論文の概要: MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep
Learning
- arxiv url: http://arxiv.org/abs/2102.03393v1
- Date: Fri, 5 Feb 2021 19:38:44 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-09 15:28:41.143297
- Title: MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep
Learning
- Title（参考訳）: MudrockNet: ディープラーニングによるMudrock SEMイメージのセマンティックセグメンテーション
- Authors: Abhishek Bihani, Hugh Daigle, Javier E. Santos, Christopher Landry,
Masa Prodanovic, Kitty Milliken
- Abstract要約: 本稿では,GoogleのDeepLab-v3+アーキテクチャに基づく深層学習SEMセグメンテーションモデルMudrockNetを提案する。
訓練された深層学習モデルは、約90%の画素精度を取得し、試験データの予測値は、銀粒の0.6591と毛穴の0.6642の平均交点(IoU)を得た。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Segmentation and analysis of individual pores and grains of mudrocks from
scanning electron microscope images is non-trivial because of noise, imaging
artifacts, variation in pixel grayscale values across images, and overlaps in
grayscale values among different physical features such as silt grains, clay
grains, and pores in an image, which make their identification difficult.
Moreover, because grains and pores often have overlapping grayscale values,
direct application of threshold-based segmentation techniques is not
sufficient. Recent advances in the field of computer vision have made it easier
and faster to segment images and identify multiple occurrences of such features
in an image, provided that ground-truth data for training the algorithm is
available. Here, we propose a deep learning SEM image segmentation model,
MudrockNet based on Google's DeepLab-v3+ architecture implemented with the
TensorFlow library. The ground-truth data was obtained from an image-processing
workflow applied to scanning electron microscope images of uncemented muds from
the Kumano Basin offshore Japan at depths < 1.1 km. The trained deep learning
model obtained a pixel-accuracy about 90%, and predictions for the test data
obtained a mean intersection over union (IoU) of 0.6591 for silt grains and
0.6642 for pores. We also compared our model with the random forest classifier
using trainable Weka segmentation in ImageJ, and it was observed that
MudrockNet gave better predictions for both silt grains and pores. The size,
concentration, and spatial arrangement of the silt and clay grains can affect
the petrophysical properties of a mudrock, and an automated method to
accurately identify the different grains and pores in mudrocks can help improve
reservoir and seal characterization for petroleum exploration and anthropogenic
waste sequestration.
- Abstract（参考訳）: 走査型電子顕微鏡画像からの個々の細孔と泥岩の粒のセグメンテーションと分析は、ノイズ、画像アーティファクト、画像間のピクセルグレースケール値のばらつき、シルト粒子、粘土粒子、細孔などの物理的特徴間のグレースケール値の重なりなどにより自明ではないため、画像内の識別が困難である。
また,粒度や細孔はグレースケール値と重なり合うことが多いため,しきい値に基づくセグメンテーション手法の直接適用は不十分である。
コンピュータビジョンの分野での最近の進歩は、アルゴリズムを訓練するための地層データが利用可能である限り、画像の画像をセグメント化し、画像内のそのような特徴の複数の発生を識別することが簡単かつ迅速になってきました。
本稿では,TensorFlowライブラリで実装されたGoogleのDeepLab-v3+アーキテクチャに基づく,ディープラーニングSEMイメージセグメンテーションモデルMudrockNetを提案する。
地下1.1kmの深さで, 熊野盆地沖の未観測泥の電子顕微鏡像を走査する画像処理ワークフローから, 地表面データを得た。
訓練された深層学習モデルでは約90%の画素精度が得られ, 試験データの予測では, シルト粒子の平均交点 (iou) が0.6591, 細孔が0.6642であった。
