht erkannt werden können. Dadurch, dass eine zeilenweise Auswertung des Dichteklassenbildes erfolgt und für jedes zusammenhängende Segment ein Segmentdatensatz erzeugt wird, zu dem die zugeordneten Ergebnisse aus dem Kontrast- und/oder Dichte- Ergebnisbild aufgenommen und mitgeführt werden, wird die Verteilung der Pixel über die Dichteklassen in diesem Segmentdatensatz beschrieben und die Ergebnisse aus dem Kontrast-Ergebnisbild und optional auch aus dem Dichte- Ergebnisbild für die weitere Auswertung mitgeführt.
Wenn aus den Segmentdatensätzen über benachbarte Zeilen zusammenhängende Segmente zur Generierung von Objekten zusammengeführt werden, wird die jeweilige Verteilung der Pixel auf die Dichteklassen sowie die Vergleichsergebnisse der flächigen Verteilungsmuster von Dichte und Kontrast jedes individuellen Einzelkorns des Schüttgutstromes als Objekt in der Datenverarbeitung beschrieben.
Um die Position der Einzelkörner im Förderstrom verfolgen zu können, werden Geometriedaten zu jedem generierten Objekt als zusätzliche Eigenschaft für die Klassifizierung dieses Objektes erfasst und mitgeführt. Somit kann in der Datenverarbeitung das Objekt anhand der Geometriedaten verfolgt und bedarfsweise zielgenau ausgeschleust werden.
Dabei werden aus dem Dichteklassenbild und dem Kontrast- Ergebnisbild und/oder dem Dichte-Ergebnisbild dem jeweilig generierten Objekt zugeordnete Eigenschaften bestimmt. Somit können die generierten Objekte anhand der ermittelten Eigenschaften beispielsweise in geeigneter Weise ausgeschleust und somit sortiert werden. Bevorzugt wird das generierte Objekt mit den zugeordneten Eigenschaften in Förderrichtung verfolgt und bei als auszusortierend festgestellten Eigenschaften ausgeschleust. Entsprechend können aus den in der Datenverarbeitung generierten Objekten die diese beschreibenden Einzelkörner aussortiert und somit aufkonzentriert werden. Für die Auswertung können dabei für das Errechnen des Kontrastmusterbildes das/die Dichtegraubild(er) eines oder mehrerer Spektralbereiche verwendet werden.
Grundsätzlich können die Kontrast- und/oder Dichtereferenzmuster unterschiedliche Größen und Formen haben. Bevorzugt haben die Kontrast- und/oder Dichte-Referenzmuster eine Größe von 7x7 bis 25x25 Pixel, wobei im Kontrastmusterbild oder im Dichtklassenmusterbild das Umfeld der jeweiligen, aktuellen Pixelposition mit dem Referenzmuster verglichen wird.
Dabei können die Kontrast-Referenzmuster und/oder die Dichtereferenzmuster in unterschiedlichster Weise erstellt werden. Bevorzugt wird das Kontrast- Referenzmuster und/oder das Dichte-Referenzmuster aus einem Trainingssatz von gesuchten Einzelkörnern erzeugt. Dabei besteht ein Trainingssatz aus einer Vielzahl von Einzelkörnern, die die gesuchten Eigenschaften enthalten, beispielsweise Einschlüsse von gesuchten Materialien, wie Diamanten, Gold oder dergleichen.
Nachfolgend wird die Erfindung an einem Ausführungsbeispiel anhand der beiliegenden Figuren in Form von Ablaufdiagrammen beschrieben.
Darin zeigt:
Fig.1 einen Aufbereitungsprozess nach dem Stand der Technik mittels Röntgenlumineszenz (XRL),
Fig. 2 einen bekannten Aufbereitungsprozess unter Nutzung von
Röntgentransmission (XRT) und
Fig. 3 die erfindungsgemäße Signalverarbeitung.
Die Gewinnung von Diamanten aus Kimberlit hat eine lange Tradition. Anders als bei den alluvialen Lagerstätten, bei denen die Diamanten durch Witterung freigesetzt wurden, sind in kimberlitischen Lagerstätten die Diamanten zunächst in Kimberlit eingeschlossen. Kimberlit ist ein blaugrün bis schwarzes ultramafisches Gestein magmatischen Ursprungs. Es wird zur Gruppe der Peridotite gerechnet und kann als Begleitmineral Diamanten führen. Das Gestein bildet sehr tiefe bis an die Erdoberfläche reichende Schlote.
