ИСТИНА

Цель исследования состоит в разработке новых нейросетевых методов автоматической идентификации минералов по изображениям геологических аншлифов руд, а также новых методов ускоренной разметки изображений аншлифов и методов полуавтоматической цветовой калибровки

Automatic identification of ore minerals from images of polished sections is necessary for a significant reduction in the time spent on the study of ores, the elimination of erroneous diagnosis and the identification of statistical indicators in evaluative, visual analysis. On its basis, it is possible to create a tool for diagnosing minerals and analyzing ore associations for the purpose of detailed genetic modeling. The use of such a mechanism makes it possible to determine the accuracy of determining the chemical composition of ores with their mineral formations, and to a large extent allows to identify certain mineralogical parameters of the identification of the formation of deposits and comparison of various types of deposits, which ultimately facilitates the identification of the search for new deposits. The large variability of images of polished sections and their textures, as well as a preliminary study of the context of images to determine minerals, limits the use of classical methods of image processing and analysis and to obtain the efficiency makes us move towards using traintrainable methods, in particular, methods based on convolutional neural networks.

В рамках проекта будут разработаны новые методы обработки и анализа изображений геологических аншлифов, ориентированных на автоматическую идентификацию минералов. В частности, будут разработаны: - метод семантической сегментации минералов на изображениях аншлифов, ориентированный на работу в условиях дисбаланса классов, - метод быстрой интерактивной разметки изображений аншлифов с помощью штрихов, - метод полуавтоматической калибровки и адаптации обученной модели сегментации для работы с изображениями, полученными на другом оборудовании или с иными параметрами съемки, - методы анализа получаемых карт сегментации минералов для использования в практических задачах рудной геологии. Также при помощи разработанного метода быстрой разметки будет размечена и выложена в открытый доступ коллекция изображений аншлифов халькопирит-пентландит-пирротиновых руд, основного типа руды ЭПГ-Ni-Cu месторождений расслоенных мафитовых-ультрамафитовых массивов («Норильский рудный узел», «Федорова-панская тундра», «рудная провинция Витватерсранд» и т.д.). Данная коллекция будет в том числе использоваться для обучения и тестирования разрабатываемых методов анализа изображений. Использование совокупности этих методов при работе с коллекциями геологических аншлифов позволит: проводить быструю диагностику минерального состава руд; с высокой точностью определять содержания рудных минералов; проводить гранулометрический анализ рудных минералов; за счёт уменьшения временных затрат на работу с аншлифами, позволит “переописать” и актуализировать уже собранные коллекции руд в едином унифицированном стиле. Такой комплексный подход совместно с методами химического анализа руд позволит более детально моделировать историю развития месторождений, что в конечно итоге приведёт к формированию дополнительных поисковых критериев для месторождений.

У коллектива имеется совместный опыт по тематике анализа изображений геологических аншлифов, ранее получены следующие предварительные результаты: 1) Собран набор изображений геологических аншлифов с экспертной пиксельной разметкой LumenStone S1 (https://imaging.cs.msu.ru/en/research/geology/lumenstone), полученный с помощью микроскопа Carl Zeiss AxioScope 40. Этот набор данных будет использован в рамках данной работы для построения и обучения рассматриваемых методов, а также будет существенно расширен. 2) Разработан метод балансировки данных через сэмплирование для обучения сегментирующих нейронных сетей. 3) Разработан нейросетевой метод сегментации 7 минералов, обученный и протестированный на собранном наборе данных LumenStone S1. 4) Оформлена регистрация прототипа программного обеспечения для сегментации минералов. Свидетельство 2021616571 от 23.04.2021. 5) Имеются 4 публикации по тематике исследования.