Multisensorsystem für die automatisierte Detektion von Gangerzlagerstätten und seltenen Erden in einer Mine Sebastian Varga Technische Universität Bergakademie Freiberg, Institut für Markscheidewesen und Geodäsie ZUSAMMENFASSUNG Im Rahmen von UPNS4D+ wird von mir der Teilbereich der automatisierten untertägigen Detektion von Gangerzlagerstätten und seltenen Erden bearbeitet. Dies erfolgt mittels eines Multisensoransatzes, der aus einer Hyperspektralkamera, einer RGB-Kamera und einem Laserscanner besteht. Die Grundlagen für die Kombination von hyperspektraler Bildverarbeitung und einer RGB-Kamera sind in der Industrie im Bereich von automatisierten Sortieranlagen zu finden. Im Bereich der Fernerkundung ist der Einsatz hyperspektraler Bilder für die Detektion geologischer Merkmale seit einigen Jahrzehnten üblich. Hier kann im Rahmen meiner Forschung gezeigt werden, dass mittels hyperspektraler Bilder Pyrit unter Tage detektiert werden kann. ABSTRACT In my research I work on a system which detects automatically the ore and rare earth element in a mine. This is part of UPNS4D+. For the detection I use a multi sensor system which consists of a hyperspectral camera, a RGB camera and a Laser scanner. Basics of this combination can be found in the industry. The combination of a RGB camera and a hyperspectral camera enables an automatic sorting of for example waste materials. Landsat satellites in the 1970 uses spectral information in order to detect the geology of the surface. I have tested the hyperspectral imaging in the Reiche Zeche and I can now show that Pyrite can be detected. 276
1 Einführung Die steigende Nachfrage nach industriellen Produkten, die unter anderem auf eine zunehmende wirtschaftliche Entwicklung ehemals unterentwickelter Länder zurückzuführen ist, führt trotz zyklischer Schwankungen der Weltrohstoffpreise zu steigenden Rohstoffpreisen. Gleichzeitig wächst auch der Bedarf an seltenen Erden, die vor allem in China gefördert werden. Um die Abhängigkeit sowohl von den steigenden Rohstoffpreisen als auch von einzelnen Ländern zu reduzieren, ist es für ein ressourcenarmes Land wie Deutschland wichtig, die eigenen Erzlagerstätten effektiv zu nutzen. Eine Option stellen hierbei bereits aufgegebene Bergwerke dar. Eine weitere Möglichkeit sind Vorkommen, deren Ausbeute in der Vergangenheit unrentabel war. Für ersteren Fall müssen die Altbergwerke einer erneuten Exploration unterzogen werden. Da dies mit erheblichen Kosten für die Unternehmen und Risiken für die einfahrende Mannschaft verbunden ist, soll im Rahmen von UPNS4D+ ein autonom fahrendes Erkundungsfahrzeug für den untertägigen Einsatz entwickelt werden, das die untertägige Detektion der Lagerstätte unterstützt. Am Institut für Markscheidewesen und Geodäsie wird die Geologie der Bergwerke mithilfe von Verfahren aus der Fernerkundung erforscht, die nun im Nahbereich (wenige Meter) eingesetzt wird. Darüber hinaus wird für die Sensorwahl auf Vorbilder aus der Industrie 4.0 zurückgegriffen, im konkreten Fall auf die Selektion von Schüttgütern aus zum Beispiel der Recycling- und Sortierindustrie. Dieser Multisensoransatz wird für dieses Projekt um einen Laserscanner erweitert. 