Классификация минеральных компонентов гранитоидов методами цифровой петрографии и машинного обучения

  • Елена Анатольевна Василёнок Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь https://orcid.org/0000-0001-7428-8498
DOI: https://doi.org/10.33581/2521-6740-2020-1-75-85

Аннотация

Методы машинного обучения стали применяться в петрографии сравнительно недавно. Однако благодаря быстрому развитию программирования появляются более мощные алгоритмы и инструменты, использование которых для решения петрографических задач до настоящего времени не рассматривалось. Именно поэтому целью данной работы было применение современных методов машинного обучения для идентификации минеральных компонентов по макроизображениям образцов горных пород, а также методов обработки цифровых изображений. В статье представлены методика определения количественных характеристик и методика классификации минералов на макроизображениях горных пород. В качестве инструментария была использована программа для анализа и обработки изображений ImageJ с открытым программным интерфейсом, дополненная плагином Trainable Weka Segmentation. Макроизображения получены путем сканирования полированных образцов. Для эксперимента отобраны семь макрофотографий различных представителей семейства гранитов. Проведено обучение с учителем, где для классификации использован метод дерева решений. Для выборки объектов были созданы классы по каждому из породообразующих минералов: кварц (Q), калиевый полевой шпат (Fps), плагиоклаз (Pl) и биотит (Bi). Подготовлены области интереса и сохранены в одну базу данных, по которой и произведено обучение классификатора. По полученным классификационным изображениям созданы маски каждого минерала. Затем по этим маскам выполнен количественный анализ: определено процентное содержание и количество зерен минералов. Результаты представлены в табличной и графической формах.

Биография автора

Елена Анатольевна Василёнок, Белорусский государственный университет, пр. Независимости, 4, 220030, г. Минск, Беларусь

аспирантка кафедры региональной геологии факультета географии и геоинформатики. Научный руководитель – кандидат геолого-минералогических наук, доцент В. П. Самодуров

