شکوفه ساعدی - کارشناس ارشد مهندسی فناوری اطلاعات
عبداله چاله چاله - گروه مهندسی کامپیوتر، دانشکده فنی مهندسی، دانشگاه رازی، کرمانشاه، ایران

در روش سنتی برای مطالعه­ کانی­ های موجود در مقاطع نازک، مرز کانی­ ها به­ صورت دستی جدا شده و هر بخش برچسب­ گذاری می­شود. این روش هزینه ­بر و نیازمند دانش، تخصص و تجربه بالایی است. بنابراین وجود یک سامانه شناسایی خودکار در این حوزه ضروری است. چنین سامانه­ ای می­تواند باعث افزایش دقت و کاهش خطاهای انسانی، هزینه و زمان تشخیص کانی­ ها ­شود. هدف این پژوهش، پیشنهاد یک سامانه تشخیص خودکار است که با استفاده از پردازش تصویر، کانی­های موجود را شناسایی و طبقه­­ بندی کند. مراحل اصلی روش ارائه شده شامل جمع­ آوری تصاویر از مقاطع نازک، قطعه­ بندی، استخراج ویژگی و طبقه ­بندی است. پس از ایجاد پایگاه­ تصاویر، الگوریتم JSEG برای قطعه ­بندی انتخاب و اعمال شده است. سپس ویژگی­ های رنگ و بافت در دو فضای رنگی RGB و HSI از هر ناحیه استخراج شده­ اند. این ویژگی­ ها، برای طبقه ­بندی به طبقه ­بند فرستاده شده و طبقه­ بند هر ناحیه را به عنوان یک کانی برچسب­ گذاری کرده است. به علاوه، در این پژوهش کارایی شش طبقه­ بند مختلف نیز برای این منظور مورد ارزیابی قرار گرفته است. براساس نتایج، طبقه ­بند Bagged Tree دارای بالاترین دقت به میزان ۹۵٫۵۲ و کمترین میزان میانگین خطای مطلق برابر با ۰٫۰۴ می­ باشد. همچنین همه طبقه ­بندها دارای دقت بالای ۹۳% هستند که نشان می ­دهد روش استخراج ویژگی پیشنهادی دارای قابلیت مناسبی است.