Kimberlit wird meist im Tagebau abgebaut und in diskontinuierlicher Förderung mit Schwerlastkraftwagen zur Aufbereitungsanlage transportiert. Einen klassischen Aufbereitungsprozess zeigt Fig. 1. Dort wird Rohfördergut 100 durch mehrstufige Zerkleinerung 11, 12 und Klassierung 13 auf eine Korngröße von <50mm gebracht, um die Diamanten aufzuschließen. Hierbei geht man davon aus, dass nahezu alle Diamanten deutlich unterhalb dieser Korngröße liegen, jedoch kann bei einigen Lagerstätten/Aufbereitungsanlagen beobachtet werden, dass große Diamanten bei diesem Verfahren gebrochen werden und somit ein erheblicher Wert verloren geht.
Zur Vorkonzentration wird das Kimberlit meist in zwei Kornbändern einer Dichtetrennung, nämlich Schwertrübesortierung 14 zugeführt, die typisch eine Aufkonzentration von 100:1 ermöglicht. Bei diesem Trennverfahren wird die höhere spezifische Dichte der freien Diamanten im Vergleich zum Kimberlit genutzt.
Die Berge der ersten Stufe der Schwertrübesortierung werden einer tertiären Zerkleinerungsstufe 15 zugeführt und erneut klassiert 16. Ein Unterkorn 101 von 0 - 1 mm wird abgelegt. Aus dem Kornbereich 1 - 8 mm werden weitere Diamanten aufgeschlossen und in einer sekundären Schwertrübesortierung 17 ausgebracht.
Der vorkonzentrierte Materialstrom der primären und sekundären Schwertrübesortierung 14 und 17 wird nun einer Kaskade von sensorgestützten Sortiergeräten 18 zugeführt, um freie Diamanten nach dem Röntgen- Lumineszenzverfahren (XRL) zu detektieren und per Druckluftimpuls in einen Konzentratbehälter 19 zu befördern. Hierbei wird der flächig geförderte Materialstrom mit Röntgenstrahlung beaufschlagt. Der Lumineszenzeffekt im Bereich des sichtbaren Lichtes wird hierbei genutzt, um Diamanten zu detektieren und die Ausschleuseeinrichtung anzusteuern. Der Rest der sekundären Schwertrübesortierung 17 und der sensorgestützten Sortiergeräte 18 wird als Berge 102 abgelegt.
Da es sich bei der Lumineszenz um ein Oberflächenverfahren handelt, können nur freie Diamanten mit reiner Oberfläche detektiert werden. Ist der Diamant zu stark verschmutzt, durch eine Oxidschicht bedeckt oder nur teilweise vom Kimberlit befreit, so ist er nicht detektierbar und geht verloren. Zur Vermeidung von Irritationen sei an dieser Stelle angemerkt, dass in der Praxis der Diamantengewinnung die Röntgenlumineszenz-Technologie oft fälschlicherweise als Röntgenfluoreszenz-Technologie (XRF) bezeichnet wird.
Mitte der 2000er Jahre wurde schließlich das Röntgentransmissionsverfahren (Dual Energy X-Ray Transmission - DE-XRT) in der sensorgestützten Sortierung etabliert, welches durch die Verwendung von zwei Energiebändern (Dual Energy) die Diskriminierung nach der mittleren atomaren Dichte ermöglicht entsprechend der eingangs genannten EP 1 703 996 B1. Durch den hohen Dichteunterschied zwischen Kimberlit (Kernladungszahl 14-20) und Diamant (Kohlenstoff, Kernladungszahl 6) liefert dieses Detektionsverfahren gegenüber dem XRL- Verfahren zumindest für Partikelgrößen über 1 ,5mm eine wesentlich bessere Trennschärfe, so dass eine Aufkonzentration von >1000:1 realistisch ist und auf die Dichtetrennung als Vorkonzentration verzichtet werden kann.
Ein bekannter Aufbereitungsprozess unter Nutzung von XRT-Sortiergeräten und ohne Vorkonzentration durch Schwertrübe-Stufen ist in Fig.2 dargestellt. Die sensorgestützte Sortierung auf Basis von XRT wird wie in diesem Beispiel möglichst weit vorn im Prozess eingesetzt, um die Bruchgefahr für große Diamanten zu senken. In Fig. 2 wird das Rohfördergut 100 nach einer Primärzerkleinerung 20einer ersten Klassierstufe 21 und von dort für das Überkorn > 50 mm einem ersten XRT- Sortiergerät 221 zugeführt, um potentiell vorhandene große Diamanten zu gewinnen (Large Diamond Recovery - LDR). Erst dann wird das Durchgangsmaterial der XRT-Sortierstufe einer Sekundärzerkleinerung 23 zugeführt.
Dieses nunmehr weiter zerkleinerte Durchgangsmaterial wird zusammen mit der Unterkorn- Fraktion < 50 mm aus der ersten Klassierstufe 21 in einer zweiten Klassierstufe 24 in ein Unterkorn von 0 - 8 mm und ein Überkorn von 8 - 50 mm geteilt. Bei der Sekundärzerkleinerung 23 werden weitere Diamanten frei und können nach der zweiten Klassierstufe 24 in der nachfolgenden zweiten XRT Sortierstufe 222 gewonnen werden. Hierbei wird mittels Tertiärzerkleinerung 26 und tertiärer Klassierung 27 weiter aufgeschlossen.
