От визуальной диагностики к глубокому обучению: автоматическое определение минералов на фотографиях аншлифов / From visual diagnostics to deep learning: automatic mineral identification in polished section images
В статье описывается разработка и валидация универсальной сегментационной модели на основе глубокого обучения для автоматической детекции минералов на фотографиях аншлифов.
• Изучение минерального состава руд является основополагающим этапом при разведке новых месторождений.
• Оптическая микроскопия остаётся самым доступным средством количественного минералогического анализа, но требует высокой квалификации специалиста и имеет ограничения в точности и воспроизводимости результатов.
• Автоматизация идентификации рудных минералов по фотоизображениям аншлифов позволяет сократить временные затраты и минимизировать субъективные ошибки.
• Разработана сегментационная модель на основе свёрточных нейросетевых архитектур, алгоритмов коррекции цвета и совместного анализа изображений, которая продемонстрировала высокую точность (IoU до 0,88, PA до 0,96) по девяти минералам.
• Полученные результаты подтвердили эффективность интеграции глубокого обучения и современных алгоритмов обработки изображений для задач минералогического анализа.
Ссылка на статью:
https://mst.misis.ru/jour/article/view/974
Ссылка на код:
https://github.com/xubiker/petroscope
@geoML_Russia
В статье описывается разработка и валидация универсальной сегментационной модели на основе глубокого обучения для автоматической детекции минералов на фотографиях аншлифов.
• Изучение минерального состава руд является основополагающим этапом при разведке новых месторождений.
• Оптическая микроскопия остаётся самым доступным средством количественного минералогического анализа, но требует высокой квалификации специалиста и имеет ограничения в точности и воспроизводимости результатов.
• Автоматизация идентификации рудных минералов по фотоизображениям аншлифов позволяет сократить временные затраты и минимизировать субъективные ошибки.
• Разработана сегментационная модель на основе свёрточных нейросетевых архитектур, алгоритмов коррекции цвета и совместного анализа изображений, которая продемонстрировала высокую точность (IoU до 0,88, PA до 0,96) по девяти минералам.
• Полученные результаты подтвердили эффективность интеграции глубокого обучения и современных алгоритмов обработки изображений для задач минералогического анализа.
Ссылка на статью:
https://mst.misis.ru/jour/article/view/974
Ссылка на код:
https://github.com/xubiker/petroscope
@geoML_Russia