Способ анализа минералогического состава кристаллических горных пород Российский патент 2025 года по МПК G01V9/00 G06T1/40 

Изобретение относится к области машинного обучения и, в частности, к трансферному обучению в контексте глубокого обучения, а также к способам визуального минералогического анализа путем классификации изображений кристаллических пород на основе дополнительных признаков, полученных в результате векторизации сегментов изображения.

Из уровня техники известны лабораторные методы исследования минералов [Microsoft Word - LabMetUkaz2010mm2-2011.doc (geokniga.org)]. горных пород и руд: оптическая микроскопия, количественный рентгенографический анализ, аналитическая электронная микроскопия, электронно-зондовый микроанализ, рентгеновская вычислительная (микро)томография, люминесцентно-спектроскопический метод [Минералогические исследования (vims-geo.ru); SU 1807350 A1, G01N 21/64, заявка №4881928 от 15.11.1990, опубл.: 07.04.1993], и другие требуют специального оборудования, квалифицированного персонала и достаточно много времени для получения результатов.

В ГОСТ 25473-82 [ГОСТ 25473-82. Руды железные и концентраты. Метод определения минералогического типа] отмечается ряд трудностей и ошибок, которые возникают при определении минералогического типа железных руд и концентратов. В частности, указывается, что метод определения минералогического типа требует высокой квалификации и опыта лаборантов, а также хорошего качества изображения образца руды. Кроме того, данный метод не учитывает влияние различных факторов, таких как степень дисперсности, структура, текстура, пористость и другие, на определение минералогического типа.

Также известно о практике использования новых методов в изучении вещественного состава руд, в частности, о диагностике минералов на цифровых изображениях [RU 2639727 С2, заявка №2015100412 от 07.06.2013, опубл.: 10.08.2016 в Бюл. №22; CN112106108 А, заявка №CN20198030994 от 20.06.2019, опубл.: 18.12.2020; US 2015/0317052 A1, заявка №14/686861 от 15.04.2015, опубл.: 05.11.2015]. В данных патентных документах обозначены подходы к анализу образца горной породы через определение ее механических свойств, реализующие сегментацию цифровых изображений, а также формирование словаря и библиотеки форматов описания вертикальных последовательностей горных пород.

Недостатками вышеприведенных запатентованных решений являются ограниченная функциональность, относящаяся только к определению механических свойств образца горной породы, низкая точность, ограниченная вероятностными вычислениями и моделированием, а также временные затраты, обусловленные использованием устаревших вычислительных методов и средств.

Технический результат изобретения заключается в повышении точности и скорости обработки полученных изображений, сравнения и результатов анализа, удобстве использования.

Технический результат достигается тем, что способ анализа минералогического состава кристаллических горных пород включает в себя обучение модели искусственной нейронной сети, состоящее из

- фиксации цифрового изображения образца кристаллической горной породы с помощью устройства, оснащенного цифровой камерой,

- передачи в вычислительную машину цифрового изображения образца кристаллической горной породы и соответствующей данному цифровому изображению маски, с фиксированным присутствием или отсутствием искомого минерала на цифровом изображении точками черного или белого цвета соответственно,

- разбиения цифрового изображения и маски цифрового изображения на сегменты меньшего масштаба методом скользящего окна, причем для каждого сегмента цифрового изображения вырезают соответствующую секцию маски, в которой подсчитывают количество черных точек искомого минерала,

- формирования обучающей выборки для бинарного классификатора из сегментов цифрового изображения и маски путем создания двух подмножеств сегментов, а именно черных и белых сегментов цифрового изображения, состоящих полностью из искомого минерала и пустой породы,

- векторизации полученных сегментов цифрового изображения с получением множества векторов абстрактных признаков, используемых для дальнейшей классификации, с помощью нейросети ResNet,

- обучения модели искусственной нейронной сети прямого распространения на полученной обучающей выборке в десять эпох с сохранением лучших результатов, при этом в качестве функции потерь используют бинарную кросс-энтропию,

- валидации результатов на контрольной выборке и сохранение обученной модели искусственной нейронной сети образца кристаллической горной породы,

- накопления в классификаторе обученных моделей искусственной нейронной сети, соответствующих отдельным кристаллическим горным породам, и

- классификации исследуемого образца кристаллической горной породы, состоящей из

- передачи цифрового изображения образца кристаллической горной породы в вычислительную машину,

- разбиения цифрового изображения и маски цифрового изображения на сегменты,

- векторизации полученных сегментов цифрового изображения с помощью нейросети ResNet,

- выбора из имеющихся в классификаторе обученных моделей искусственной нейронной сети модели, соответствующей исследуемому образцу кристаллической горной породы, при этом модель применяется к полученному множеству векторов цифрового изображения, каждому вектору присваивается метка, имеющая значение 0 или 1 и соответствующая отсутствию или присутствию искомого минерала, кроме того, сумма результатов, нормированная на количество векторов, соответствует площадной оценке содержания минерала в образце,

- количественной оценки сопоставления выбранной модели и образца кристаллической горной породы,

- вывода результатов количественной оценки на интерфейс отображающего устройства.