Feinmaterial von 1,5 - 4 mm wird klassisch mittels Schwertrübesortierung 28 behandelt. Das Diamanten-Konzentrat dieser Schwertrübestufe wird in einer speziellen XRT Sortierstufe 224 aufbereitet.
Der oben beschriebene Aufbereitungsprozess wird bisher nur für die Gewinnung freier Diamanten eingesetzt, ist aber auch wichtige Voraussetzung für die Erkennung und Gewinnung von eingeschlossenen Diamanten in Kimberlit.
Für die Detektion von eingeschlossenen Diamanten in Kimberlit reicht die Selektivität der Standard- DE-XRT Technik nicht aus, da der Einfluss eingeschlossener Diamanten auf die mittlere atomare Dichte überlagert wird von einer Reihe von Störeffekten wie z.B. das für Röntgen typische Signalrauschen, orts- und winkelabhängige Streuung der Dichteklassifizierung und Dichtevarianz in dem umgebenden Kimberlit.
Das erfindungsgemäße Verfahren erlaubt es, diese Einflüsse zu minimieren und eine hinreichende Selektivität mit Hilfe der räumlichen Auflösung zur Detektion von Diamanten, die in Kimberlit eingeschlossen sind, zu ermöglichen. Um eine möglichst hohe Selektivität zu erreichen, ist es entscheidend, dass der Aufbau der Röntgenkamera so gewählt ist, dass die Streuung der gemessenen Dichte möglichst gering ist. Die Streuung wird typischerweise durch den Öffnungswinkel der Röntgenstrahlung und durch die Streuung der verwendeten Bauteile wie Fotodiodenarrays, Szintillatoren und Filter verursacht.
Unvermeidliche Streuungen müssen durch geeignete Korrekturmechanismen kompensiert werden. Ein geeigneter Aufbau der Kamera wird in der Anmeldung DE 102020 113 814 A1 beschrieben. Durch die orthogonale Ausrichtung der Module wird eine weitgehende von Öffnungswinkel unabhängige Messung der Röntgendichte erzielt. Des Weiteren wird vorgeschlagen, die selektivitätsbestimmenden Komponenten für die Applikation zu optimieren. Dies betrifft die verwendete Röntgenenergie in Kiloelektronenvolt (KeV), Material und Stärke des Szintillators des Kanals niedriger Energie sowie des Kanals hoher Energie und Filtermaterial und -stärke des Vorfilters für hohe Energie.
Eine besondere Bedeutung kommt der Signalverarbeitung zu, die mittels geeigneter Bildverarbeitungsmethoden für jedes Einzelkorn des Schüttgutstromes rechnerintern ein Datenobjekt erzeugt, dass bestimmte Eigenschaften des Einzelkorns beschreibt. Diese Objekteigenschaften werden schließlich für die regelbasierende Klassifizierung der Objekte verwendet.
Fig. 3 zeigt das Blockschaltbild der Signalverarbeitung der vorgeschlagenen Lösung. Das Bild zeigt drei parallel arbeitende Datenpfade zur Auswertung der Bilddaten der zwei Eingangskanäle höher energetisches Dichtegraubild H 301 und nieder energetisches Dichtegraubild L 302. Jeder dieser Pfade arbeitet mit einem vorverarbeiteten deckungsgleichen Eigenschaftsbild. Der aus der EP 1 703 996 B1 bekannte Pfad I zeigt die Stufen der Klassifizierung von Pixeln nach der mittleren atomaren Dichte. Die Dichteklassifizierung 31 bildet die zwei Eingangssignale Dichtegraubild H 301 und Dichtegraubild L 302 auf n Dichteklassen ab, so dass am Ausgang das Dichteklassenbild 32 zur Verfügung steht. Filterstufen 321 dienen der Bildverbesserung, insbesondere der Unterdrückung fehlerhafter Randinformationen. Das dabei entstehende korrigierte Dichteklassenbild 322 wird einer Segmentierungsstufe 33 zugeführt, die das Bild zeilenweise auswertet und für jedes zusammenhängende Segment im Vordergrund einen Zeilensegmentdatensatz 34 generiert, der die Verteilung der Pixel über die Dichteklassen beschreibt. Zusätzlich werden in dieser Stufe die deckungsgleichen Eigenschaftsbilder der Pfade II und III, die nachfolgend erläutert werden, dahingehend ausgewertet, dass die Matchergebnisse in den Segmentdatensatz mit aufgenommen und mitgeführt werden.
