論文の概要: Deep mineralogical segmentation of thin section images based on QEMSCAN maps

• arxiv url: http://arxiv.org/abs/2505.17008v1
• Date: Thu, 22 May 2025 17:58:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-23 17:12:48.554428
• Title: Deep mineralogical segmentation of thin section images based on QEMSCAN maps
• Title（参考訳）: QEMSCANマップに基づく薄肉断面画像の深部鉱物学的セグメンテーション
• Authors: Jean Pablo Vieira de Mello, Matheus Augusto Alves Cuglieri, Leandro P. de Figueiredo, Fernando Bordignon, Marcelo Ramalho Albuquerque, Rodrigo Surmas, Bruno Cavalcanti de Paula,
• Abstract要約: 本研究は,炭酸塩岩の薄片画像の自動鉱物学的セグメンテーションのための畳み込みニューラルネットワークモデルを提案する。 このモデルは、QEMSCANマッピング自体を低コストで一般化された効率的な方法で模倣することができる。 特に固形組織上での鉱物境界の適切な線引きについて有望な結果を示す。
• 参考スコア（独自算出の注目度）: 34.92366371606116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Interpreting the mineralogical aspects of rock thin sections is an important task for oil and gas reservoirs evaluation. However, human analysis tend to be subjective and laborious. Technologies like QEMSCAN(R) are designed to automate the mineralogical mapping process, but also suffer from limitations like high monetary costs and time-consuming analysis. This work proposes a Convolutional Neural Network model for automatic mineralogical segmentation of thin section images of carbonate rocks. The model is able to mimic the QEMSCAN mapping itself in a low-cost, generalized and efficient manner. For this, the U-Net semantic segmentation architecture is trained on plane and cross polarized thin section images using the corresponding QEMSCAN maps as target, which is an approach not widely explored. The model was instructed to differentiate occurrences of Calcite, Dolomite, Mg-Clay Minerals, Quartz, Pores and the remaining mineral phases as an unique class named "Others", while it was validated on rock facies both seen and unseen during training, in order to address its generalization capability. Since the images and maps are provided in different resolutions, image registration was applied to align then spatially. The study reveals that the quality of the segmentation is very much dependent on these resolution differences and on the variety of learnable rock textures. However, it shows promising results, especially with regard to the proper delineation of minerals boundaries on solid textures and precise estimation of the minerals distributions, describing a nearly linear relationship between expected and predicted distributions, with coefficient of determination (R^2) superior to 0.97 for seen facies and 0.88 for unseen.
• Abstract（参考訳）: 岩石薄片の鉱物学的側面の解釈は, 石油・ガス貯留層評価において重要な課題である。 しかし、人間の分析は主観的かつ勤勉な傾向にある。 QEMSCAN(R)のような技術は、鉱物学的マッピングプロセスを自動化するように設計されているが、高い金銭的コストや時間のかかる分析といった制限に悩まされている。 本研究は,炭酸塩岩の薄片画像の自動鉱物学的セグメンテーションのための畳み込みニューラルネットワークモデルを提案する。 このモデルは、QEMSCANマッピング自体を低コストで一般化された効率的な方法で模倣することができる。 この目的のために、U-Netセマンティックセグメンテーションアーキテクチャは、対応するQEMSCANマップをターゲットとして、平面および横偏極の細部画像に基づいて訓練されるが、これは広く研究されていないアプローチである。 このモデルは、Calcite, Dolomite, Mg-Clay minerals, Quartz, Poresおよび残りの鉱物相を、"Others"と呼ばれるユニークなクラスとして区別するよう指示された。 画像と地図は異なる解像度で提供されるため、画像登録を適用して空間的に整列させた。 この研究は、セグメンテーションの質がこれらの解像度の違いと学習可能な岩石テクスチャの多様性に大きく依存していることを明らかにした。 しかし,特に固形組織上での鉱物境界の適正な起伏や鉱物分布の正確な推定について,予測分布と予測分布のほぼ線形な関係を記述し,その決定係数(R^2)は見かけ上の0.97,目に見えない場合は0.88と有望な結果を示した。

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)
• Unsupervised ore/waste classification on open-cut mine faces using close-range hyperspectral data [1.8111829286068908]
  地雷面のスペクトルの教師なしマッピングのためのパイプラインを提案する。 提案したパイプラインは、鉱山の表面にミネラルをマッピングする統一システムにおいて、教師なしと自己教師付きのアルゴリズムを結合する。 マッピング機能の一貫性は、2つの異なる時間で取得されたデータを用いて実証される。
  論文  参考訳（メタデータ） (2023-02-09T21:03:03Z)
• 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)
• MiNet: A Convolutional Neural Network for Identifying and Categorising Minerals [0.0]
  7種類の鉱物を識別・分類する単一ラベル画像分類モデルを開発した。 実世界のデータセットを用いて行った実験は、このモデルが90.75%の精度を達成したことを示している。
  論文  参考訳（メタデータ） (2021-11-22T15:00:28Z)
• Generalized Unsupervised Clustering of Hyperspectral Images of Geological Targets in the Near Infrared [0.0]
  スペクトルに類似した物質のクラスター化と分類は、しばしば、地球上の経済鉱物探査から火星での惑星探査まで、応用の第一歩である。 ここでは、専門的なスペクトル地質学者の入力と量的指標の両方から情報を得た特徴抽出とクラスタリングのための、完全に教師なしのワークフローを開発する。 このパイプラインは、類似の地質資料の高速かつ正確なクラスタリングマップを提供し、実験室の画像とリモートセンシング画像の両方の主要な鉱物クラスを一貫して識別し、分離する。
  論文  参考訳（メタデータ） (2021-06-24T21:05:10Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Surface Warping Incorporating Machine Learning Assisted Domain Likelihood Estimation: A New Paradigm in Mine Geology Modelling and Automation [68.8204255655161]
  新たに取得した破砕孔データによって課される地球化学的および空間的制約に基づいて, モデル表面を再構成するバイーシアンワープ法が提案されている。 本稿では,このワーピングフレームワークに機械学習を組み込むことにより,可能性の一般化を図る。 その基礎は、p(g|c) が p(y(c)|g と似た役割を果たすような地質領域の確率のベイズ計算によって構成される。
  論文  参考訳（メタデータ） (2021-02-15T10:37:52Z)
• MudrockNet: Semantic Segmentation of Mudrock SEM Images through Deep Learning [0.0]
  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。
  論文  参考訳（メタデータ） (2021-02-05T19:38:44Z)
• Semantic Change Detection with Asymmetric Siamese Networks [71.28665116793138]
  2つの空中画像が与えられた場合、セマンティックチェンジ検出は、土地被覆のバリエーションを特定し、それらの変化タイプをピクセルワイド境界で識別することを目的としている。 この問題は、正確な都市計画や天然資源管理など、多くの地球ビジョンに関連するタスクにおいて不可欠である。 本研究では, 広く異なる構造を持つモジュールから得られた特徴対を用いて意味変化を同定し, 同定するための非対称システマネットワーク(ASN)を提案する。
  論文  参考訳（メタデータ） (2020-10-12T13:26:30Z)
• 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)

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。