Разработанное программное обеспечение с графическим интерфейсом позволяет пользователю загружать изображения аншлифов руд, визуализировать референсные разметки, совершать идентификацию минералов и визуализировать результаты. Программа также автоматически демонстрирует пользователю статистическую информацию о минерале при наведении на его изображение курсора мыши.

Рисунок

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

Созданию текущей версии ПО 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).

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.

Александр Хвостиков, младший научный сотрудник ВМК МГУ, 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 МГУ имени М.В. Ломоносова и лаборатории математических методов обработки изображений ВМК МГУ имени М.В. Ломоносова был собран материал с 30 рудных месторождений СНГ, для собранных аншлифов были получены фотографии со стократным увеличением, после чего для изображений были созданы пиксельные маски высокой точности, соответствующие присутствующим на изображении минералам.

Пример изображения аншлифа со стократным увеличением (из набора данных LumenStone)

Пример изображения аншлифа со стократным увеличением (из набора данных LumenStone)

 

В результате был создан набор данных LumenStone (https://imaging.cs.msu.ru/en/research/geology/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:

  1. S1: ассоциация гидротермальных руд Березовского месторождения, состоящая из сфалерита, пирита, галенита, борнита, теннантит-тетраэдритовой группы, минералов халькопирита;
  2. S2: ассоциация расслоенных ультрамафитовых месторождений (месторождения Норильской группы), состоящая из пирротина, магнетита, пентландита, минералов группы халькопирита;
  3. 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.

Разработанное ПО зарегистрировано в 2021 году (https://istina.msu.ru/certificates/369609043/).

 

Информация и фото предоставлены пресс-службой МГУ