Eine Objektgenerierung 35 sucht Berührstellen der Segmente und fasst diese zu Objekten zusammen, so dass Objektdatensätze 36 die Beschreibung der Summeneigenschaften aller drei Pfade für das gesamte Objekt enthalten. Zusätzlich werden die Geometriedaten des Objektes mitgegeben, so dass diese Daten einerseits als zusätzliche Eigenschaften für die Klassifizierung der Objekte zur Verfügung stehen und andererseits die Position der Objekte im Förderstrom verfolgt werden kann. Die Objektdatensätze werden schließlich einer Objektklassifizierung 37 zugeführt, die eine regelbasierende Auswertung der Eigenschaften vornimmt und die Objekte eindeutig einer vordefinierten Materialklasse zuordnet. Wird das Röntgensystem als Analysegerät eingesetzt, so werden die erfassten Objektdaten für das Berechnen von Kenndaten des Schüttgutstroms wie Gesamtdurchsatz, prozentuale Verteilung der Materialien, und Korngrößenverteilung verwendet. Bei Sortieranwendungen werden die Materialklassen den Ausgängen eines Sortiergerätes zugewiesen und die Aktoren zur Ausschleusung der Einzelkörner, die den entsprechenden Materialklassen zugeordnet werden, mit Hilfe der Geometriedaten der Objektdatensätze ortsgenau ausgetragen, wofür Ventilsteuerdaten 38 dienen.
Anders als der Pfad I, der Dichteklassifizierung, erlaubt der Pfad II in Fig. 3 die Auswertung der räumlichen Verteilung der Dichte innerhalb von Objekten im Vordergrund. Dies wird erreicht, indem das Dichteklassenbild 32 einem Dichte- Muster-Komparator 43 zugeführt wird, der das Muster der räumlichen Verteilung der Dichteklassen im Umfeld des jeweils aktuellen Pixels mit einem oder mehreren Dichte-Referenzmustern 44 vergleicht. Der Dichte-Muster- Komparator 43 liefert einen Kennwert „Match-Rate 1“ zurück, der aussagt, zu welchem Grad das Muster im Umfeld der aktuellen Pixelposition dem Dichte- Referenzmuster 44 entspricht. Diese Match-Rate 1 wird nun mit einem Vorgabeschwellwert, der Fit-Schwelle 1 verglichen. Ist Match-Rate 1 > Fit- Schwelle 1 , so wird ein logisches „1“ (True) in das (Match-)Ergebnisbild geschrieben, sonst ein logisches „0“ (False). Dieses Dichte-Ergebnisbild 45 der Dichteklassenmuster-Auswertung (Pfad II) wird wie oben beschrieben bei der Segmentierung 33 mit ausgewertet und schließlich als Objekteigenschaft im Objektdatensatz zur Verfügung gestellt. Form und Größe des zu betrachtenden Umfelds lassen sich hierbei vorgeben und so wählen, dass die typische Ausdehnung der erwarteten Muster abgedeckt wird. Durch die Möglichkeit, dem Dichte-Muster-Komparator 43 mehrere Dichte-Referenzmuster 44 zuzuführen, ist es möglich, Größen und/oder Ausrichtungsvarianz der gesuchten Muster abzubilden.
Neben der Auswertung von Mustern der Dichteklassenverteilung wird der parallel arbeitende Pfad III zur Auswertung von Mustern der Grauwertverteilung des Dichtegraubildes H 301 und des Dichtegraubildes L 302 vorgeschlagen. Hierzu werden die Dichtegraubilder der beiden Kanäle 301 und 302 zunächst einem Kontrast-Mustergenerator 51 zugeführt. Dieser berechnet im Wesentlichen Grauwertdifferenzen des aktuellen Pixels zu den Pixeln der umgebenden Pixelmatrix und erzeugt als Ergebnis ein Kontrastmusterbild 52. Hierbei stehen unterschiedliche Berechnungsmethoden zur Verfügung. Das Kontrastmusterbild 52 wird einem Kontrast-Musterkomparator 53 zugeführt. Dieser vergleicht das Muster der räumlichen Verteilung der Kontraständerungen mit einem oder mehreren Kontrast-Referenzmustern 54. Der Kontrast-Muster- Komparator 53 liefert einen Kennwert „Match-Rate 2“ zurück, der aussagt, zu welchem Grad das Muster im Umfeld der aktuellen Pixelposition dem Referenzmuster entspricht. Diese Match-Rate 2 wird nun mit einem Vorgabeschwellwert Fit-Schwelle 2 verglichen. Ist Match-Rate 2 > Fit- Schwelle 2, so wird ein logisches „1“ (True) in ein Kontrast-Ergebnisbild 55 für Kontrastwechselmuster geschrieben, sonst ein logisches „0“ (False). Das Kontrast-Ergebnisbild 55 der Kontrastwechselmuster- Auswertung wird wie oben beschrieben bei der Segmentierung 33 mit ausgewertet und schließlich als Objekteigenschaft im Objektdatensatz zur Verfügung gestellt und wie oben beschrieben weiterverarbeitet.
