Classification of Limestone Thin-Section Images Based on an Improved MobileNetV3 Incorporating RTEM and MFCM
تقترح هذه الورقة إطار عمل محسّن لشبكة MobileNetV3 لتصنيف صور القطاعات الرقيقة للحجر الجيري، يدمج وحدة تعزيز نسيج الصخور (RTEM) ووحدة تكامل الميزات متعددة المصادر (MFCM) لمعالجة التباينات النسيجية المعقدة والميزات المقترنة بفعالية، محققةً دقة بنسبة 91.11% مع الحفاظ على عدد منخفض من المعلمات.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
لطالما اعتمد الجيولوجيون على شرائح رقيقة من الصخور، مثبتة على زجاج ويتم فحصها تحت المجهر، لفهم تاريخ الأرض. وتكشف هذه الشرائح، المعروفة باسم "القطاعات الرقيقة"، عن التركيب المعدني، وحجم الحبيبات، وكيفية تماسك الصخور معاً. ومن خلال دراسة هذه التفاصيل، يمكن للعلماء تحديد النوع المحدد للحجر الجيري، وهي مهمة حاسمة للعثور على النفط والغاز، وفهم المياه الجوفية، وتقييم الخزانات. تقليدياً، كان هذا العمل يقوم به خبراء بشريون يقضون ساعات في النظر عبر المجاهر، وهي عملية بطيئة ومرهقة وعرضة للاختلاف في التقدير من شخص لآخر. وتكمن المشكلة في أن العديد من أنواع الحجر الجيري تبدو متشابهة بشكل لا يصدق؛ حيث يمكن أن تكون حدود الحبيبات باهتة، ويمكن أن تتباين الأنسجة بشكل كبير حتى داخل نوع الصخر نفسه. ولحل هذه المشكلة، لجأ الباحثون إلى الذكاء الاصطناعي، آملين في تعليم الحواسيب التعرف على هذه الأنماط الدقيقة بسرعة واتساق أكبر مما يمكن للعين البشرية القيام به.
قام فريق من الباحثين من جامعة نيو إيست نورث بترول ويونيفرسيتي وجامعة موناش بتطوير طريقة جديدة لمساعدة الحواسيب على تحديد أنواع الصخور هذه. لقد ركزوا على نوع معين من شبكات الذكاء الاصطناعي يسمى MobileNetV3، وهو معروف بالفعل بكونه صغيراً وسريعاً، مما يجعله مناسباً للاستخدام على الأجهزة ذات القدرة الحوسبية المحدودة. ومع ذلك، لم تكن النسخة القياسية من هذه الشبكة جيدة بما يكفي للمهمة الصعبة المتمثلة في التمييز بين أنسجة الحجر الجيري المتشابهة جداً. فقد وجد الباحثون أنه بينما تعالج الشبكة صورة ما، فإنها تميل إلى طمس التفاصيل الدقيقة، مثل الحواف الحادة للحبيبات المعدنية أو الأنماط الدقيقة لنسيج الصخر، وهي بالضبط القرائن اللازمة للتمييز بين أنواع الصخور. ولإصلاح ذلك، أعادوا تصميم الشبكة لتعمل مثل مراقب دقيق لا يفوت أي تفصيل صغير.
قدم الفريق تحسينين رئيسيين للنظام. أولاً، أضافوا وحدة خاصة مصممة لتعزيز نسيج الصخر. تعمل هذه الوحدة من خلال النظر إلى الصورة بطريقتين مختلفتين في آن واحد: يركز أحد المسارين على إيجاد الخطوط العريضة الحادة للحبيبات، بينما يبحث المسار الآخر عن الترتيب العام وأنماط النسيج. ومن خلال الجمع بين هذين المنظورين، يصبح النظام أفضل بكثير في رؤية الحدود والهياكل التي تحدد كل نوع من أنواع الصخور. ثانياً، ابتكروا طريقة لجمع المعلومات من مستويات مختلفة من الشبكة. تخيل شبكة تنظر إلى صورة أولاً كعرض عام ضبابي، ثم كصورة أكثر وضوحاً قليلاً، وأخيراً كلقطة مقربة مفصلة. عادةً، تستخدم الشبكة فقط العرض النهائي الأكثر تفصيلاً لاتخاذ قرار، وغالباً ما تنسى القرائن المفيدة التي رأتها في وقت سابق. ومع ذلك، يقوم النظام الجديد بجمع القرائن من العروض الضبابية والمتوسطة والمفصلة ودمجها معاً. وهذا يضمن أن القرار النهائي يستند إلى كل من الصورة الكبيرة والتفاصيل الصغيرة والحاسمة.
