Investigation of Neural Network Methods for Reconstruction and Classification of Texture Images Under Conditions of Incomplete Information

Technische Samenvatting: Onderzoek naar Neurale Netwerkmethoden voor de Reconstructie en Classificatie van Textuurafbeeldingen onder Condities van Onvolledige Informatie

Probleemstelling
De geautomatiseerde analyse van geologische boorkernafbeeldingen wordt frequent belemmerd door fysieke schade, zoals pluggaten, breuken en gegevensverlies, wat scenario's van onvolledige informatie creëert. Hoewel deep learning de lithologische logging heeft geavanceerd, presteren standaard Convolutionele Neurale Netwerken (CNN's) en Vision Transformers (ViT's) aanzienlijk minder wanneer ze worden toegepast op beschadigde of "ingepainted" data waarbij de semantische context kunstmatig is gereconstrueerd. Er bestaat een kritische kloof in het begrip van de relatie tussen de perceptuele kwaliteit van generatieve beeld-inpainting en het downstream nut van deze gereconstrueerde afbeeldingen voor semantische classificatie. Specifiek blijft het onduidelijk of hoogwaardige visuele reconstructie vertaalt naar betrouwbare lithologische identificatie, met name voor minderheidsklassen in sterk ongebalanceerde datasets.

Methodologie
De auteurs stellen een geïntegreerde, end-to-end pijplijn voor bestaande uit vier opeenvolgende stadia:

1. Preprocessing (Detectie & Segmentatie): Een Faster R-CNN model lokaliseert kernkolommen, terwijl een Mask R-CNN instance segmentatie uitvoert om precieze binaire maskers van fysieke defecten (bijv. pluggaten) te genereren.
2. Adversariële Reconstructie (Inpainting): Een Contextual Residual Aggregation (CRA) Generative Adversarial Network (GAN) wordt ingezet om ontbrekende regio's te reconstrueren. De architectuur maakt gebruik van een dual-path generator: een laag-resolutie pad voor globale structurele context en een hoog-resolutie pad voor korrelschaal textuurverfijning. Een Attention Computing Module (ACM) stuurt de transfer van hoogfrequente residuen van geldige regio's naar beschadigde zones. De trainingsdoelstelling combineert adversariële loss, pixel-gewijze L1-reconstructie loss en een auto-encoding zelf-reconstructie term om statistische consistentie te waarborgen zonder af te wijken van de geldige omliggende texturen.
3. Classificatie: De gereconstrueerde afbeeldingen worden in uniforme patches geknipt en geclassificeerd met behulp van diverse architecturen, waaronder gespecialiseerde textuurnetwerken (Deep Residual Pooling - DRP, Deep Encoding Pooling - DEP), moderne CNN's (EfficientNetV2, ConvNeXt) en Vision Transformers (ViT, Swin Tiny).
4. Ensemble Strategie: Om de specifieke faalmodi van individuele modellen aan te pakken, wordt een confidence-gebaseerd hybride ensemble voorgesteld, waarbij een Swin Tiny model de voorspellingen van EfficientNetV2 overrulet voor specifieke minderheidsklassen (leeg, gedestrueerde kern, steenkool, dicht gesteente) wanneer de betrouwbaarheid van de Transformer een drempel van 80% overschrijdt.

Experimentele Opzet en Validatie
De studie maakt gebruik van een dataset van 2.190 hoog-resolutie afbeeldingen (1-meter kernsecties) uit 16 putten uit een enkel depot in Zuidwest-Kazachstan, die negen lithologische facies beslaan. Een cruciale methodologische bijdrage is de implementatie van een strikte cross-well validatie strategie. In tegen tegenover de standaard willekeurige patch-splitsingen die lijden aan ruimtelijke datalekken (wat leidt tot kunstmatig hoge accuratessen tot 93,7%), partitioneerden de auteurs de data op put-niveau (14 putten voor training, 2 afzonderlijke putten voor testen) om een realistische beoordeling van generalisatie te waarborgen.