Solche für die gesuchten Einschlüsse charakteristische Muster sind schnell so komplex, dass der Nutzer des Systems diese Muster und deren Varianzparameter nicht mehr manuell überblicken und definieren kann. Um die Parametrierung der Mustererkennung handhabbar zu machen, werden die Dichte- und/oder Kontrast-Referenzmuster 44, 54, und insbesondere die Kombination aus atomarer Dichteverteilung (Pfad I), Dichteklassenmuster (Pfad II) und Kontrastwechselmuster (Pfad III), durch eine Trainings- Software generiert. Für das Trainieren und Erzeugen der Dichte- und/oder Kontrast- Referenzmuster sind repräsentative Trainingssets der gesuchten Einzelkörner erforderlich. Da diese Trainingssets bezüglich der Anzahl Einzelkörner stets limitiert sind, erlaubt die Trainingssoftware das Variieren von Eigenschaften des Trainingssets, so dass eine vorgegebene Detektionsrate erreicht wird. Dieses Verfahren stellt sicher, dass schließlich eine bestmögliche Erkennungsrate des gesuchten Produktes möglich wird.
Das oben beschriebene Verfahren lässt sich nicht nur bei der Detektion von Diamanten in Kimberlit einsetzen. Es ist vielmehr geeignet, um beliebige Einschüsse in den Körnern eines mineralischen Schüttgutstromes zu detektieren. Während bei der Detektion eingeschlossener Diamanten „Blasen“ geringerer Dichte detektiert werden, sind es bei Erzanwendungen meist „Blasen“ höherer Dichte“. Die Einschlüsse können bei diesen Erzanwendungen in der Ausdehnung sehr klein sein. Als Beispiele wären hier Zinnerz, Wolframerz, Lithiumerz, Buntmetallerz, Polymetallerz und Golderz zu nennen. Bei Wolframerz hat das eingeschlossene Wolfram oftmals Einschlüsse, die lediglich einen Durchmesser von wenigen zehntel Millimetern besitzen und damit unterhalb der typischen Pixelauflösung der Röntgenkameras liegen. Gleichzeitig kommen Einzelkörner vor, die massive Einschlüsse aufweisen. Hier eignet sich das oben beschriebene Verfahren besonders gut durch Kombination der Verarbeitung 1 mit der Dichteklassifizierung zur Detektion der massiven Einschlüsse (Pfad I) und mit der Kontrastmusterdetektion (Pfad III) für die Detektion der Einschlüsse im sub- Millimeter-Bereich. Bei Golderz-Anwendungen hat man heute einen typischen Goldgehalt (Head Grade) von <5g/t. Bei diesem geringen Gehalt ist keine direkte Detektion von Einschlüssen mehr möglich. Vielmehr ist lediglich das Vorhandensein von Begleitmineralien möglich, wenn die Korrelation dieser Begleitminerale mit dem Erzgehalt stark genug ist. Dies kann bei sulfidischen Begleitmineralen der Fall sein. Diese sulfidischen Einschlüsse wiederum lassen sich mittels XRT nach dem hier vorgestellten Verfahren effizienter als bisher detektieren und durch Sortierung vorkonzentrieren. Hierbei wird meist eine sogenannte Negativ- Sortierlogik angewendet, d. h. es werden die Einzelkörner aus dem Förderstrom ausgebracht, die einen sehr geringen Gehalt haben, so dass am Ausgang dieses Prozesses ein Produkt mit höherem Erzgehalt zur Verfügung steht.
Bezugszeichenliste
100 Rohfördergut
101 Unterkorn
102 Berge
11 Primärzerkleinerung
12 Sekundärzerkleinerung
13 Primäre Klassierung
14 Primäre Schwertrübesortierung
15 T ertiärzerkleinerung
16 Sekundäre Klassierung
17 Sekundäre Schwertrübesortierung
18 Sortiergerät
19 Konzentratbehälter
20 Primärzerkleinerung
21 Primäre Klassierung
221 Primäre XRT-Sortierstufe
222 Sekundäre XRT-Sortierstufe
223 Tertiäre XRT-Sortierstufe
224 Quartäre XRT-Sortierstufe
23 Sekundärzerkleinerung
24 Sekundäre Klassierung
26 T ertiärzerkleinerung
27 Tertiäre Klassierung
28 Schwertrübesortierung
301 Dichte-Graubild H
302 Dichte-Graubild L
31 Dichteklassifizierung
32 Dichteklassenbild
321 Filterstufen 322 korrigierte Dichteklassenbild
33 Segmentierung, Segmentierungsstufe
34 Zeilensegmentdatensatz
35 Objektgenerierung
36 Objektdatensätze
37 Objektklassifizierung
38 Ventilsteuerdaten
43 Dichte-Muster-Komparator
44 Dichte-Referenzmuster
45 Dichte-Ergebnisbild
51 Mustergenerator, Kontrast-Mustergenerator
52 Eigenschaftsmusterbild, Kontrastmusterbild
53 Musterkomparator, Kontrast-Musterkomparator
54 Referenzmuster, Kontrast-Referenzmuster
55 Ergebnisbild, Kontrast-Ergebnisbild
L, H Eingangskanäle, Dichtgraubilder