2 Theoretische Grundlagen 2.1 Möglichkeiten der (hyper)-spektralen Fernerkundung Der Begriff Hyperspektral Imaging wurde nach Goetz (2009) erstmalig in einem Paper von (Götz & Srivastava (1985) verwendet und als the acquisition of images in hundreds of contiguous, registered, spectral bands such that for each pixel a radiance spectrum can be derived definiert. Hierbei ist nicht die hohe Anzahl von spektralen Bändern (mehrere 100) das Schlüsselkriterium, sondern der Begriff kontinuierlich, der für die spektralen Bänder charakteristisch ist. Durch vergleichende Techniken wird es möglich, einzelne gemessene Spektren mit Referenzspektren aus spektralen Bibliotheken zu vergleichen und zu bestimmen (Goetz (2009)). Spektrale Bibliotheken sind beispielsweise die USGS Digital Spectral Library, die auf der Forschung im mittleren Infrarot- Spektralbereich von Clark et al. (1993) beruht, und die NASA ASTER, die auf Arbeiten von Salisbury (1992) basiert. Die Ursprünge spektraler Scanner reichen in die 1970er Jahre zurück. So war Landsat-1 mit einem multispektralen Scanner (MSS) ausgestattet, mit dem er Daten des Coconinoplateaus aufnahm (Goetz (2009)). Die Geologie dieses Plateaus wurde anschließend mittels Datenverarbeitung berechnet (Goetz et al. (1975), Goetz (2009)). Es war somit die Geologie, die das erste Einsatzgebiet der spektralen Scanner darstellte (Goetz (2009)). Die Einsatzgebiete erweiterten sich im Laufe der folgenden Jahre. So werden zum Beispiel Bodenprozess- (Goetz (1982) und Goetz (2009)) und Vegetationsaufnahmen mittels Spektren durchgeführt (Goetz (2009)). Grundlage für diese Entwicklung war ein Fortschreiten der Elektroniksensor- 277
und Computertechnik. Die spektralen Scanner wurden kleiner, so dass sie auf Flugzeuge montiert werden konnten, aber auch so mobil, dass sie als Feldscanner mit auf das Feld getragen werden konnten. Auf Sensorseite entwickelte sich aus den einst nur wenige Bänder umfassenden spektralen Scannern hyperspektrale Scanner (Goetz (2009)). In der Geologie als die Ursprungsdomäne der Anwendung von spektralen Scannern wurde in den frühen 1970er Jahren Grundlagenforschung für die physikalischen Prinzipien und Spektren für Gesteine und Minerale durch die Forschungsgruppe von Hunt et al. (1969) geleistet. Weitere Arbeiten finden sich bei Hunt et al. (1970), Hunt et al. (1974a und b, 1971a und b sowie 1973a und b). Eine Vielzahl von elektrischen Prozessen und Vibrationsprozessen verursachen für den sichtbaren und Nahinfrarot-Spektralbereich (0,325-2,5 µm) die bidirektionalen Reflexionsspektren der Mineralien und somit auch der Gesteine (Hunt 1977). Erstere befinden sich vor allem in einem Bereich bis zu 1000nm (Hunt 1977). Der Spektralbereich bis zu einer spektralen Wellenlänge von etwa 1000 nm wird gelegentlich auch als VNIR bezeichnet (Clark 1999, 1999). Dagegen wirken Letztere bei Wellenlängen von etwa über 1000 nm (Hunt 1977). Elektronenprozesse sind vor allen bei Eisenoxide und seltenen Erden dominant, wohingegen für beispielsweise Amblygonite Vibrationsprozesse kausal sind. Daher kann in dem hier dargestellten Forschungsvorhaben (Detektion von Erzlagerstätten und seltenen Erden) im spektralen Bereich bis zu 1000 nm gearbeitet werden. Dies hat den Vorteil, dass die eingesetzte Sensorik viel günstiger zu erwerben ist. 2.2 Kombination von hyperspektralen und RGB Sensoren für die Industrie Es ist in der Recyclingindustrie Standard mittels einer Kombination von hyperspektralen und RGB- Daten, Fraktion aus einem Massestrom zu detektieren (Headwall Photonics (2009), LLA Instruments