Classification of Limestone Thin-Section Images Based on an Improved MobileNetV3 Incorporating RTEM and MFCM
Dit artikel stelt een verbeterd MobileNetV3-framework voor voor de classificatie van kalksteen-doorsneden die een Rock-Texture Enhancement Module (RTEM) en een Multi-source Feature Complementation Module (MFCM) integreert om complexe textuurvariaties en gekoppelde kenmerken effectief aan te pakken, waarbij een nauwkeurigheid van 91,11% wordt bereikt met behoud van een laag aantal parameters.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Geologen vertrouwen al lang op dunne plakjes gesteente, gemonteerd op glas en bekeken onder een microscoop, om de geschiedenis van de aarde te begrijpen. Deze dia's, bekend als dunne secties, onthullen de minerale samenstelling, de grootte van de korrels en hoe het gesteente aan elkaar is gecementeerd. Door deze details te bestudelen, kunnen wetenschappers het specifieke type kalksteen identificeren, een taak die cruciaal is voor het vinden van olie en gas, het begrijpen van grondwater en het evalueren van reservoirs. Traditioneel is dit werk gedaan door menselijke experts die urenlang door microscopen kijken, een proces dat traag, vermoeiend en gevoelig is voor verschillen in oordeel van persoon tot persoon. De uitdaging ligt in het feit dat veel soorten kalksteen ongelooflijk veel op elkaar lijken; de grenzen tussen korrels kunnen vaag zijn, en de texturen kunnen zelfs binnen hetzelfde gesteentetype enorm variëren. Om dit op te lossen, hebben onderzoekers zich tot kunstmatige intelligentie gewend, in de hoop computers te leren deze subtiele patronen sneller en consistenter te herkennen dan het menselijk oog dat kan.
Een team van onderzoekers van de Northeast Petroleum University en de Monash University heeft een nieuwe manier ontwikkeld om computers te helpen deze gesteentetypes te identificeren. Ze richtten zich op een specifiek type kunstmatige intelligentie-netwerk genaamd MobileNetV3, dat al bekend staat als klein en snel, wat het geschikt maakt voor gebruik op apparaten met beperkte rekenkracht. De standaardversie van dit netwerk was echter niet goed genoeg voor de lastige taak van het onderscheiden van zeer vergelijkbare kalksteentexturen. De onderzoekers ontdekten dat naarmate het netwerk een afbeelding verwerkt, het de neiging heeft om fijne details te vervagen, zoals de scherpe randen van minerale korrels of de delicate patronen van de textuur van het gesteente, wat precies de aanwijzingen zijn die nodig zijn om de gesteentetypes uit elkaar te houden. Om dit op te lossen, hebben ze het netwerk opnieuw ontworpen zodat het werkt als een zorgvuldige waarnemer die nooit een klein detail mist.
Het team introduceerde twee belangrijke verbeteringen aan het systeem. Ten eerste voegden ze een speciale module toe die ontworpen is om de textuur van het gesteente te verbeteren. Deze module werkt door de afbeelding op twee verschillende manieren tegelijkertijd te bekijken: één pad richt zich op het vinden van de scherpe contouren van de korrels, terwijl het andere pad kijkt naar de algemene ordening en patronen van de textuur. Door deze twee weergaven te combineren, wordt het systeem veel beter in het zien van de grenzen en structuren die elk gesteentetype definiëren. Ten tweede creëerden ze een methode om informatie van verschillende niveaus van het netwerk samen te brengen. Stel je een netwerk voor dat naar een afbeelding kijkt, eerst als een wazig overzicht, dan als een iets duidelijker beeld, en tot slot als een gedetailleerde close-up. Meestal gebruikt het netwerk alleen de laatste, meest gedetailleerde weergave om een beslissing te nemen, waarbij het vaak de nuttige aanwijzingen die het eerder zag, vergeet. Het nieuwe systeem verzamelt echter de aanwijzingen uit de wazige, de middelmatige en de gedetailleerde weergaven en mengt deze samen. Dit zorgt ervoor dat de uiteindelijke beslissing gebaseerd is op zowel het grote plaatje als de kleine, kritieke details.
Om er zeker van te zijn dat het systeem correct leerde, voegden de onderzoekers ook extra controlepunten toe tijdens het trainingsproces. In plaats van te wachten tot het einde om te zien of de computer het goed had, vroegen ze de computer om op verschillende stadia onderweg een gok te doen. Als de computer vroegtijdig een fout maakte, kreeg deze onmiddellijk feedback om het pad te corrigeren. Deze techniek, bekend als deep supervision, hielp het systeem veel sneller en nauwkeuriger te leren. Ze gebruikten ook een verscheidenheid aan trucjes om de trainingsdata diverser te maken, zoals het licht veranderen van de helderheid, het roteren van de afbeeldingen en het mengen van delen van verschillende afbeeldingen. Dit voorkwam dat de computer specifieke plaatjes uit het hoofd leerde en dwong het om de algemene regels van gesteentetexturen te leren.
De onderzoekers testten hun nieuwe systeem op een dataset van 3.600 afbeeldingen die zes verschillende typen kalksteen vertegenwoordigen, waaronder grainstone, packstone en mudstone. De resultaten waren indrukwekkend. Het verbeterde systeem identificeerde het gesteentetype correct in 91,11% van de gevallen, een aanzienlijke sprong ten opzichte van de nauwkeurigheid van 78,75% van het originele, ongewijzigde netwerk. Het slaagde er ook in dit te doen terwijl het extreem lichtgewicht bleef, met slechts ongeveer 2 miljoen parameters, wat een piepklein fractie is van de omvang van andere krachtige beeldherkenningssystemen. Sterker nog, het presteerde beter dan veel grotere en complexere netwerken die veel meer rekenkracht vereisen. Het systeem was bijzonder goed in het onderscheiden van de moeilijkste paren gesteentetypes, zoals die met zeer fijne korrels die met het blote oog bijna identiek lijken.
Dit werk demonstreert dat het mogelijk is om een zeer nauwkeurig instrument voor gesteente-identificatie te bouwen dat ook klein en efficiënt genoeg is om in het veld of op draagbare apparaten te worden gebruikt. Door zich te richten op het behoud van de fijne details van de gesteentetextuur en het combineren van informatie van verschillende niveaus van analyse, hebben de onderzoekers een model gecreëerd dat de kloof overbrugt tussen de behoefte aan snelheid en de behoefte aan precisie. Hoewel het systeem nog steeds te maken heeft met de meest subtiele variaties tussen bepaalde gesteentetypes, vormt het een grote stap voorwaarts in het automatiseren van geologische analyse. De bevindingen suggereren dat met de juiste architecturale aanpassingen, kunstmatige intelligentie een betrouwbare partner voor geologen kan worden, die hen helpt de verhalen te ontcijferen die verborgen liggen in de stenen van de aarde met een nieuw niveau van helderheid en snelheid.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.