Claims

P A T E N T A N S P R Ü C H E Verfahren zur orientierten Dichtebestimmung an in Förderrichtung zugeführten Einzelkörnern eines Schüttgutstromes, wobei breitbandige Röntgenstrahlung die Einzelkörner durchdringt und von einer quer zur Förderrichtung angeordneten Zeilensensorik ortsaufgelöst in mindestens zwei Spektralbereichen zu jeweils einem Dichtegraubild L (301), H (302) aufgefangen wird, wobei eine pixelweise Berechnung der mittleren atomaren Dichte mit nachfolgender Dichteklassifizierung (31) aufgrund der Sensorsignale der in den wenigstens zwei Spektralbereichen aufgefangenen Röntgenstrahlung erfolgt, die zu einem Dichteklassenbild (32) führt, dadurch gekennzeichnet, dass basierend auf den Dichtegraubildern L(301), H (302) der Spektralbereiche parallel zum erzeugten Dichteklassenbild (32) ein deckungsgleiches Eigenschaftsmusterbild (52) errechnet wird, das Eigenschaftsmusterbild (52) mit vorerstellten Referenzmustern (54) verglichen wird und ein zu jeder Pixelposition des Eigenschaftsmusterbildes (52) zugeordnetes Vergleichsergebnis in ein Ergebnisbild (55) geschrieben wird. Verfahren nach Anspruch 1 , dadurch gekennzeichnet, dass das deckungsgleiche Eigenschaftsmusterbild ein Kontrastmusterbild (52) ist, das mit vorerstellten Kontrast-Referenzmustern (54) verglichen und ein zu jeder Pixelposition des Kontrastmusterbildes (52) zugeordnetes Vergleichsergebnis in ein Kontrast-Ergebnisbild (55) geschrieben wird. Verfahren nach Anspruch 2, dadurch gekennzeichnet, dass das Dichteklassenbild (32) als Muster der Verteilung der Dichteklassen mit vorerstellten Dichte-Referenzmustern (44) verglichen wird, wobei ein zu jeder Pixelposition des Dichteklassenbildes (32) zugeordnetes Vergleichsergebnis in ein Dichtemuster-Ergebnisbild 45) geschrieben wird. Verfahren nach Anspruch 2 oder 3, dadurch gekennzeichnet, dass eine zeilenweise Auswertung des Dichteklassenbildes (32) erfolgt und für jedes zusammenhängende Segment ein Segmentdatensatz erzeugt wird, zu dem die zugeordneten Ergebnisse aus dem Kontrast- und/oder Dichtemuster-Ergebnisbild (45, 55) aufgenommen und mitgeführt werden. Verfahren nach Anspruch 4, dadurch gekennzeichnet, dass aus den Segmentdatensätzen über benachbarte Zeilen zusammenhängende Segmente zur Generierung von Objekten zusammengeführt werden, die jeweils die Verteilung der Pixel auf die Dichteklassen sowie die Dichtemuster-Ergebnisse und die Kontrast-Ergebnisse enthalten. Verfahren nach Anspruch 5, dadurch gekennzeichnet, dass Geometriedaten zu jedem generierten Objekt als zusätzliche Eigenschaft für die Klassifizierung dieses Objektes erfasst und mitgeführt werden. Verfahren nach Anspruch 5 oder 6, dadurch gekennzeichnet, dass aus dem Dichteklassenbild (32) und dem Kontrast-Ergebnisbild (55) und/oder dem Dichtemuster-Ergebnisbild (45) die dem jeweilig generierten Objekt zugeordnete Eigenschaften bestimmt werden. Verfahren nach Anspruch 7, dadurch gekennzeichnet, dass das generierte Objekt mit den zugeordneten Eigenschaften in Förderrichtung verfolgt und bei als auszusortierend festgestellten Eigenschaften ausgeschleust wird. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass für das Errechnen des Kontrastmusterbildes (52) das/die Dichtegraubild(er) L (301), H (302) eines oder mehrerer Spektralbereiche verwendet werden. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass die Kontrast- und/oder Dichte- Referenzmuster (54, 44) eine Größe von 7x7 bis 25x25 Pixel haben, wobei im Kontrastmusterbild (52) oder im Dichtemusterbild (32) das Umfeld der jeweiligen, aktuellen Pixelposition mit dem Referenzmuster verglichen wird. Verfahren nach einem der vorangehenden Ansprüche, dadurch gekennzeichnet, dass das Kontrast-Referenzmuster (54) und/oder das
Dichte-Referenzmuster (44) aus einem Trainingssatz von gesuchten Einzelkörnern erzeugt wird.
PCT/DE2023/100386 2022-06-02 2023-05-24 Verfahren zur orientierten dichteauswertung an einzelkörnern eines schüttgutstromes WO2023232191A1 (de)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
DE102022114041.5 2022-06-02
DE102022114041.5A DE102022114041A1 (de) 2022-06-02 2022-06-02 Verfahren zur orientierten Dichteauswertung an Einzelkörnern eines Schüttgutstromes

