قطعه‌بندی تصاویر سنگ با استفاده از یادگیری عمیق

پذیرفته شده برای پوستر XML
کد مقاله : 1436-NIGS
نویسندگان
1استادیار/دانشگاه زنجان
2استادیار/ دانشگاه وایومینگ
چکیده
قطعه‌بندی تصویر یک مرحله مهم در فیزیک سنگ رقومی است. روش‌های متداول اغلب از یک حد آستانه برای جدایش فازها و الگوریتم حوضه آبریز برای رشد آنها برای قطعه‌بندی و تشخیص فازهای مختلف استفاده می‌کنند. چنین روش‌هایی بر اساس شدت رنگ خاکستری هر پیکسل استوار است و بنابراین تشخیص فازهای متفاوت با شدت رنگ مشابه در آنها امکان‌پذیر نیست. پیشرفت‌های اخیر در روش‌های یادگیری عمیق و به ویژه شبکه‌های عصبی کانولوشنی استفاده از آنها را در مسائل بینایی ماشین مانند قطعه‌بندی را به شدت افزایش داده است. در این مطالعه از یک شبکه عصبی کانولوشنی سه بعدی برای جداسازی شکستگی‌های زغال (قطعه‌بندی دو کلاسه) و از یک شبکه خودرمزگذار کانولوشنی برای جداسازی تخلخل و کانی‌های مختلف ماسه‌سنگ بریا (قطعه‌بندی چند کلاسه) استفاده می‌شود. نتایج حاکی از دقت 96 درصدی روش‌های بر پایه یادگیری عمیق در هر دو شبکه می‌باشد.
کلیدواژه ها
 
Title
Segmentation of rock images using deep learning
Authors
Sadegh Karimpouli, Pejman Tahmasebi
Abstract
Segmentation is a critical step in any digital rock physics (DRP) workflow. Conventional methods often use thresholding to delineate distinct phases and, consequently, watershed algorithm to identify the existing phases. Such methods are based on color contrast, which makes it difficult to automatically differentiate phases with similar colors and intensities. Recent developments in deep learning algorithms and especially convolutional neural networks (CNN) attracted attentions in different applications of machine vision such as segmentation. In this study, a 3D CNN is used to delineate fractures in coal sample (two-phase classification) and a convolutional autoencoder network is applied for detection of pores and minerals in Berea sandstone (multi-phase classification). Results showed that CNN-based methods have an accuracy more than 96% in both networks.
Keywords
Digital rock physics, Segmentation, Deep learning, Convolutional neural networks