Исследователи из Сколтеха обучили нейронную сеть эффективно распознавать на фотографиях ящиков керна образцы горных пород. Это позволило ускорить процесс анализа до 20 раз, а также автоматизировать описание керна. Разработанный алгоритм используется в цифровом сервисе геологической разведки DeepCore, созданном в компании Digital Petroleum. О работе рассказала пресс-служба Сколтеха.
Одна из рутинных задач геологических исследований — описание горных пород. Часто образцы извлекаются в виде керна и складываются в ящики. В ходе исследования керна ящики или отдельные столбики фотографируют. Описание составляют вручную, заполняя электронные таблицы или геологические журналы. Стандартная процедура анализа включает в себя этап, на котором ученый или инженер в графическом редакторе вручную вырезает отдельные столбики из фотографий коробок для составления отчетов.
Для автоматизации этого процесса ученые применили методы машинного обучения. Однако традиционные методы компьютерного зрения не очень хорошо справляются с этой задачей из-за ограниченного объема данных и больших отличий между изображениями — например, если порода отлична от соседних по цвету или текстуре или сфотографирована в других условиях. Такие различия существенно влияют на работу алгоритмов машинного обучения, для обучения которых требуется большой набор данных, описывающий все возможные вариации. В результате приходится тратить время на дообучение модели.
Для решения этой задачи ученые Сколтеха применили глубокие сверточные нейронные сети — искусственные нейронные сети, построенные по подобию зрительной коры животных. Для обучения нейронной сети был разработан алгоритм аугментации, то есть увеличения объема данных путем добавления измененных копий из существующих данных, в данном случае — фотографий ящиков керна. «Синтетические» изображения были созданы на основе модифицированного алгоритма CutMix. Он позволяет «склеивать» новое изображение из пары существующих, случайным образом вырезая кусочек одного изображения и вставляя вместо соответствующей области другого. Поскольку ученых интересовало распознавание именно столбиков горных пород, они оптимизировали этот метод на основании шаблона изображений керна, вырезая и меняя местами кусочки только из областей, где располагался керн.
«Ящики керна, сфотографированные на одном месторождении, могут быть визуально очень похожи, но при этом породы в них могут быть разными. И если в тот же ящик виртуально поместить породу из другого ящика, сеть может спутать область керна с границами ящика из-за сходства по цвету. А аугментация помогает сети в большей степени акцентировать внимание на других характеристиках, помимо цвета и формы, — например, структуре и текстуре», — поясняет первый автор работы, сотрудник Сколтеха Евгений Барабошкин.
Ученые сравнили эффективность алгоритма, обученного исключительно на «традиционных» и на смешанных с аугментированными данных. Оказалось, что благодаря аугментации алгоритм обучается эффективно и безошибочно обнаруживать столбики породы на большинстве новых изображений. Такой автоматизированный подход ускоряет обработку одной коробки керна до 20 раз. Еще одно из преимуществ метода при встраивании в систему — автоматическое определение глубин, соответствующих каждому столбику. Раньше для этого нужно было измерять столбики при помощи линейки.
Разработанный метод ученые внедрили как один из этапов анализа в систему DeepCore — созданный ими программный продукт автоматического описания керна по изображениям. После извлечения столбиков из изображений программа определяет границы слоев и типы пород. При этом у пользователей остается возможность сопровождения: при необходимости эксперт может добавить дополнительные типы пород или скорректировать разделение на слои. С 2021 года DeepCore применяется в рудной и нефтегазовой отраслях, помогая специалистам сократить время рутинной работы и автоматизировать анализ.
Детали метода описаны в статье, опубликованной в журнале Computers & Geosciences.