Publications (1)

Publication Number Publication Date
WO2023232191A1 true WO2023232191A1 (de) 2023-12-07

Family

ID=86692720

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/DE2023/100386 WO2023232191A1 (de) 2022-06-02 2023-05-24 Verfahren zur orientierten dichteauswertung an einzelkörnern eines schüttgutstromes

Country Status (2)

Country Link
DE (1) DE102022114041A1 (de)
WO (1) WO2023232191A1 (de)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4760541A (en) 1986-01-29 1988-07-26 General Electric Company Two dimensional digital spatial filter for enhancement of point sources
EP1703996B1 (de) 2004-01-12 2007-10-17 CommoDaS® GmbH Vorrichtung und verfahren zur trennung von schüttgütern
WO2008157843A1 (en) * 2007-06-21 2008-12-24 Guardian Technologies International Inc. System and method for the detection, characterization, visualization and classification of objects in image data
US20100091943A1 (en) 2008-10-10 2010-04-15 Samsung Electronics Co., Ltd. Apparatus and method for image processing
JP2011067333A (ja) 2009-09-25 2011-04-07 Fujifilm Corp 放射線画像撮影装置及び撮影制御装置
DE112014001140T5 (de) 2013-03-05 2016-03-24 Cabot Corporation Verfahren zur Gewinnung von Cäsium oder Rubidium aus sekundärem Erz
RU2623692C2 (ru) * 2015-10-15 2017-06-28 Общество с ограниченной ответственностью "Лаборатория Скантроник" Система и способ для обнаружения алмазов в кимберлите и способ предварительного обогащения алмазов с их применением

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
DE102020113814A1 (de) 2020-05-22 2021-11-25 minrocon GmbH Schüttgutanalysevorrichtung, Schüttguttrennvorrichtung sowie Verfahren zur Analyse und/oder Trennung von Schüttgütern

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US4760541A (en) 1986-01-29 1988-07-26 General Electric Company Two dimensional digital spatial filter for enhancement of point sources
EP1703996B1 (de) 2004-01-12 2007-10-17 CommoDaS® GmbH Vorrichtung und verfahren zur trennung von schüttgütern
WO2008157843A1 (en) * 2007-06-21 2008-12-24 Guardian Technologies International Inc. System and method for the detection, characterization, visualization and classification of objects in image data
US20100091943A1 (en) 2008-10-10 2010-04-15 Samsung Electronics Co., Ltd. Apparatus and method for image processing
JP2011067333A (ja) 2009-09-25 2011-04-07 Fujifilm Corp 放射線画像撮影装置及び撮影制御装置
DE112014001140T5 (de) 2013-03-05 2016-03-24 Cabot Corporation Verfahren zur Gewinnung von Cäsium oder Rubidium aus sekundärem Erz
RU2623692C2 (ru) * 2015-10-15 2017-06-28 Общество с ограниченной ответственностью "Лаборатория Скантроник" Система и способ для обнаружения алмазов в кимберлите и способ предварительного обогащения алмазов с их применением

