Новое ПО для автоматического детектирования рудных минералов по фотографиям аншлифов

Ученые факультета ВМК совместно с коллегами с геологического факультета МГУ разработали программное обеспечение с графическим интерфейсом, которое позволяет пользователю загружать изображения аншлифов руд, визуализировать референсные разметки, совершать идентификацию минералов и визуализировать результаты. Программа также демонстрирует пользователю статистическую информацию о минерале при наведении на его изображение курсора мыши.

Исследование выполнено при поддержке Научно-образовательной школы МГУ «Мозг, когнитивные системы, искусственный интеллект». Результаты работы опубликованы в журнале The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences.

Созданию текущей версии программного обеспечения предшествовало длительное сотрудничество, объединившее коллективы профессора Андрея Крылова и доцента Михаила Богуславского, представляющих лабораторию математических методов обработки изображений факультета ВМК и кафедру геологии, геохимии и экономики полезных ископаемых геологического факультета. В течение многолетней работы было налажено эффективное взаимодействие, проведен ряд исследований. Однако, только в последнее время за счет использования прогресса в развитии методов глубокого обучения удалось по-настоящему решить задачу компьютерной идентификации минералов по изображениям аншлифов. Важный вклад в это внесли молодые сотрудники Александр Хвостиков (факультет ВМК) и Дмитрий Коршунов (геологический факультет). Разработанное программное обеспечение зарегистрировано в 2021 году.

Минераграфия – область геологии, изучающая рудные минералы, является базовой при геологоразведочных работах, а также широко применяется при проектировании обогатительных цепочек. Специалист в этой области должен обладать высокой квалификацией, а процесс описания требует огромных временных затрат на диагностику и анализ рудных минералов, так как для получения достоверных знаний о минеральном составе и структурах руд необходимо проанализировать сотни, а порой и тысячи аншлифов с каждого месторождения.

Используя современные технологии компьютерного зрения, можно добиться высокого качества автоматического анализа минерального состава и текстурно-структурных особенностей аншлифов руд. Одно из главных преимуществ использования автоматических методов анализа – это возможность быстрого анализа больших массивов данных.

Высококвалифицированный и высокооплачиваемый специалист нужен только для проверки качества работы системы, а также интерпретации полученных результатов, что сокращает затраты предприятия и увеличивает производительность труда на всей цепочке от геологоразведочных работ до создания проекта обогащения руд.

Автоматическая идентификация рудных минералов по фотоизображениям аншлифов необходима для значительного сокращения времени, затрачиваемого на изучение руд и исключения фактора ошибочной диагностики.

Младший научный сотрудник факультета ВМК Александр Хвостиков рассказал, что одной из главных идей было «создание универсального инструмента диагностики, анализа и сравнения руд разных месторождений, что в перспективе даст возможность построить обширные металлогенические модели формирования месторождений».

В рамках проекта сотрудниками кафедры геохимии и экономики минеральных ресурсов геологического факультета и лаборатории математических методов обработки изображений факультета ВМК был собран материал с 30 рудных месторождений СНГ, для собранных аншлифов были получены фотографии с 100х увеличением, после чего для изображений были созданы пиксельные маски высокой точности, соответствующие присутствующим на изображении минералам.

В результате был создан набор данных LumenStone, содержащий высококачественные изображения аншлифов руд с референсной пиксельной разметкой. LumenStone состоит из нескольких поднаборов данных, соответствующих различным минеральным ассоциациям и продолжает расширяться и пополняться новыми изображениями:
S1: ассоциация гидротермальных руд Березовского месторождения, состоящая из сфалерита, пирита, галенита, борнита, теннантит-тетраэдритовой группы, минералов халькопирита;
S2: ассоциация расслоенных ультрамафитовых месторождений (месторождения Норильской группы), состоящая из пирротина, магнетита, пентландита, менералов группы халькопирита;
S3: общая ассоциация высокотемпературных гидротермальных руд, состоящих из пирита, арсенопирита, ковеллина, борнита, халькопирита, магнетита (обычного и медьсодержащего магнетита), гематита (в ближайшее время).

На основе данных из LumenStone коллективом был разработан нейросетевой метод идентификации минералов на изображениях аншлифов, а также специальный способ обучения, учитывающий особенности задачи. В итоге, полученное решение позволяет автоматически идентифицировать минералы на новых изображениях с достаточно высокой точностью (IoU 0.73-0.93 для разных минералов), а общая точность распознавания составляет 91.7% на тестовой выборке LumenStone.

Публикации: