Klasyfikacja mikroskopowych obrazów skał przy wykorzystaniu sieci neuronowych

• Autorzy: Młynarczuk M. , Bielecka M. , Ślipek B.

Warianty tytułu

EN

Classification of the microscopic images of rocks with the use of neural networks

• Języki publikacji: PL

Abstrakty

PL

Klasyfikacja skał stanowi ważny aspekt w wielu zagadnieniach górnictwa i geologii inżynierskiej. Automatyzacja procesu klasyfikacji mikroskopowych obrazów skał może przyczynić się do usprawniania przetwarzania ogromnych zbiorów fotografii skał, poprzez jego przyspieszenie i wyeliminowanie wpływu subiektywnej oceny obserwatora na końcowy wynik klasyfikacji. Podczas pierwszego etapu badan opisanych w tym artykule wykorzystano zbiór 2700 mikroskopowych obrazów szlifów cienkich 9 skał, różniących się od siebie cechami petrograficznymi. Próbki skał zostały opisane 13-wymiarowym wektorem cech. Przy użyciu trzech różnych sieci neuronowych: dwuwarstwowej sieci jednokierunkowej (multi-layer feed-forward perceptron, MLP), samoorganizującej mapy Kohonena (self organizing Kohonen maps, SOM) oraz kwantyzacji wektorowej (learning vector quantization, LVQ), fotografie, po wcześniejszym treningu sieci odseparowanymi podzbiorami próbek, zostały poddane procesowi automatycznej klasyfikacji. Stukrotne powtarzanie losowania podzbiorów wykorzystywanych do treningu sieci oraz powtarzanie algorytmu uczenia sieci i rozpoznawania zdjęć pozwoliło na uzyskanie statystycznie wiarygodnych wyników, których wartość średnia wyniosła 99,4%. Następnie zbiór skał został zwiększony do łącznej wielkości 6300 zdjęć reprezentujących 21 różnych skał, a badania zostały powtórzone z zachowanie wektora cech oraz parametrów nauki sieci. Wynik średni poprawnych klasyfikacji dla powiększonego zbioru obrazów wyniósł 98,30%.

EN

Rock classification is an inherent part of numerous aspects of geology and engineering geology. Automating the classification of the microscopic images of rocks may result in improvements in analyzing vast sets of rocks' images by speeding up their recognition and eliminating the influence of the observer's subjective judgment in the final classification results. A set of 2,700 microscopic images of thin sections of 9 rocks, which differ in petrographic features, was used during the first step of the study described in the following article. Samples were displayed in a thirteen-dimensional feature space. With the use of three different neural networks multi-layer feed-forward perceptron (MLP), self-organizing Kohonen maps (SOM), and learning vector quantization (LVQ) ? images were subjected to an automated classification process preceded by the network's training with the use of isolated subset samples. Centuple repetition of subset drawings, which were used to train the network by repeating the self-learning network and images recognition algorithm, led to the achievement of statistically trustworthy results with a mean at the level of 99.4 %, and for the best drawing at 99.71%. Afterwards, the rocks set was extended to a total volume of 6,300 images of 21 different rocks, and the test was repeated preserving the feature space and self-learning network parameters. The average score of correct classifications for the extended images set was 98.30%, with the best score at 98.95%.

Słowa kluczowe

PL

klasyfikacja automatyczna skał; obrazy mikroskopowe; sieci neuronowe; sztuczna inteligencja; SOM; MLP; LVQ

EN

automatic classification of rocks; microscopic images; neural networks; artificial intelligence; SOM; MLP; LVQ

• Wydawca: Instytut Gospodarki Surowcami Mineralnymi i Energią PAN
• Czasopismo: Zeszyty Naukowe Instytutu Gospodarki Surowcami Mineralnymi i Energią PAN
• Rocznik: 2014
• Tom: nr 86
• Strony: 27--38
• Opis fizyczny: Bibliogr. 26 poz., rys., wykr.

Twórcy

autor

Młynarczuk M.

• AGH Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Katedra Geoinformatyki i Informatyki Stosowanej, Kraków

autor

Bielecka M.

• AGH Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Katedra Geoinformatyki i Informatyki Stosowanej, Kraków

autor

Ślipek B.