GmbH). Michelsburg (2014) zeigt, dass dies ebenso für Inspektionssysteme geeignet ist. 3 Versuchsdurchführung 3.1 Sensorkonzept Wie in den theoretischen Grundlagen dargestellt, liegen die Ursprünge des Sensorkonzepts in industriellen Anwendungen wie der Sortiertechnik. Für das hier vorgestellte Forschungsprojekt wird für die automatisierte Detektion unter Tage eine RGB-Kamera mit einem Hyperspektralsensor kombiniert und zusätzlich ein Laserscanner eingebunden. Das Neue an diesem Konzept ist für den untertägigen Einsatz die Verbindung dieser drei Messinstrumente. Wie in Abbildung 1 dargestellt, dient die Hyperspektralkamera der Bestimmung der Materialsignaturen, also der Gesteinsart. Hierfür wird angenommen, dass sich die Gesteinsart innerhalb einer geologischen Fläche, die durch geologische Grenzflächen begrenzt ist, nicht ändert. Mittels Laserscanner werden die Kluftflächen ermittelt. Aus diesen werden im nächsten Schritt mithilfe der Kluftflächenstatistik die geologischen Grenzflächen berechnet. 278
Eine RGB-Kamera dient dazu, die Kluftflächen rein optisch zu detektieren. Diese beiden Verfahren sollen einerseits auf ihre Güte hin verglichen werden. Andererseits soll die Berechnung der geologischen Grenzflächen aus den mit den Laserscannern aufgenommenen und prozessierten Daten verbessert werden, indem die beiden Verfahren kombiniert werden. Darüber hinaus werden mit den von der RGB-Kamera aufgenommenen Bildern vorbereitende Arbeitsschritte vorgenommen, um eine Materialsignatur aus den Daten der Hyperspektralkamera zu bestimmen Abb. 1: Multisensorkonzept, das einen Hyperspektralsensor, eine RGB-Kamera und einen Laserscanner kombiniert 4 Auswertung der hyperspektralen Bilder Im Folgenden werden die bisherigen Resultate der untertägigen Untersuchung der Geologie in der Reichen Zeche dargestellt. Die Aufnahmen entstanden in Zusammenarbeit mit Prof. Bannehr (FH Dessau) an unterschiedlichen Gebieten in der Reichen Zeche. Vorbereitende Schritte der Datenaufbereitung erfolgten durch Studenten der FH Dessau im Rahmen einer Semesterarbeit. In Abbildung 2 ist das Referenzspektrum von Pyrit abgebildet. Das Spektrum der roten ROI (Region of Interest) auf dem Schaustück des Pyrits liegt ebenso als Radianz vor, wie die blaue ROI für das Spektrum der Spektralonplatte. Wird das Spektrum der ROI von Pyrit durch das Spektrum der ROI für die Spektralonplatte dividiert, ist das Resultat die Reflektanz. Hier liegt der für die Bestimmung charakteristische Bereich als Maximum bei ungefähr 700 nm. Der darauffolgende Abfall der Kurve beschreibt die Eisenverhältnisse. Diese Bereiche sind variabel und hängen u.a. von der genauen Zusammensetzung der Gesteine ab, die an den jeweiligen Standorten variabel ist. Ebenso führen stark reflektierende Oberflächen, Abschattungen und z.b. die Würfelstruktur bei Pyrit zu unterschiedlichen spektralen Verläufen. Die hier dargestellte Reflektanz ist das Resultat der Division der ROI der gesuchten Fläche und der ROI der Spektralonplatte. Diese dient zur Kalibrierung des Bildes. 279
