CC BY
0
УДК 004
Зеленин А.В.
студент 4 курса, гр. ИСТН-20 Тюменский индустриальный университет
г. Тюмень, РФ
АНАЛИЗ КЕРНОВЫХ ДАННЫХ НА БАЗЕ ТЕХНОЛОГИЙ КОМПЬЮТЕРНОГО ЗРЕНИЯ
Аннотация
В статье рассматривается концепция автоматического распознавания пустот и минерального состава породы. Рассматриваемый подход включает в себя использование языка программирования Python и алгоритмов компьютерного зрения.
Цель исследования: разработка методического подхода к использованию алгоритмов компьютерного зрения для геологических исследований.
Метод исследования: использование нейросети библиотеки PyTorch для распознавания особенностей среза горной породы, обучение модели на наборе изображений.
Ключевые слова:
Компьютерное зрение, нейронная сеть, выборка изображение, геология, распознавание образов.
ANALYSIS OF CORE DATA BASED ON TECHNOLOGY COMPUTER VISION
Annotation
The paper discusses the concept of automatic recognition of voids and mineral composition of rock. The considered approach includes the use of Python programming language and computer vision algorithms.
Purpose of the research: development of a methodical approach to the use of computer vision algorithms for geological research.
Research method: use of PyTorch library neural network for recognizing rock slice features, training the model on a set of images.
Keywords:
^mputer vision, neural network, image sampling, geology, pattern recognition
Сегодня программное обеспечение стало неотъемлемой частью работы во всех сферах жизни. Массовое производство без компьютеров и специализированного ПО кажется невозможным. Информационные системы используются для сбора и обработки данных из различных источников с последующим использованием.
Геолого-разведывательная сфера не исключение. Компьютеризированные системы в этой области позволяют ускорить процесс сбора и обработки данных, а также извлечения ценной информации [1-3].
Математические и программные методы активно развиваются и всё чаще заменяют ручной труд. Компьютерное зрение становится все более популярным благодаря множеству доступных инструментов [4].
Применение средств автоматизации при анализе керновых данных позволяет быстро обрабатывать большие объемы информации, исключая человеческий фактор [5]. Геолого-разведывательная сфера обладает огромным объемом данных, которые часто обрабатываются вручную. Методический подход, описанный в тексте, поможет автоматизировать этот процесс и извлекать семантическую информацию из изображений.
Предлагаемый алгоритм состоит из нескольких стадий: создание маски на тренировочных данных,
подготовка модели, маркировка найденных на изображении признаков [6-8] (рис.1).
Для распознавания используются снимки рентгена керна горной породы (рис. 2). Изображение керна имеет неоднородную структуру, вследствие чего возникают проблемы с распознаванием компонентов на изображении. Основываясь на этой проблеме можно сформулировать решение -выделить несколько диапазонов цветов, на основании которых будут выделены области на изображении.
Рисунок 1 - Алгоритм подготовки и формирования модели распознавания данных керна
Рисунок 2 - Снимок рентгена керна
Для подготовки модели необходимо подготовить набор масок, в данном случае будет применен метод К-средних, который позволит выделить разные компоненты на изображении и позволит создать обучающий набор изображений. В каждом подготовленном изображении пиксели будут содержать метку принадлежности к определенному классу [9].
Помимо тренировочных данных для самой модели необходимо выбрать функцию потерь, оптимизатор и построить цикл обучения. Как и во всех моделях машинного обучения, дизайн модели определяет алгоритм манипулирования входом и получения выхода. Но в модели есть параметры,
которые необходимо точно настроить для достижения этой цели. Эти параметры модели также называются весами, смещениями, ядрами или другими названиями в зависимости от конкретной модели и слоев. Обучение - это подача образцов данных в модель, чтобы оптимизатор мог точно настроить эти параметры.
В итоге полученную модель можно применить к еще не маркированным изображениям. На выходе получим изображение, на котором будет выделен минеральный состав и пустотное пространство [10]. За счет полученных размеченных изображений, можно восстановить объемный кусок породы (рис. 3).
Рисунок 3 - а) Размеченный образец породы; б) Исходный образец породы
Для обучения и тестирования алгоритмы было использовано 570 изображений, разделенных в соотношении 80/20 на тренировочный и валидационный датасеты.
Полученная модель позволяет автоматически маркировать изображения керна, в соответствии с заданными цветовыми интервалами.
Список использованной литературы:
1. Глубокое обучение на Python / 2-е межд. издание. Серия «Библиотека программиста». Санкт-Петербург: Изд-во «Питер». 2023. 576 с.
2. Python для сложных задач: наука о данных и машинное обучение / Серия «Бестселлеры O'Reilly». Санкт-Петербург: Изд-во «Питер». 2018. 576 с.
3. Логунова А.В. Прикладная линейная алгебра для исследователей данных / Москва: Изд-во «ДМК Пресс». 2023. 328 с.
4. Слинкин А.А. Компьютерное зрение. Теория и алгоритмы / Москва: Изд-во «ДМК Пресс». 2019. 506 с.
5. Слинкин А.А. Программирование компьютерного зрения на языке Python / Москва: Изд-во «ДМК Пресс». 2016. 312 с.
6. Слинкин А.А. Глубокое обучение с точки зрения практика / Москва: Изд-во «ДМК Пресс». 2018. 418 с.
7. Мухамедиев Р.И., Амиргалиев Е.Н. Введение в машинное обучение: учебник/Алматы: УМО РУМС. 2022. 288 с.
8. Катанов Ю.Е. Анализ и синтез информационных систем (обработка разнородных данных, геология): учебное пособие. Тюмень, 2020. 159 с.
9. Катанов Ю.Е., Аристов А.И., Ягафаров А.К., Новрузов О.Д. Цифровой керн: нейросетевое распознавание текстовой геолого-геофизической информации // Известия высших учебных заведений. Нефть и газ. 2023. № 3 (159). С. 35-54.
10. Аристов А.И., Зеленин А.В., Катанов Ю.Е. Нейросетевое распознавание текстурных особенностей графических керновых данных. Свидетельство о регистрации программы для ЭВМ RU 2024615647, 11.03.2024. Заявка № 2024614650 от 11.03.2024.
© Зеленин А.В., 2024