Литература

  1. Kaestner A, Lehmann E, Stampanoni M. Imaging and image processing in porous media research. Advances in Water Resources. 2008;31(9):1174–1187. DOI: 10.1016/j.advwatres.2008.01.022.
  2. Castro W, Oblitas J, De-la-Torre M, Cotrina C, Bazán K, Avila-George H. Using machine learning techniques and different color spaces for the classification of Cape gooseberry (Physalis peruviana L.) fruits according to ripeness level. PeerJ Preprints. 2019;7:e26691v2. DOI: 10.7287/peerj.preprints.26691v2.
  3. Chermant J-L, Chermant L, Coster M, Dequiedt A-S, Redon C. Some fields of applications of automatic image analysis in civil engineering. Cement and Concrete Composites. 2001;23(2–3):157–169. DOI: 10.1016/S0958-9465(00)00059-7.
  4. Egmоnt-Petersen M, de Ridder D, Handels H. Image processing with neural networks – a review. Pattern Recognition. 2002; 35(10):2279–2301. DOI: 10.1016/S0031-3203(01)00178-9.
  5. Baykan NA, Yilmaz N, Kansun G. Case study in effects of color spaces for mineral identification. Scientific Research and Essays. 2010;5(11):1243–1253.
  6. Fueten F, Mason J. An artificial neural net assisted approach to editing edges in petrographic images collected with the rotating polarizer stage. Computers & Geosciences. 2007;33(9):1176–1188. DOI: 10.1016/j.cageo.2006.12.007.
  7. Gonçalves LB, Leta FR. An intelligent computer vision system to rock classification in oil and gas industry. ABCM Symposium Series in Mechatronics. 2009;4(Section I):21–30.
  8. Baykan NA, Yilmaz N. Mineral identification using color spaces and artificial neural networks. Computers & Geosciences. 2010;36(1):91–97. DOI: 10.1016/j.cageo.2009.04.009.
  9. Perez CA, Estévez PA, Vera PA, Castillo LE, Aravena CM, Schulz DA, Medina LE. Ore grade estimation by feature selection and voting using boundary detection in digital image analysis. International Journal of Mineral Processing. 2011;101(1–4):28–36. DOI: 10.1016/j.minpro.2011.07.008.
  10. Vasilionak АА, Samodurov VP. [Mafic index of the igneous rocks definition by the digital petrography data]. In: Lukashev OV, San’ko AF, Zui VI, Tvoronovich-Sevruk DL, editors. Sovremennye problemy geokhimii, geologii i poiskov mestorozhdenii poleznykh iskopaemykh: materialy Mezhdunarodnoi nauchnoi konferentsii, posvyashchennoi 110-letiyu so dnya rozhdeniya akademika Konstantina Ignat’evicha Lukasheva (1907–1987); 23–25 maya 2017 g.; Minsk, Belarus’. Chast’ 2. Geokhimiya i mineralogiya. Ekologicheskaya geokhimiya i ekologicheskaya geologiya [Modern problems of geochemistry, geology and the mineral deposits searching: proceedings of the International scientific conference, dedicated to the 110th anniversary of academician Konstantin Ignatievich Lukashev (1907–1987); 2017 May 23–25; Minsk, Belarus. Part 2. Geochemistry and mineralogy. Environmental geochemistry and environmental geology]. Minsk: Pravo i ekonomika; 2017. p. 4–6. Russian.
  11. Mitchell TM. Machine learning. [S. l.]: McGraw-Hill Science/Engineering/Math; 1997. 414 p.
  12. Albar A, Osman MH, Abdullah MS, Ismail BN. Classification of intrusive igneous rocks using digital image processing: a binary approach. Journal of Engineering Science. 2013;9:11–19.
  13. Dunlop H. Automatic rock detection and classification in natural scenes, CMU-RI-TR-06-40. Pittsburgh: Carnegie Mellon University, Robotics Institute; 2006. 66 р.
  14. Mengko TR, Susilowati Y, Mengko R, Leksono BE. Digital image processing technique in rock forming minerals identification. In: Proceedings of the 2000 IEEE Asia-Pacific conference on circuits and systems: electronic communication systems; 2000 December 4 – 6; Tianjin, China. [S. l.]: IEEE; 2000. p. 441– 444. DOI: 10.1109/APCCAS.2000.913531.
  15. Launeau P, Cruden AR, Bouchez J-L. Mineral recognition in digital images of rocks: a new approach using multichannel classification. The Canadian Mineralogist. 1994;32:919–933.
  16. Susilowati Y, Rahyuwibowo H, Mengko TR. Characteristic of interference color in rock forming mineral images. In: Proceedings of the 2002 IEEE Asia-Pacific conference on circuits and systems; 2002 October 28–31; Denpasar, Bali, Indonesia. Volume 2. [S. l.]: IEEE; 2003. р. 265–268. DOI: 10.1109/APCCAS.2002.1115223.
  17. Davis J, Goadrich M. The relationship between precision-recall and ROC curves. In: Proceedings of the 23rd International conference on machine learning; 2006 June 25–29; Pittsburgh, Pennsylvania, USA. New York: ACM; 2006. p. 233–240. DOI: 10.1145/1143844.1143874.
  18. Ferri C, Flach P, Hernández-Orallo J. Learning decision trees using the area under the ROC curve. In: Sammut C, Hoffmann A, editors. Proceedings of the Nineteenth International conference on machine learning; 2002 July 8–12; Sydney, Australia. [S. l.]: Morgan Kaufmann Publishers; 2002. р. 139–146.
