Gardets

Forskare automatiserar bildigenkänning av kärna

Kredit: Pixabay/CC0 Public Domain

Skoltech-forskare har tr√§nat ett neuralt n√§tverk f√∂r att effektivt k√§nna igen stenprover i k√§rnboxbilder. Det p√•skyndade analysprocessen med upp till 20 g√•nger och gjorde det m√∂jligt att automatisera beskrivningen av stenprover. Den utvecklade algoritmen anv√§nds i DeepCore-systemet ‚Äď en digital geologisk prospekteringstj√§nst skapad av Digital Petroleum, en spin-off av Skoltech. Detaljerna f√∂r metoden beskrivs i artikeln publicerad i Datorer och geovetenskap.

En av de rutinmässiga uppgifterna för geologisk forskning är beskrivning av bergprover. I många fall staplas den utvunna bergkärnan i lådor. Forskare tar fotografier av lådor eller kolumner under kärnstudien. Beskrivningen sammanställs manuellt genom att fylla i kalkylblad eller geologiska tidskrifter. Standardanalysproceduren innebär manuell extraktion av kolumner från fotografier av lådor i en grafisk editor. Detta är en ganska tidskrävande process.

För att automatisera denna process har forskare använt maskininlärningsmetoder. Men traditionella datorseende algoritmer fungerar dåligt vid denna uppgift på grund av den begränsade mängden data och stora skillnader mellan bilder. Till exempel om kärnkolumnen skiljer sig i färg eller struktur från intilliggande eller fotograferade under olika förhållanden. Sådana skillnader påverkar avsevärt prestandan hos maskininlärningsalgoritmer, som kräver en stor datamängd som beskriver alla möjliga varianter. Som ett resultat måste man lägga tid på att omskola modellen.

F√∂r att l√∂sa detta problem anv√§nde Skoltech-forskare djupa konvolutionella neurala n√§tverk – artificiella neurala n√§tverk som liknar strukturen hos djurs visuella cortex. F√∂r att tr√§na det neurala n√§tverket anv√§nde forskarna augmentation som lade till modifierade kopior av k√§rnboxarnas foton f√∂r att √∂ka m√§ngden data. “Syntetiska” bilder skapades baserat p√• en modifierad CutMix-algoritm. CutMix-algoritmen skapar en ny bild fr√•n ett par befintliga genom att slumpm√§ssigt klippa ut en bit av en bild och infoga den i en annan. Eftersom forskarna var specifikt intresserade av att k√§nna igen stenpelare, optimerade de denna metod baserat p√• en k√§rnbildsmall, klippte och bytte bitar endast fr√•n de omr√•den d√§r k√§rnan var bel√§gen.

‚ÄĚK√§rnl√•dor fotograferade i samma f√§lt kan vara visuellt mycket lika, men stenarna kan skilja sig √•t. Om sten fr√•n en annan l√•da praktiskt taget placeras i samma l√•da, kan n√§tverket blanda ihop k√§rnomr√•det med l√•dans gr√§nser p√• grund av likheten i f√§rg. Augmentation hj√§lper n√§tverket att fokusera p√• andra egenskaper f√∂rutom f√§rg och form, s√•som struktur och textur‚ÄĚ, f√∂rklarar den f√∂rsta f√∂rfattaren till arbetet, Skoltech-forskaren Evgeny Baraboshkin.

I sin studie beskrev och testade forskarna den nya metoden och j√§mf√∂rde effektiviteten hos algoritmen tr√§nad p√• “original” och blandad med ut√∂kad data. Det visade sig att p√• grund av augmentation √§r algoritmen tr√§nad att detektera stenpelare effektivt och exakt i de flesta av de nya bilderna. Detta automatiserade tillv√§gag√•ngss√§tt snabbar upp bearbetningen av en k√§rnbox upp till 20 g√•nger. Dessutom gjorde metoden det m√∂jligt att automatiskt best√§mma de djup som motsvarar varje kolumn. Tidigare kr√§vde detta m√§tning med en linjal.

“Intressant nog, n√§r vi lade till ut√∂kad data i den vanliga datam√§ngden, l√§rde sig det neurala n√§tverket att k√§nna igen pappersbitar med inskriptioner p√• kolumnerna, √§ven om de i den ursprungliga datam√§ngden ocks√• var m√§rkta som k√§rna. Algoritmen uppt√§ckte ett fel i den initiala uppm√§rkningen och undvek det i framtiden‚ÄĚ, till√§gger Evgeny.

Forskarna introducerade den utvecklade metoden som ett av analysstegen i DeepCore-systemet, en mjukvaruprodukt de skapade för en automatisk kärnbeskrivning från bilder. Efter att ha extraherat kolumner från bilder bestämmer programmet skiktgränser och bergarter. Samtidigt har användarna fortfarande möjlighet till underhåll. Vid behov kan experten lägga till ytterligare bergarter eller ändra skiktgränser. Sedan 2021 har DeepCore använts i utvinningsindustrin, vilket hjälper specialister att minska rutinarbetstid och automatisera analys.


Läromedel: Ny metod hjälper till att träna datorseendealgoritmer på begränsad data


Mer information:
Evgeny E. Baraboshkin et al, Core box bildigenkänning och dess förbättring med en ny förstärkningsteknik, Datorer och geovetenskap (2022). DOI: 10.1016/j.cageo.2022.105099 Tillhandahålls av Skolkovo Institute of Science and Technology

Citat:Scientists automate core box image recognition (2022, 30 juni)hämtad 30 juni 2022från https://techxplore.com/news/2022-06-scientists-automate-core-image-recognition.html

Detta dokument är föremål för upphovsrätt. Bortsett från all rättvis handel i syfte att privata studier eller forskning, får ingen del reproduceras utan skriftligt tillstånd. Innehållet tillhandahålls endast i informationssyfte.

H√•ll kontakten med oss ‚Äč‚Äčp√• sociala medieplattformar f√∂r omedelbar uppdatering klicka h√§r f√∂r att g√• med i v√•r Twitter och Facebook

Botón volver arriba

Annonsblockerare upptäckt

Du måste ta bort AD BLOCKER för att fortsätta använda vår webbplats TACK