また,imagejでトレーニング可能なwekaセグメンテーションを用いたランダムフォレスト分類器と比較し,泥岩網がシルト粒子と細孔の両方に対してより良い予測を行った。
シルトおよび粘土粒の大きさ、濃度および空間配置は、泥岩の岩石理物性に影響を与える可能性があり、泥岩の異なる穀物および孔を正確に識別する自動化方法は、石油探査および人為的廃棄物隔離のための貯留層およびシール特性を改善するのに役立つ。
関連論文リスト
- Direct mineral content prediction from drill core images via transfer learning [0.0]
深層探査は、鉱業、石油、ガス産業、化学廃棄物や核廃棄物の処理のための地質単位の評価において重要である。
本研究では,機械学習,特に畳み込みニューラルネットワーク(CNN)を活用して,ドリルコア画像の解析のみからリソロジーとミネラル含量を評価する可能性について検討する。
その結果、ドリルコアセグメントを異なる形成クラスに分類する際、96.7%の精度が明らかとなった。
論文 参考訳（メタデータ） (2024-03-27T12:15:22Z) - Automated Grain Boundary (GB) Segmentation and Microstructural Analysis
in 347H Stainless Steel Using Deep Learning and Multimodal Microscopy [2.0445155106382797]
オーステナイト347Hステンレス鋼は、極端な運転条件に要求される優れた機械的特性と耐食性を提供する。
CNNベースのディープラーニングモデルは、材料マイクログラフから機能を自動で検出する強力な技術である。
走査型電子顕微鏡(SEM)による347Hステンレス鋼のトレーニングデータと電子後方散乱(EBSD)マイクログラフを,粒界検出のためのピクセルワイドラベルとして組み合わせた。
論文 参考訳（メタデータ） (2023-05-12T22:49:36Z) - Pixelated Reconstruction of Foreground Density and Background Surface
Brightness in Gravitational Lensing Systems using Recurrent Inference
Machines [116.33694183176617]
我々は、リカレント推論マシンに基づくニューラルネットワークを用いて、背景画像の歪みのない画像と、画素マップとしてのレンズ質量密度分布を再構成する。
従来のパラメトリックモデルと比較して、提案手法はより表現力が高く、複雑な質量分布を再構成することができる。
論文 参考訳（メタデータ） (2023-01-10T19:00:12Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳（メタデータ） (2022-11-15T17:57:12Z) - End-to-end deep learning for directly estimating grape yield from
ground-based imagery [53.086864957064876]
本研究は, ブドウ畑の収量推定に深層学習と併用した近位画像の応用を実証する。
オブジェクト検出、CNN回帰、トランスフォーマーモデルという3つのモデルアーキテクチャがテストされた。
本研究は,ブドウの収量予測における近位画像と深層学習の適用性を示した。
論文 参考訳（メタデータ） (2022-08-04T01:34:46Z) - Multiscale Analysis for Improving Texture Classification [62.226224120400026]
本稿では,テクスチャの異なる空間周波数帯域を別々に扱うために,ガウス・ラプラシアピラミッドを用いる。
バイオインスパイアされたテクスチャ記述子,情報理論測度,灰色レベルの共起行列特徴,ハリリック統計特徴から抽出した特徴を特徴ベクトルに集約した。
論文 参考訳（メタデータ） (2022-04-21T01:32:22Z) - Deep Neural Networks for Automatic Grain-matrix Segmentation in Plane
and Cross-polarized Sandstone Photomicrographs [5.638291203837104]
粒分別はコンピュータ支援鉱物識別と砂岩分類の第一段階である。
本稿では,粒度区分をピクセル単位の2クラス(すなわち粒度と背景)の意味分割タスクとして定式化する。
深層学習に基づくエンドツーエンドのトレーニング可能なフレームワークであるDeep Grain Semantic Network (DSGSN) を開発した。
論文 参考訳（メタデータ） (2021-11-13T12:04:06Z) - Machine Learning Guided 3D Image Recognition for Carbonate Pore and
Mineral Volumes Determination [1.565870461096057]
我々は3D uCTとMRI画像からポロシティを決定する2つの方法を提案する。
IROGAとMLDGRFは、トレーニングセットで96.2%と97.1%の精度でポロシティの結果を生み出している。
論文 参考訳（メタデータ） (2021-11-08T16:34:08Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Deep learning for lithological classification of carbonate rock micro-CT
images [52.77024349608834]
本研究は,ブラジルのプリサルト炭酸塩岩微視的画像のパターン同定にディープラーニング技術を適用することを目的としている。
4つの畳み込みニューラルネットワークモデルが提案された。
精度によると、リサイズ画像で訓練されたモデル2は、最初の評価アプローチでは平均75.54%、2番目の評価では平均81.33%に達した。
論文 参考訳（メタデータ） (2020-07-30T19:14:00Z) - DeePore: a deep learning workflow for rapid and comprehensive
characterization of porous materials [0.0]
DeePoreは、マイクロトモグラフィー画像に基づく幅広い多孔質材料特性を推定するためのディープラーニングワークフローである。
我々は,2563ボクセルの大きさの多孔質ジオマテリアルの半実3次元構造を17700個生成し,各試料の物理特性を,対応する細孔ネットワークモデル上の物理シミュレーションを用いて計算した。
CNNは、このデータセットに基づいて、多孔質材料のいくつかの形態的、水圧的、電気的、機械的特性を1秒で推定するように訓練されている。
論文 参考訳（メタデータ） (2020-05-03T08:46:09Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。