مقایسه شبکه های کانولوشنی و خودرمزنگار در تعیین شکستگی تصاویر سنگ
عنوان دوره: پنجمین همایش ژئوفیزیک اکتشافی نفت
نویسندگان
1دانشگاه زنجان
2دانشیار/دانشگاه زنجان
چکیده
در علوم زمین تشخیص خصوصیات فیزیکی سنگ مانند شکستگی‌های موجود در آن بسیار حائز اهمیت است. امروزه با گسترش یادگیری عمیق به خصوص شبکه‌های عصبی عمیق برآورد خصوصیات از روی تصویر سنگ، با دقت و سرعت بسیار بالا امکان پذیر شده است. برای استفاده از یادگیری عمیق با هدف تشخیص شکستگی‌ها، شبکه‌های مختلفی وجود دارد. در این مطالعه به قابلیت شبکه‌های کانولوشنی و شبکه‌های خودرمزنگار پرداخته شده است. برای آموزش این شبکه‌ها از تصاویر میکرو-سی-تی-اسکن مغزه زغال سنگ استفاده شده است. نتایج این مطالعه نشان می‌دهد که شبکه‌های کانولوشنی ساده با دقت 100 درصد که حداکثر دقت ممکن است و هزینه‌ی 0.0024 درصد بهتر آموزش دیده و شکستگی‌های موجود در تصویر جدید را دقیق‌تر از شبکه‌های خودرمزنگار با دقت 97.7 درصد و هزینه‌ی 1.7 درصد تشخیص داده است.
کلیدواژه ها
 
Title
Comparison of convolutional and autoencoder networks for segmentation of fractures in rock images
Authors
maryam mohammadi, Sadegh Karimpouli
Abstract
In geosciences, it is very important to recognize the physical properties of the rock, such as the fractures in it. Nowadays, with the development of deep learning, especially deep neural networks, it is possible to estimate the properties from the rock image with very high accuracy and speed. There are several networks of deep learning to use to diagnose fractures. In this study, the capability of convolutional networks and autoencoder networks has been investigated. Coal core micro computed tomography images were used to train these networks. The results of this study show that simple convolutional networks with accuracy of 100% which is the maximum possible accuracy and loss of 0.0024% are better trained and the fractures in the new image are more accurate diagnose than the autoencoder networks with accuracy 97.7% and a loss of 1.7%.
Keywords
Deep learning, Convolutional Neural Network, autoencoder network, rock fracture