Belangrijkste Resultaten

• Reconstructie vs. Classificatie Kloof: De CRA-GAN bereikte een hoge perceptuele getrouwheid (PSNR 28,7 dB, SSIM 0,91, FID 74,01). Deze hoge visuele kwaliteit garandeerde echter geen succesvolle classificatie. De classificatie-accuratesse plateauerde op ongeveer 53% (Mean Class Accuracy ~48%) over de meeste architecturen, wat een "semantische kloof" onthulde waarbij visueel plausibele reconstructies "gehallucineerde" kenmerken bevatten die classifiers in verwarring brachten.
• Architectuur Prestaties:
  • Vision Transformers (ViT): Lijden onder ernstige overfitting (trainingsaccuratesse ~98% vs. testaccuratesse 48%) door een gebrek aan ruimtelijke inductieve biases in data-beperkte geologische domeinen.
  • Swin Tiny: Toonde gevoeligheid voor klasse-imbalans, waarbij het zwaar bevooroordeeld was richting dominante klei-facies, hoewel het grote structurele aanwijzingen vastlegde die nuttig zijn voor minderheidsklassen.
  • EfficientNetV2 & ConvNeXt: Demonstreren de meest robuuste baseline generalisatie (53% accuratesse, 48% MCA), toegeschreven aan compound scaling en weerstand tegen overfitting.
• Impact van Inpainting: Hoewel de algehele accuratesse onveranderd bleef (53%) met of zonder inpainting, bood CRA-GAN gerichte verbeteringen voor specifieke minderheidsklassen. Bijvoorbeeld, de recall voor "Dicht gesteente" verbeterde 3,5-voudig (0,02 naar 0,07) en de F1-score voor "Medium-korrelige zandsteen" nam toe met 0,05, wat aangeeft dat de herstelling van structurele continuïteit de extractie van kenmerken voor complexe lithologieën ondersteunt.
• Hybride Ensemble: Het confidence-gebaseerde ensemble (EfficientNetV2 + Swin Tiny) verhoogde de Mean Class Accuracy (MCA) van 48% naar 58% door selectief de voorspellingen voor minderheidsklassen te overruelen. Dit ging ten koste van een lichte reductie in de algehele accuratesse (53% naar 49%), een trade-off die als acceptabel werd beschouwd voor het verbeteren van de detectie van economisch cruciale, ondervertegenwoordigde facies.

Betekenis en Claims
Het artikel stelt dat huidige state-of-the-art generatieve modellen, hoewel visueel effectief, semantisch ambigue kenmerken kunnen produceren die downstream classifiers in verwarring brengen. De studie kwantificeert expliciet de afhankelijkheid tussen reconstructiekwaliteit en classificatieprestaties, en toont aan dat hoge perceptuele metrieken onvoldoende voorspellers zijn voor het nut in geautomatiseerde geologische analyse.

De auteurs positioneren het resulterende systeem niet als een volledig autonome classifier, maar als een beslissingsondersteunende en screeningstool. Gezien het persistente cross-well accuratesse plafond van 49–53%, is de pijplijn ontworpen om de arbeidsintensieve eerste fase over beschadigde kernafbeeldingen te automatiseren en deskundige aandacht te prioriteren naar kandidaat-lithofacies, met name de minderheidsklassen zoals steenkool en dicht gesteente. Het werk biedt een reproduceerbare baseline voor niet-destructief testen en materiaalkunde, en benadrukt de noodzaak van rigoureuze cross-well validatie om opgeblazen prestatieclaims door datalekken te vermijden.

Beperkingen en Toekomstige Richtingen
De auteurs erkennen beperkingen, waaronder de afhankelijkheid van RGB-beelden (die geen spectrale data missen om transitie-lithofacies te resolveren) en een beperkte dataset uit een enkel depot. Toekomstig werk wordt voorgesteld om hyperspectrale data te integreren, uncertainty-aware classificatie voor synthetische regio's te ontwikkelen, semantisch-bewuste inpainting metrieken te creëren, en physics-informed synthetische datageneratie te gebruiken om klasse-imbalans te mitigeren.