• AGH Akademia Górniczo-Hutnicza, Wydział Geologii, Geofizyki i Ochrony Środowiska, Katedra Geoinformatyki i Informatyki Stosowanej, Kraków

Bibliografia

• [1] Młynarczuk, M., Górszczyk, A. i Ślipek, B. 2013. The application of pattern recognition in the automatic classification of microscopic rock images. Computers & Geosciences Vol. 60, 126-133.
• [2] Babanouri, N., Karimi Nasab, S. i Sarafrazi, S. 2013. A hybrid particle swarm optimization and multi-layer perceptron algorithm for bivariate fractal analysis of rock fractures roughness. International Journal of Rock Mechanics and Mining Sciences Vol. 60, 66-74.
• [3] Młynarczuk, M. i Ładniak, M. 2014. Wykorzystanie metod sztucznej inteligencji do wyszukiwania obrazem wybranych struktur skał. Przegląd Górniczy Vol. 70, 58-64.
• [4] Leśniak, A. 2014. Identyfikacja sejsmicznych zjawisk podobnych rejestrowanych w kopalniach podziemnych. Przegląd Górniczy Vol. 70, 34-40.
• [5] Wierzbicki, M. i Skoczylas, N. 2006. Potencjalne możliwości zastosowania logiki rozmytej w ocenie zagrożenia wyrzutowego w kopalniach. Przegląd Górniczy vol. 12, 12-17.
• [6] Kohonen, T. 1995. Self-organizing maps. Springer Verlag, Berlin.
• [7] Bielecka, M. i Król-Korczak, J. 2010. Hybridexpert system aiding design of post-mining regions restoration. Ecological Engineering Vol. 36, Issue 10, 1232-1241.
• [8] Özgen Karacan, C. 2007. Development and application of reservoir models and artificial neural networks for optimizing ventilation air requirements in development mining of coal seams. International Journal of Coal Geology Vol. 72, Issues 3-4, 22, 221-239.
• [9] Tadeusiewicz, R. 1993. Sieci neuronowe. Akademicka Oficyna Wydawnicza, Warszawa.
• [10] Jarzyna, J., Opyrchał, A. i Mozgowoj, D. 2007. Sztuczne sieci neuronowe dla uzupełnienia danych w geofizyce otworowej - wybrane przykłady. Kwartalnik AGH Geologia vol. 33, 81-102.
• [11] Villmann, Th. 2002. Neural maps for faithful data modelling in medicine — state-of-the-art and exemplary applications, Neurocomputing Vol. 48, Issues 1-4, 229-250.
• [12] Atakan, Kurt, Ayşe, Betül Oktay. 2010. Forecasting air pollutant indicator levels with geographic models 3 days in advance using neural networks. Expert Systems with Applications Vol. 37, Issue 12, 7986-7992.
• [13] Ghielmi, L. i Eccel, E. 2006. Descriptive models and artificial neural networks for spring frost prediction in an agricultural mountain area. Computers and Electronics in Agriculture Vol. 54, Issue 2, 101-114.
• [14] Marmo, R., Amodio, S., Tagliaferri, R., Ferreri, V. i Longo, G. 2005. Textural identification of carbonate rocks by image processing and neural network: Methodology proposal and examples. Computers & Geosciences Vol. 31, Issue 5, 649-659.
• [15] Baykan, N. i Yilmaz, N. 2010. Mineral identification using color spaces and artificial neural networks. Computers & Geosciences Vol. 36, Issue 1, 91-97.
• [16] Thompson, S., Fueten, F. i Bockus, D. 2001. Mineral identification using artificial neural networks and the rotating polarizer stage. Computers & Geosciences Vol. 27, Issue 9, 1081-108.
• [17] Gajewski, J., Jedliński, Ł. i Jonak, J. 2013. Classification of wear level of mining tools with the use of fuzzy neural network. Tunnelling and Underground Space Technology Vol. 35, 30-36.
• [18] Bishop, Ch. 1998. Neural Networks for Pattern Recognition. Clarendon Press, Oxford.
• [19] Luukka, P. 2009. PCA for fuzzy data and similarity classifier in building recognition system for post-operative patient data. Expert Systems with Applications Vol. 36, Issue 2, 1222-1228.
• [20] Obara, B. 2007. Identification of transcrystalline microcracks observed in microscope images of a dolomite structure using image analysis methods based on linear structuring element processing. Computers & Geosciences Vol. 33, Issue 2, 151-158.
• [21] Osowski, S. 2006. Sieci neuronowe do przetwarzania informacji. OWP, Warszawa.
• [22] Rutkowski, L. 2005. Metody i techniki sztucznej inteligencji. PWN, Warszawa.
• [23] Carpenter, G.A., Grossberg, S. i Reynolds, J.H. 1991. ARTMAP: Supervised real-time learning and classification of nonstationary data by a self-organizing neural network. Neural Networks Vol. 4, 565-588.
• [24] Carpenter, G.A., Grossberg, S. i Rosen, D.B. 1991. Fuzzy ART: Fast stable learning and categorization of analog patterns by an adaptive resonance system. Neural Networks Vol. 4, 759-771.
• [25] MacKay, D. 1992. Neural Computation Vol. 4, No. 3, 415-447.
• [26] Foresee, D. i Hagan, M. 1997. Proceedings of the International Joint Conference on Neural Networks.