Для функционирования способа используют следующие аппаратные средства:

в качестве устройства, оснащенного цифровой камерой, применяемого для фиксации цифрового изображения, могут быть использованы камера, микроскоп или мобильное устройство;

для обработки изображения и выполнения классификации исследуемого образца кристаллической горной породы может быть использована вычислительная машина любой архитектуры: персональный компьютер, сервер, мобильное устройство и т.д.;

для управления процессом сбора данных, а также вывода изображений и результатов анализа применяют контроллеры вкупе с сенсорными дисплеями, мониторами и другими интерфейсами.

На программном уровне для осуществления векторизации сегментов изображения, в качестве предварительно обученной модели используют любую версию глубокой сверточной нейросети ResNet, обеспечивающую разделимость образцов в векторном пространстве.

Таким образом, этапы способа с учетом используемых аппаратных и программных средств подразделяют на:

1) сбор данных, в ходе которого микроскоп или камера снимает изображения кристаллических пород;

2) передачу изображения на компьютер для дальнейшей обработки;

3) предобработку изображений с векторизацией сегментов изображения, чтобы получить дополнительные признаки;

4) обучение модели нейросети ResNet с использованием методов машинного обучения, библиотеки машинного обучения Keras, Tensorflow. Модель обучается на размеченных данных, где каждое изображение имеет метку;

5) классификацию, выполняемую таким образом, что после обучения модель может классифицировать новые изображения. Она анализирует дополнительные признаки, полученные в результате векторизации и определяет минерал и его содержание,

6) визуализацию полученных результатов на интерфейс.

Схема процесса анализа приведена на Фигурах 1 и 2, отражающих подпроцессы обучения и классификации, где 1 - разметка образцов, 2 - сегментирование, 3 - векторизация, 4 - обучение классификатора, 5 - изображение, 6 - классификатор сегментов, 7 - визуализированный результат.

Пример осуществления изобретения.

С помощью цифровой камеры сфотографировали поверхность образца кристаллической горной породы (приведено на Фигуре 3). На полученном изображении выделили пятно целевого минерала, т.е. маску (8 на Фигуре 4). Передали изображение и маску в компьютер для выполнения классификации.

В компьютере произвели разбиение изображения на сегменты и выполнили их векторизацию, после сформировали обучающую выборку 9, показанную на Фигуре 6, из маски образца кристаллической горной породы (см. 8 на Фигуре 5).

Полученную выборку сравнили с имеющимися в классификаторе обученными моделями искусственной нейронной сети и произвели количественную оценку результата. На Фигуре 7 показано цифровое изображение исследуемый образец, на Фигуре 8 приведено сопоставленное изображение обученной модели классификатора.

Результат вывода искусственной нейронной сети классификатора в примере составил 29,34%. Результат сопоставлен с имеющимися результатами химического анализа данного образца кристаллической горной породы. Результат химического анализа показал 28,71% содержания P2O5. Результат площадного анализа, производимого экспертом-геологом, составил 33,11%. Таким образом, точность предлагаемого способа составила 96,75% при существенном сокращении времени выполнения анализа.

Преимущественным свойством предложенного способа является высокая корреляция точности анализа с передовыми аналитическими методами при низкой стоимости и низкими требованиями к количеству входных данных.

Способ не требует никакого ввода данных от пользователя, так как он автоматически сегментирует, а затем векторизует сегменты при помощи предобученной искусственной нейронной сети. Это упрощает процесс анализа и уменьшает вероятность ошибок.

В предложенном способе применен принцип трансферного обучения используется внешняя сеть, предобученная на большом количестве разнообразных изображений, которая преобразует фрагменты исходного изображения в свое внутреннее представление в виде вектора абстрактных признаков, далее полученный вектор используется для классификации. Предложенный способ позволяет проводить обучение нейросетевого классификатора на относительно небольшом наборе в виде нескольких размеченных образцов. Это достигается, с одной стороны, уменьшением признакового пространства до размера вектора, с другой стороны, сегментация изображений позволяет получить более 10000 образов с одного размеченного изображения, что является достаточным для обучения искусственной нейронной сети классификатора.

