Pesquisadores da Skoltech treinaram uma rede neural para reconhecer amostras de rochas em imagens de caixas de núcleo de forma eficiente. Acelerou o processo de análise em até 20 vezes e possibilitou automatizar a descrição de amostras de rochas. O algoritmo desenvolvido é usado no sistema DeepCore – um serviço de exploração geológica digital criado pela Digital Petroleum, um spin-off da Skoltech. Os detalhes do método estão descritos no artigo publicado na Computers & Geosciences.
Uma das tarefas rotineiras da pesquisa geológica é a descrição de amostras de rochas. Em muitos casos, o núcleo de rocha extraído é empilhado em caixas. Os cientistas tiram fotos de caixas ou colunas durante o estudo principal. A descrição é compilada manualmente através do preenchimento de planilhas ou diários geológicos. O procedimento padrão de análise envolve a extração manual de colunas de fotografias de caixas em um editor gráfico. Este é um processo bastante demorado.
Para automatizar esse processo, os cientistas usaram métodos de aprendizado de máquina. No entanto, os algoritmos tradicionais de visão computacional têm um desempenho ruim nessa tarefa devido à quantidade limitada de dados e às grandes diferenças entre as imagens. Por exemplo, se a coluna do núcleo difere em cor ou textura das adjacentes ou fotografadas em condições diferentes. Essas diferenças afetam significativamente o desempenho dos algoritmos de aprendizado de máquina, que exigem um grande conjunto de dados descrevendo todas as variantes possíveis. Como resultado, é preciso gastar tempo treinando novamente o modelo.
Para resolver esse problema, os cientistas da Skoltech usaram redes neurais convolucionais profundas – redes neurais artificiais que são semelhantes em estrutura ao córtex visual dos animais. Para treinar a rede neural, os cientistas usaram o aumento que adicionou cópias modificadas das fotos das caixas principais para aumentar a quantidade de dados. Imagens “sintéticas” foram criadas com base em um algoritmo CutMix modificado. O algoritmo CutMix cria uma nova imagem a partir de um par de imagens existentes, cortando aleatoriamente um pedaço de uma imagem e inserindo-o em outra. Como os cientistas estavam especificamente interessados em reconhecer colunas de rochas, eles otimizaram esse método com base em um modelo de imagem do núcleo, cortando e trocando peças apenas das áreas onde o núcleo estava localizado.
“Caixas do núcleo fotografadas no mesmo campo podem ser visualmente muito semelhantes, mas as rochas podem diferir. Se a rocha de outra caixa for colocada virtualmente na mesma caixa, a rede pode confundir a área do núcleo com os limites da caixa devido à semelhança de cor O aumento ajuda a rede a focar em outras características além da cor e da forma, como estrutura e textura”, explica o primeiro autor do trabalho, o cientista da Skoltech Evgeny Baraboshkin.
Em seu estudo, os cientistas descreveram e testaram o novo método e compararam a eficiência do algoritmo treinado em “original” e misturado com dados aumentados. Descobriu-se que, devido ao aumento, o algoritmo é treinado para detectar colunas de rocha com eficiência e precisão na maioria das novas imagens. Essa abordagem automatizada acelera o processamento de uma caixa de núcleo em até 20 vezes. Além disso, o método permitiu determinar automaticamente as profundidades correspondentes a cada coluna. Anteriormente, isso exigia medição com uma régua.
“Curiosamente, quando adicionamos dados aumentados ao conjunto de dados usual, a rede neural aprendeu a reconhecer pedaços de papel com inscrições nas colunas, embora no conjunto de dados original eles também fossem rotulados como núcleo. O algoritmo detectou um erro na marcação inicial e evitá-lo no futuro”, acrescenta Evgeny.
Os cientistas introduziram o método desenvolvido como um dos estágios de análise no sistema DeepCore, um produto de software que eles criaram para uma descrição automática do núcleo a partir de imagens. Após extrair as colunas das imagens, o programa determina os limites das camadas e os tipos de rochas. Ao mesmo tempo, os usuários ainda têm a possibilidade de manutenção. Se necessário, o especialista pode adicionar tipos adicionais de rochas ou alterar os limites da camada. Desde 2021, o DeepCore é usado na indústria extrativa, ajudando especialistas a reduzir o tempo de trabalho de rotina e automatizar análises.
Publicado em 07/07/2022 07h53
Artigo original:
Estudo original: