Результаты разработки модели машинного зрения для распознавания сульфидов

Аннотация

В докладе представлены результаты разработки и апробации самописной модели машинного обучения для распознавания сульфидных минералов на основе изображений геологических образцов. Исходные материалы были получены на месторождении Малинское и использованы в качестве обучающей выборки, сформированной в условиях ограниченного объёма данных. Работа носит преимущественно демонстрационный характер и ориентирована на оценку принципиальной применимости методов машинного зрения в задачах минералогического анализа.

Рассмотрены основные этапы обработки изображений, включая предварительное улучшение качества, сегментацию и классификацию объектов. В качестве источников данных использовались изображения, полученные методами оптической микроскопии, сканирующей электронной микроскопии и рентгеновских исследований. Отмечена критическая роль качества исходных изображений и показана возможность формирования обучающей выборки с использованием камер мобильных устройств.

В работе проанализированы особенности применения современных архитектур нейронных сетей, в том числе моделей, устойчивых к малым объёмам данных и не требующих размеченных выборок на этапе предобучения. Отдельное внимание уделено самописным нейронным сетям, разрабатываемым под узкоспециализированные геологические задачи, а также возможности интеграции физических и геохимических закономерностей. Проведено сопоставление традиционного описания керна с подходами машинного зрения и показан потенциал автоматизации и стандартизации отдельных этапов геологического описания.

Похожие материалы

• Практическое программирование ИИ: пример решения задачи множественной регрессии и классификации данных с обучением.
• Как в результате восточного смещения Карибской плиты в эпоху палеозоя сформировался недавно открытый золотой район в Колумбии - Золотой район Рионегро, Сантандер, Колумбия.
• Пилотные проекты Норникеля в области искусственного интеллекта
• С какой целью и каким образом геологи должны
  использовать анализ композиционных данных и машинное обучение