Способ автоматизирует решение задачи определения минералогического состава методом площадного анализа, то есть определение процентного соотношения разных минералов в образце. Это важно для оценки качества и ценности руды, а также для выбора оптимального способа ее обогащения. Способ работает быстро и экономично, так как он не требует дорогостоящего лабораторного оборудования, квалифицированного персонала или большого количества времени для получения результатов. Это повышает эффективность и конкурентоспособность на рынке.

Способ может работать с любым типом изображения, в том числе с фотографиями, сканированными образцами, рентгеновскими снимками и другими. Это расширяет возможности анализа и делает изобретение универсальным для разных видов кристаллических пород и условий использования.

Изобретение может иметь широкое применение в различных отраслях, где требуется определение минерального состава материалов кристаллических пород. Предложенный способ основан на современных достижениях в области машинного обучения, нейронных сетей и компьютерного зрения и может быть реализован с помощью существующих технологий и инфраструктуры.

Изобретение относится к области машинного обучения и, в частности, к трансферному обучению в контексте глубокого обучения, а также к способам визуального минералогического анализа путем классификации изображений кристаллических пород на основе дополнительных признаков, полученных в результате векторизации сегментов изображения. Способ анализа минералогического состава кристаллических горных пород включает в себя обучение модели искусственной нейронной сети и классификацию исследуемого образца кристаллической горной породы, с подпроцессами сбора данных, в ходе которого микроскоп или камера снимает изображения кристаллических пород, передачу изображения на компьютер для дальнейшей обработки; предобработку изображений с векторизацией сегментов изображения для получения дополнительных признаков; обучение модели нейросети ResNet с использованием методов машинного обучения, и классификацию, выполняемую таким образом, что после обучения модель может классифицировать новые изображения. Модель анализирует дополнительные признаки, полученные в результате векторизации и определяет минерал и его содержание. Техническим результатом является повышение точности и скорости обработки полученных изображений, сравнения и результатов анализа, удобство использования. 1 з.п. ф-лы, 8 ил.

1. Способ анализа минералогического состава кристаллических горных пород, включающий в себя обучение модели искусственной нейронной сети, состоящее из:

фиксации цифрового изображения образца кристаллической горной породы с помощью устройства, оснащенного цифровой камерой,

передачи в вычислительную машину цифрового изображения образца кристаллической горной породы и соответствующей данному цифровому изображению маски, с фиксированным присутствием или отсутствием искомого минерала на цифровом изображении точками черного или белого цвета соответственно,

разбиения цифрового изображения и маски цифрового изображения на сегменты меньшего масштаба методом скользящего окна, причем для каждого сегмента цифрового изображения вырезают соответствующую секцию маски, в которой подсчитывают количество черных точек искомого минерала,

формирования обучающей выборки для бинарного классификатора из сегментов цифрового изображения и маски путем создания двух подмножеств сегментов, а именно черных и белых сегментов цифрового изображения, состоящих полностью из искомого минерала и пустой породы,

векторизации полученных сегментов цифрового изображения с получением множества векторов абстрактных признаков, используемых для дальнейшей классификации, с помощью нейросети ResNet,

обучения модели искусственной нейронной сети прямого распространения на полученной обучающей выборке в десять эпох с сохранением лучших результатов, при этом в качестве функции потерь используют бинарную кросс-энтропию,

валидации результатов на контрольной выборке с сохранением обученной модели искусственной нейронной сети образца кристаллической горной породы,

накопления в классификаторе обученных моделей искусственной нейронной сети, соответствующих отдельным кристаллическим горным породам, и

классификации исследуемого образца кристаллической горной породы, состоящей из:

передачи цифрового изображения образца кристаллической горной породы в вычислительную машину, разбиения цифрового изображения и маски цифрового изображения на сегменты, векторизации полученных сегментов цифрового изображения с помощью нейросети ResNet,

выбора из имеющихся в классификаторе обученных моделей искусственной нейронной сети модели, соответствующей исследуемому образцу кристаллической горной породы, при этом модель применяется к полученному множеству векторов цифрового изображения, каждому вектору присваивается метка, имеющая значение 0 или 1 и соответствующая отсутствию или присутствию искомого минерала, кроме того, сумма результатов, нормированная на количество векторов, соответствует площадной оценке содержания минерала в образце,

количественной оценки сопоставления выбранной модели и образца кристаллической горной породы,

вывода результатов количественной оценки на интерфейс отображающего устройства.

2. Способ анализа минералогического состава кристаллических горных пород по п. 1, отличающийся тем, что в качестве электронного устройства, оснащенного камерой, могут быть использованы микроскоп, мобильное устройство, фотокамера или видеокамера.