  19. Beggan C, Hamilton CW. New image processing software for analyzing object size-frequency distributions, geometry, orientation, and spatial distribution. Computers & Geosciences. 2010;36(4):539–549. DOI: 10.1016/j.cageo.2009.09.003.
  20. Karakuş D, Onur AH, Deliormanli AH, Konak G. Size and shape analysis of mineral particles using image processing technique. Journal of Ore Dressing. 2010;12(23):1–8.
  21. Wu X, Kumar V, Quinlan JR, Ghosh J, Yang Q, Motoda H, et al. Top 10 algorithms in data mining. Knowledge and Information Systems. 2008;14(1):1–37. DOI: 10.1007/s10115-007-0114-2.
  22. Zhdanov VV, Kostin AE, Kukharenko EA, Landa EA, Lukyanova LI, Masaitis VL, et al., compilers. Petrographic code of Russia. Magmatic, metamorphic, metasomatic, impact rock-assemblages: approved by the Ministry of natural resources of the Russian Federation on 2006 November 15. Bogatikov OA, Petrov OV, Sharpenok LN, editors. 2nd edition. Saint Petersburg: VSEGEI Press; 2008. 204 p. Russian.
  23. Breiman L. Random forests. Machine Learning. 2001;45(1):5–32. DOI: 10.1023/A:1010933404324.
  24. Landini G, Randell DA, Fouad S, Galton A. Automatic thresholding from the gradients of region boundaries. Journal of Microscopy. 2017;265(2):185–195. DOI: 10.1111/jmi.12474.
  25. Vasilionak AA, Samodurov VP. Mafic index of the igneous rocks definition by the digital petrography data. In: Makhnach AA, Astapenko VN, Demidova SV, Zui VI, Kruchek SA, Kutyrlo VE, et al., editors. Problemy geologii Belarusi i smezhnykh territorii: materialy Mezhdunarodnoi nauchnoi konferentsii, posvyashchennoi 100-letiyu so dnya rozhdeniya akademika NAN Belarusi Aleksandra Semenovicha Makhnacha; 21–22 noyabrya 2018 g.; Minsk, Belarus’ [Problems of the geology of Belarus and adjacent territories: proceedings of the International scientific conference, dedicated to the 100th anniversary of the academician of the National Academy of Sciences of Belarus Alexander Semenovich Makhnach; 2018 November 21–22; Minsk, Belarus]. Minsk: StroiMediaProekt; 2018. p. 285–288. Russian.
  26. Pratt WK. Digital image processing. 3rd edition. New York: John Wiley & Sons; 2007. 738 p.
  27. Baveye PC, Laba M, Otten W, Bouckaert L, Sterpaio PD, Goswami RR, et al. Observer-dependent variability of the thresholding step in the quantitative analysis of soil images and X-ray microtomography data. Geoderma. 2010;157(1–2):51–63. DOI: 10.1016/j.geoderma.2010.03.015.
  28. Frančišković-Bilinski S, Bilinski H, Vdović N, Balagurunathan Y, Dougherty ER. Application of image-based granulometry to siliceous and calcareous estuarine and marine sediments. Estuarine, Coastal and Shelf Science. 2003;58(2):227–239. DOI: 10.1016/ S0272-7714(03)00074-X.
  29. Lukashev OV. International scientific conference «Contemporary problems of geochemistry, geology and prospecting for mine ral resources» devoted to the 110th anniversary from academic K. I. Lukashev birth. Journal of the Belarusian State University. Geogra phy. Geology. 2018;1:83–84. Russian.
Опубликован
2020-05-29
Ключевые слова: цифровая петрография, гранит, идентификация горных пород, классификация минералов, машинное обучение
Как цитировать
Василёнок, Е. А. (2020). Классификация минеральных компонентов гранитоидов методами цифровой петрографии и машинного обучения. Журнал Белорусского государственного университета. География. Геология, 1, 75-85. https://doi.org/10.33581/2521-6740-2020-1-75-85
Выпуск
№ 1 (2020): Журнал Белорусского государственного университета. География. Геология
Раздел
Геология

Copyright (c) 2020 Журнал Белорусского государственного университета. География. Геология

Лицензия Creative Commons

Это произведение доступно по лицензии Creative Commons «Attribution-NonCommercial» («Атрибуция — Некоммерческое использование») 4.0 Всемирная.

Авторы, публикующиеся в данном журнале, соглашаются со следующим:

  1. Авторы сохраняют за собой авторские права на работу и предоставляют журналу право первой публикации работы на условиях лицензии Creative Commons Attribution-NonCommercial. 4.0 International (CC BY-NC 4.0).
  2. Авторы сохраняют право заключать отдельные контрактные договоренности, касающиеся неэксклюзивного распространения версии работы в опубликованном здесь виде (например, размещение ее в институтском хранилище, публикацию в книге) со ссылкой на ее оригинальную публикацию в этом журнале.
  3. Авторы имеют право размещать их работу в интернете (например, в институтском хранилище или на персональном сайте) до и во время процесса рассмотрения ее данным журналом, так как это может привести к продуктивному обсуждению и большему количеству ссылок на данную работу. (См. The Effect of Open Access).