Труды КНЦ (Технические науки вып.3/2025(16))

Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 106-116. Transactions of the Kola Science Centre of RAS. Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 106-116. Научная статья УДК 004.932, 004.89, 549.08 doi:10.37614/2949-1215.2025.16.3.007 ЭКСПРЕСС-ТЕХНОЛОГИЯ ФОРМИРОВАНИЯ ОБУЧАЮЩЕЙ ВЫБОРКИ ДЛЯ ПЛАНИМЕТРИЧЕСКОГО МИНЕРАЛОГИЧЕСКОГО АНАЛИЗА НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ Владимир Витальевич Диковицкий1^, Максим Геннадьевич Шишаев 2 1 2Институт информатики и математического моделирования имени В. А. Путилова Кольского научного центра Российской академии наук, Апатиты, Россия 1v.dikovitsky@ksc.ruB, https://orcid.org/0000-0003-0329-9979 2m.shishaev@ksc.ru, https://orcid.org/0000-0001-7070-7878 Аннотация В работе рассматривается реализация планиметрического метода минералогического анализа как задачи классификации. Для ее решения используется машинное обучение, а для формирования обучающей выборки предложена экспресс-технология, основанная на аугментации данных. Для получения признакового вектора объектов классификации использован предобученный нейросетевой векторизатор на базе сверточной искусственной нейронной сети ResNet-18. Проведенные эксперименты на примере анализа апатитовых руд Хибинского месторождения показали, что использование такого вектора обеспечивает весьма высокую точность классификации чистых образцов апатита (до 99 % в зависимости от вида руды и размера планиметрической сетки). А с учетом специфики рассматриваемых в работе объектов классификации аналогичный подход может использоваться и для решения задачи определения удельного содержания минералов в рудах площадным методом. Предложенная в работе технология экспресс-разметки образцов обеспечивает приемлемую итоговую точность решения этой задачи при минимальных трудозатратах на создание обучающей выборки. Ключевые слова: минералогический анализ, машинное обучение, классификация, планиметрический метод Благодарности: исследование выполнено в рамках государственного задания Института информатики и математического моделирования Кольского научного центра Российской академии наук, Министерства науки и высшего образования Российской Федерации, темы научно-исследовательской работы «Методы и технологии создания интеллектуальных информационных систем для поддержки развития сложных динамических систем с региональной спецификой в условиях неопределённости и риска» (шифр темы FMEZ-2025-0053). Для цитирования: Диковицкий В. В., Шишаев М. Г. Экспресс-технология формирования обучающей выборки для планиметрического минералогического анализа на основе методов машинного обучения // Труды Кольского научного центра РАН. Серия: Технические науки. 2025. Т. 16, № 3. С. 106-116. doi:10.37614/2949-1215.2025.16.3.007. Original article EXPRESS TECHNOLOGY FOR FORMING A TRAINING SET FOR PLANIMETRIC MINERALOGICAL ANALYSIS BASED ON MACHINE LEARNING METHODS Vladimir V. Dikovitsky1B, Maxim G. Shishaev 2 1 2Putilov Institute for Informatics and Mathematical Modeling of the Kola Science Centre of the Russian Academy of Sciences, Apatity, Russia 1v.dikovitsky@ksc.ruB, https://orcid.org/0000-0003-0329-9979 2m.shishaev@ksc.ru, https://orcid.org/0000-0001-7070-7878 Abstract This paper examines the implementation of the planimetric method of mineralogical analysis as a classification problem. Machine learning is used to solve this problem, and an express technology based on data augmentation is proposed for generating a training set. A pre-trained neural network vectorizer based on the ResNet-18 convolutional artificial neural network is used to obtain the feature vector for classification objects. Experiments conducted using the analysis of apatite ores from the Khibiny deposit demonstrated that using this vector ensures a very high classification accuracy for pure apatite samples (up to 99 %, depending on the ore type and the size of the planimetric grid). Given the specific nature of the classification objects considered in this paper, a similar approach can also be used to determine the specific mineral content in ores using the areal method. The proposed express sample labeling technology ensures acceptable final accuracy for this problem with minimal effort required to generate the training set. © Диковицкий В. В., Шишаев М. Г., 2025 106