Kredit: Pixabay/CC0 Public Domain
Skoltech-forskare har tränat ett neuralt nätverk för att effektivt känna igen stenprover i kärnboxbilder. Det påskyndade analysprocessen med upp till 20 gånger och gjorde det möjligt att automatisera beskrivningen av stenprover. Den utvecklade algoritmen används i DeepCore-systemet – en digital geologisk prospekteringstjänst skapad av Digital Petroleum, en spin-off av Skoltech. Detaljerna för 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.
För att lösa detta problem använde Skoltech-forskare djupa konvolutionella neurala nätverk – artificiella neurala nätverk som liknar strukturen hos djurs visuella cortex. För att träna det neurala nätverket använde forskarna augmentation som lade till modifierade kopior av kärnboxarnas foton för att öka mängden data. “Syntetiska” bilder skapades baserat på en modifierad CutMix-algoritm. CutMix-algoritmen skapar en ny bild från ett par befintliga genom att slumpmässigt klippa ut en bit av en bild och infoga den i en annan. Eftersom forskarna var specifikt intresserade av att känna igen stenpelare, optimerade de denna metod baserat på en kärnbildsmall, klippte och bytte bitar endast från de områden där kärnan var belägen.
”Kärnlådor fotograferade i samma fält kan vara visuellt mycket lika, men stenarna kan skilja sig åt. Om sten från en annan låda praktiskt taget placeras i samma låda, kan nätverket blanda ihop kärnområdet med lådans gränser på grund av likheten i färg. Augmentation hjälper nätverket att fokusera på andra egenskaper förutom färg och form, såsom struktur och textur”, förklarar den första författaren till arbetet, Skoltech-forskaren Evgeny Baraboshkin.
I sin studie beskrev och testade forskarna den nya metoden och jämförde effektiviteten hos algoritmen tränad på “original” och blandad med utökad data. Det visade sig att på grund av augmentation är algoritmen tränad att detektera stenpelare effektivt och exakt i de flesta av de nya bilderna. Detta automatiserade tillvägagångssätt snabbar upp bearbetningen av en kärnbox upp till 20 gånger. Dessutom gjorde metoden det möjligt att automatiskt bestämma de djup som motsvarar varje kolumn. Tidigare krävde detta mätning med en linjal.
“Intressant nog, när vi lade till utökad data i den vanliga datamängden, lärde sig det neurala nätverket att känna igen pappersbitar med inskriptioner på kolumnerna, även om de i den ursprungliga datamängden också var märkta som kärna. Algoritmen upptäckte ett fel i den initiala uppmärkningen och undvek det i framtiden”, tillägger 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.
Håll kontakten med oss på sociala medieplattformar för omedelbar uppdatering klicka här för att gå med i vår Twitter och Facebook