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
DMITRUK KRZYSZTOF ET AL: "Method for filling and sharpening false colour layers of dual energy X-ray images", IFAC-PAPERSONLINE - 16TH IFAC SYMPOSIUM ON CONTROL IN TRANSPORTATION SYSTEMS CTS 2021 LILLE, FRANCE, 8-10 JUNE 2021, vol. 48, no. 4, 2015, DE, pages 342 - 347, XP093071807, ISSN: 2405-8963, Retrieved from the Internet <URL:https://www.sciencedirect.com/science/article/pii/S2405896315008332/pdf?md5=cb323aa83c06a868db5928b07c7770a0&pid=1-s2.0-S2405896315008332-main.pdf> DOI: 10.1016/j.ifacol.2015.07.058 *
MANGERA RA'EESAH ET AL: "Using a classifier to track the edge of a conveyor belt", 2015 PATTERN RECOGNITION ASSOCIATION OF SOUTH AFRICA AND ROBOTICS AND MECHATRONICS INTERNATIONAL CONFERENCE (PRASA-ROBMECH), IEEE, 26 November 2015 (2015-11-26), pages 42 - 47, XP032834198, DOI: 10.1109/ROBOMECH.2015.7359496 *

Also Published As

Publication number Publication date
DE102022114041A1 (de) 2023-12-07

Similar Documents

Publication Publication Date Title
DE112012004856B4 (de) Kontrollsystem und Verfahren zur schnellen, platzsparenden Röntgentomografiekontrolle
DE3790473C2 (de) Trennverfahren für Diamanten
US8855809B2 (en) Material sorting technology
DE19812055C2 (de) Bildverarbeitung zur Materialerkennung mittels Röntgenstrahlungen
DE112004000879T5 (de) Verfahren und Vorrichtung zur Bestimmung eines Teilchenparameters und der Prozessorleistung in einem Kohle- und Mineral-Verarbeitungssystem
EP2335837B1 (de) Vorrichtung und Verfahren zur Abtrennung von schweren, mit unerwünschten Zusammensetzungen anfallenden Brocken
DE102007020545A1 (de) Detektormatrix und Vorrichtung zu deren Verwendung
DE112013006100T5 (de) Verfahren zur Röntgen-Lumineszenz-Mineralien-Separation und Röntgen-Lumineszenz-Sortierer zur Durchführung des Verfahrens
EP2934772A1 (de) Verfahren und vorrichtungen zum trennen von seltenerdhaltigem primärerz
DE202023101026U1 (de) Eine kombinierte Bildverarbeitungstechnik und ein überwachtes lernbasierendes System für die Korngrössenverteilung sandiger Böden
EP3108461B1 (de) Verfahren zum untersuchen eines wertdokuments und mittel zur durchführung des verfahrens
EP3734260A2 (de) Verfahren und vorrichtung zur röntgeninspektion von produkten, insbesondere von lebensmitteln
WO2005065848A1 (de) Vorrichtung und verfahren zur trennung von schüttgütern
DE112016001147T5 (de) Ladungsträgerstrahlvorrichtung und Bilderzeugungsverfahren damit
WO2023232191A1 (de) Verfahren zur orientierten dichteauswertung an einzelkörnern eines schüttgutstromes
DE202014100974U1 (de) Vorrichtung zur Bestimmung der Partikelgröße und/oder der Partikelform eines Partikelgemisches
DE102016105102A1 (de) Verfahren zur Untersuchung verteilter Objekte
DE102006014288A1 (de) Analyseverfahren unter Verwendung eines Energieverlust-Spektrometers und eines mit diesem ausgestatteten Transmissionselektronenmikroskops
DE69518504T2 (de) Detektion von verunreinigungen in metallagglomeraten
DE19720121C2 (de) Verfahren zur quantitativen Bestimmung der Anteile verschiedenartiger Stoffe in Schüttgütern
LU505483B1 (de) Ein verfahren zur unterscheidung der entstehung hydrothermaler quarzadern auf der grundlage von quarzkathodolumineszenz-eigenschaften in mineralvorkommen vom porphyr-typ
WO2009100835A1 (de) Verfahren und vorrichtung zur automatisierten fehlererkennung in der zerstörungsfreien werkstoffprüfung
AT511399B1 (de) Verfahren zur automatisierten klassifikation von einschlüssen
DE10352411B4 (de) Verfahren zur Entzerrung eines Röntgenbildes eines Gepäckstücks
DE102021117592B3 (de) Verfahren zum Betreiben eines Teilchenstrahlmikroskops, Teilchenstrahlmikroskop und Computerprogrammprodukt

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 23728588

Country of ref document: EP

Kind code of ref document: A1