SulfideNet: Deep Learning for Detection and Quantification of Iron Sulfides in Drill Core Scans
Notice bibliographique
Résumé
Iron sulfide minerals such as pyrite, chalcopyrite, and pyrrhotite are among the most critical minerals in mining exploration, yet their precise detection and quantification remain highly challenging at a commercial scale due to the subjective nature of core logging and the inconsistencies that arise from discrepancies between individual geologists' judgement. This paper introduces SulfideNet, a novel deep learning framework designed for fast and accurate segmentation and measurement of sulfide minerals in drill core imagery. Leveraging deep learning, SulfideNet is trained on a curated dataset consisting of thousands of high-resolution core images, each paired with detailed, high-quality binary masks accurately identifying sulfide minerals. SulfideNet was evaluated with multiple validation strategies at various scales. First, it was benchmarked against expert geologist annotations on two validation datasets from orogenic gold and porphyry/epithermal deposits, achieving a high correlation in estimating sulfide mineral percentages with an MAE of 0.41%, and near human-level accuracy in pixel-to-pixel comparisons with Dice coefficient of 82%. Additionally, in prospective studies where geologists evaluated the quality of SulfideNet outputs on 5,664 intervals, it achieved an acceptance rate of 91.9%, demonstrating its reliability and potential for automated sulfide mineral quantification. The results indicate that SulfideNet delivers robust and reliable detection of sulfide minerals, positioning it as a useful AI-assistance tool for geologists in core logging. This innovation leads to improved consistency of core logging, improved geological models, and ultimately more informed decisions in mining exploration and processing.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».