وللتأكد من أن النظام قد تعلم بشكل صحيح، أضاف الباحثون أيضاً نقاط تفتيش إضافية أثناء عملية التدريب. فبدلاً من الانتظار حتى النهاية تماماً لمعرفة ما إذا كان الكمبيوتر قد أصاب أم لا، طلبوا منه تقديم تخمينات في عدة مراحل على طول الطريق. وإذا ارتكب الكمبيوتر خطأً في مرحلة مبكرة، فإنه يتلقى ملاحظات فورية لتصحيح مساره. هذه التقنية، المعروفة باسم "الإشراف العميق"، ساعدت النظام على التعلم بشكل أسرع وأكثر دقة. كما استخدموا مجموعة متنوعة من الحيل لجعل بيانات التدريب أكثر تنوعاً، مثل تغيير السطوع قليلاً، وتدوير الصور، وخلط أجز من صور مختلفة معاً. وقد منع هذا الكمبيوتر من حفظ صور محددة وأجبره على تعلم القواعد العامة لأنسجة الصخور.
اختبر الباحثون نظامهم الجديد على مجموعة بيانات تضم 3600 صورة تمثل ستة أنواع مختلفة من الحجر الجيري، بما في ذلك الغرين (grainstone)، والباكستون (packstone)، والمودستون (mudstone). وكانت النتائج مبهرة؛ فقد حدد النظام المحسن نوع الصخر بشكل صحيح في 91.11% من الحالات، وهي قفزة كبيرة من دقة الشبكة الأصلية غير المعدلة التي بلغت 78.75%. كما تمكن من القيام بذلك مع بقائه خفيف الوزن للغاية، حيث استخدم حوالي مليوني معامل فقط، وهو جزء ضئيل من حجم أنظمة التعرف على الصور القوية الأخرى. وفي الواقع، تفوق على شبكات أكبر وأكثر تعقيداً تتطلب قدرة حوسبية أكبر بكثير. وكان النظام بارعاً بشكل خاص في التمييز بين أزواج الصخور الأكثر صعوبة، مثل تلك التي تحتوي على حبيبات دقيقة جداً تبدو متطابقة تقرياً للعين المجردة.
يُظهر هذا العمل أنه من الممكن بناء أداة عالية الدقة لتحديد الصخور تكون أيضاً صغيرة وفعالة بما يكفي لاستخدامها في الميدان أو على الأجهزة المحمولة. فمن خلال التركيز على الحفاظ على التفاصيل الدقيقة لنسيج الصخر والجمع بين المعلومات من مستويات مختلفة من التحليل، نجح الباحثون في إنشاء نموذج يسد الفجوة بين الحاجة إلى السرعة والحاجة إلى الدقة. وبينما لا يزال النظام يواجه تحديات مع الاختلافات الأكثر دقة بين أنواع معينة من الصخور، إلا أنه يمثل خطوة كبيرة للأمام في أتمتة التحليل الجيولوجي. وتشير النتائج إلى أنه مع إجراء التعديلات الهيكلية الصحيحة، يمكن للذكاء الاصطناعي أن يصبح شريكاً موثوقاً للجيولوجيين، مما يساعدهم على فك رموز القصص المخفية داخل أحجار الأرض بمستوى جديد من الوضوح والسرعة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.