Wykorzystanie metod sztucznej inteligencji do wyszukiwania obrazem wybranych struktur skał

• Autorzy: Młynarczuk M. , Ładniak M.

Warianty tytułu

EN

The use of artificial intelligence to search by image for the selected structures of rocks

• Języki publikacji: PL

Abstrakty

PL

W artykule przedstawiono koncepcję systemu informatycznego, którego celem jest wyszukiwanie w multimedialnych bazach danych obrazów konkretnej struktury skalnej. Poszukiwanie opiera się wyłącznie na zapytaniu w postaci obrazu, natomiast system w odpowiedzi zwraca zbiór fotografii przedstawiających tę samą strukturę skalną. Zaproponowana konstrukcja systemu bazuje na wykorzystaniu analizy obrazu oraz zagadnień sztucznej inteligencji, a w szczególności metod grupowania i klasyfikacji danych. Jako materiał do prowadzenia badań wybrano 600 zdjęć przedstawiających mikroskopowe obrazy różnych skał. Decyzje dotyczące klasyfikacji oparto na różnych metodach klasyfikacji i grupowania danych. W efekcie badań wykazano, że metody takie jak MEC oraz bazujące na naiwnym klasyfikatorze Bayesa, a także metoda k-najbliższych sąsiadów uzyskują bardzo dobre wyniki klasyfikacji, sięgające dla niektórych z badanych skał nawet 100% poprawnych decyzji.

EN

This paper presents the concept of IT system developed to search in multimedia databases for the images of particular rock structures. The search is based only on the query in the form of the image, while in response, the system returns a collection of photographs representing the same structure of the rock. The proposed project is based on the methods of image analysis and the artificial intelligence, in particular, on the methods of data clustering and classification. To conduct the research, the authors selected 600 photographs of microscopic images of six different rocks. Decisions concerning the classification were based on six different methods of clustering and classification of data. As a result of the study it was proved that methods such as MEC or those based on the naive Bayes classifier as well as the method of the k-nearest neighbors, have very good classification results reaching up to 100% of correct decisions for some of the studied rocks.

Słowa kluczowe

PL

wyszukiwanie obrazem; sztuczna inteligencja; analiza skupień; analiza danych; przetwarzanie obrazów

EN

search by image; artificial intelligence; cluster analysis; data analysis; image procesing

• Wydawca: Stowarzyszenie Inżynierów i Techników Górnictwa
• Czasopismo: Przegląd Górniczy
• Rocznik: 2014
• Tom: T. 70, nr 3
• Strony: 58--64
• Opis fizyczny: Bibliogr. 17 poz., rys., tab.

Twórcy

autor

Młynarczuk M.

• AGH w Krakowie

autor

Ładniak M.

• AGH w Krakowie

Bibliografia

• 1. Blitzer J., Kilian Q. W., Lawrence K S.: Distance metric learning for large margin nearest neighbor classification. Advances in neural information processing systems 2005.
• 2. Bodziony J., Kraj W., Pindel Z., Ratajczak T., Wilczyński J.: Analiza stereologiczna zespołu minerałów miedzionośnych białego spągowca. „Archiwum Górnictwa" 1979, nr 24.
• 3. Budny K.: Kurtoza wektora losowego. Uniwersytet Ekonomiczny we Wrocławiu. „Ekonometria" 2009, nr 26(76), s. 44-54.
• 4. Cannon R. L., Jitendra v D., Bezdek J. C.: Efficient implementation of the fuzzy c-means clustering algorithms. Pattern Analysis and Machine Intelligence, IEEE Transactions 1986, 248-255.
• 5. Tibshirani R., Walther G., Hastie, T.: Estimating the number of clusters in a data set via the gap statistic. Journal of the Royal Statistical Society: Series B (Statistical Methodology) 2001, 63(2), 411-423.
• 6. Jain A. K,. Narasimha M., Flynn P. J.: Data clustering: a review. ACM computing surveys 1999, 31.3, 264-323.
• 7. Kraj W., Kruszyński M.: Wyznaczanie orientacji przestrzennej nieciągłości w skale na przykładzie granitu strzegomskiego. „Archiwum Górnictwa" 1981, nr 26(3).
• 8. Li H., Keshu Z., Jiang T.: Minimum entropy clustering and applications to gene expression analysis. Computational Systems Bioinformatics Conference 2004, CSB 2004. Proceedings 2004 IEEE.
• 9. Matheron G.: Random Sets and Integral Geometry. Wiley 1975.
• 10. Młynarczuk M.: Some Remarks on the Application of Image Analysis and Image Processing for the Description of the Geometrical Structures of Rock. Physicochemical Problems of Mineral Processing 1999, 33.
• 11. Młynarczuk M.: Możliwości wykorzystania metod analizy obrazu do opisu petrograficznego wybranych skał okruchowych. „Gospodarka Surowcami Mineralnymi" 2006, s. 135-144.
• 12. Park H. S., Jun C. H.: A simple and fast algorithm for K-medoids clustering. Expert Systems with Applications 2009, 36(2), 3336-3341.
• 13. Rish I.: An empirical study of the naive Bayes classifier. IJCAI workshop on empirical methods in artificial intelligence 2001.
• 14. Serra J.: Image Analysis and Mathematical Morphology. Academic Press 1982.
• 15. Tatar J.: O niektórych miarach rozproszenia rozkładów prawdopodobieństwa. „Przegląd Statystyczny" 1996.
• 16. Yee K. P., Swearingen K., Li K., Hearst M.: Faceted metadata for image search and browsing. Proceedings of the SIGCHI conference on Human factors in computing systems 2003, 401-408.
• 17. Yu C.: Indexing the distance An efficient method to knn processing. VLDB 2001.