Abb. 2: Spektrum von Pyrit, aufgenommen unter Laborbedingungen. Auf der Ordinate ist die Reflektanz abgebildet, auf der Abzisse die Wellenlänge in nm. In Abbildung 3 ist eine hyperspektrale Aufnahme eines Stoßes abgebildet, der für die Reiche Zeche charakteristisch ist. Gut zu erkennen ist die typische Beschaffenheit der untertägigen Geologie. Die gräulichen Flächen stellen Quarz da, wohingegen die goldenen bzw. räumlichen Flächen Pyrit sind. Dieser Pyrit weist auf dem Bild unterschiedliche Oxidationsstufen auf. So sind die bräunlichen Bereiche stärker oxidiert als die goldenen. Die besondere Schwierigkeit Pyrit, korrekt zu erkennen, besteht darin, dass Pyrit einen hohen Grad an Reflexion aufweist und durch die Würfelstruktur je nach Blickwinkel unterschiedliche stark reflektiert. Allgemein erschweren unter Tage die Verwitterungsoberflächen die Detektion. Abb. 3: Pyrit unter Tage 280
17. GEOKINEMATISCHER TAG Freiberg 2016 Abb. 4: Spektrum von Pyrit, aufgenommen unter Tage. Auf der Ordinate ist die Reflektanz abgebildet, auf der Abszisse die Wellenlänge in nm. In Abbildung 4 ist beispielhaft für die Geologie unter Tage eine ROI für Pyrit dargestellt. Gut zu erkennen ist, dass das dazugehörige Spektrum den im Labor gemessenen Spektren entspricht. Abb. 5: Spektrum von Pyrit, aufgenommen unter Tage. Klassifiziert wurde mittels Minimum Noise Fraction Transform (MNF) und im Anschluss daran mittels eines Support-VektorMaschine-Ansatzes, für den die Bilder mittels einer MNF vorbereitet wurden. Auf der Ordinate ist die Reflektanz abgebildet, auf der Abszisse die Wellenlänge in nm. Um hyperspektrale Bilder in ihrer Gesamtheit zu klassifizieren, wurden unterschiedliche Verfahren angewandt. Für diese Klassifikation werden die besten Resultate mit dem Support-Vektor-Maschine Ansatz (SVM) erzielt, daher wird kurz das Resultat der Messung dargestellt. Hierfür wird zuerst 281
eine Hauptkomponentenanalyse mittels Minimum Noise Fraction Transform (MNF) berechnet (Green et al. (1988)). Dieses Resultat dient als Input für den SVM. Das Resultat ist in Abb. 5 dargestellt. Es zeigt sich, dass das Spektrum gut mit den Labormessungen übereinstimmt. Charakteristisch ist der Wert um die 700 µm, gefolgt von einem unterschiedlich starken Abfall der Kurve, in der sich der Eisenanteil wiederfindet. 5 Resümee Abschließend kann festgestellt werden, dass mittels hyperspektralen Bildern eine Materialklassifikation unter Tage möglich ist. Eine weitergehende Optimierung sowie die Verknüpfung mit der RGB-Kamera und dem Laserscanner wird Gegenstand der zukünftigen Arbeiten sein. Für die weitere Arbeit ist es nötig, weitere Messungen mit diesen Sensoren durchzuführen. DANKSAGUNG Dieses Projekt wird vom Bundesministerium für Wirtschaft und Energie gefördert (FKZ: 033R126A). Die Projektpartner sind: Rheinisch-Westfälische Technische Hochschule Aachen, Fachhochschule Aachen, Indurad GmbH, Aachen, MILAN Geoservice GmbH, Kamenz, XGraphic Ingenieurgesellschaft mbh, Aachen, Fritz Rensmann, Maschinenfabrik, Diesellokomotiven, Getriebe GmbH & Co. KG, Dortmund, GHH Fahrzeuge GmbH, Gelsenkirchen, Technische Universität Delft, und Hermann Paus Maschinenfabrik GmbH, Emsbüren. Darüber hinaus danke ich Prof. Dr. rer. nat. Lutz Bannehr, Institut für Geoinformation und Vermessung, Hochschule Anhalt, Dessau-Roßlau, und seinen Studenten für Aufnahmen unter Tage. LITERATURVERZEICHNIS Clark, Roger N. (1999): Spectroscopy of Rocks and Minerals, and Principles of Spectroscopy. In: Rencz, Andrew N., Ryerson, Robert A. (Hg.): Remote sensing for the earth sciences, Bd. 3. 3rd ed. New York: Wiley (Manual of remote sensing, v. 3), S. 3 58. Online verfügbar unter http://speclab.cr.usgs.gov/papers.refl-mrs/refl4.html, zuletzt geprüft am 15.02.2016. Clark, R.N., G.A. Swayze, A. Gallagher, T.V.V. King and W.M. Calvin (1993): The U. S. Geological Survey. Digital Spectral Library: Version 1: 0.2 to 3.0 µm. U.S. Geological Survey, U.S. Geological Survey, Goetz, Alexander F.H. (2009): Three decades of hyperspectral remote sensing of the Earth. A personal view. In: Remote Sensing of Environment 113, S. S5-S16. DOI: 10.1016/j.rse.2007.12.014. Goetz, A. F. H. & Srivastava, V. (1985): Mineralogical mapping in the cuprite mining district. In: Gregg Vane und Alexander F. H. Goetz (Hg.): Proceedings of the Airborne Imaging Spec-trometer Data Analysis Workshop, April 8, 9, 10, 1985. Pasadena, Calif., [Springfield, Va.]: National Aero- 282
nautics and Space Administration, Jet Propulsion Laboratory, California Insti-tute of Technology; [National Technical Information Service, distributor] (NASA CR, 176210), S. 22 29. Goetz, A. F. H., Billingsley, F. C., Elston, D., Lucchitta, I., Shoemaker, E. M., Abrams, M. J. (1975): Applications of ERTS images and image processing to regionalgeologic problems and geologic mapping in northern Arizona. Pasadena, CA: Jet Propulsion Laboratory. In: JPL Technical, S. 32 1597. Goetz, A. F. H., Rowan, L. C., & Kingston, M. J. (1982): Mineral identification from orbit: Mineral identification from orbit: Initial results from the shuttle multispectral infrared radiome-ter (218), S. 1020 1024. Headwall Photonics (2009): Mining & Mineral Exploration Hyperspectral Imaging. Büro Berlin Schwarzschildstraße 1 D - 12489 Berlin. Hunt, Graham R. (1977): Spectral signatures of particulate minerals in the visible and near infrared. In: GEOPHYSICS 42 (3), S. 501 513. DOI: 10.1190/1.1440721.+- Hunt, G. R., and Salisbury, J. W. (1970): Visible and nearinfrared spectra of minerals and rocks-1. Silicate minerals. In: Modern Geology 1 (4), S. 238 300. Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1971a): Visible and near-infrared spectra of minerals and rocks-iii. Oxides and hydroxides. In: Modern Geology 2 (3), S. 195 205. Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1971b): Visible and near-infrared spectra of mineralsand rocks-iv. Sulphides and sulphates. In: Modern Geology 3 (1), S. 1 14. Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1973a): Visible and near-infrared spectra of mineralsand rocks-vi. Additional silicates. In: Modern Geology 4, S. 85 106. Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1973b): Visible and near-infrared spectra of mineralsand rocks-vii. Acidic igneous rocks. In: Modern Geology 4, S. 217 224. Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1974a): Visible and near-infrared spectra of mineralsand rocks-ix. Basic and ultrabasic igneous rocks. In: Modern Geology (In press). Hunt, G. R., Salisbury, J. W., and Lenhoff, C. J. (1974b): Visible and near-infrared spectra of mineralsand rocks-viii. Intermediate igneous rocks. In: Modern Geology (In press). Michelsburg, Matthias (2014): Materialklassifikation in optischen Inspektionssystemen mit-hilfe hyperspektraler Daten. Ross, H. P., Alder, J. E. M., and Hunt, G. R. (1969): A statistical analysis of the reflectance of igneous rocks from 0.2 to 2.65 microns. In: Icarus 1 (11), S. 46 54. Salisbury, John W. (1992): Infrared (2.1-25 [my]m) spectra of minerals. Baltimore: Johns Hopkins Univ. Press (Johns Hopkins studies in earth & space sciences series). 283