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

Keywords: mineralogical analysis, machine learning, classification, planimetric method Acknowledgments: The study was carried out within the framework of the Putilov Institute for Informatics and Mathematical Modeling of the Kola Science Centre of the Russian Academy of Sciences state assignment of the Ministry of Science and Higher Education of the Russian Federation, research topic “Methods and technologies for creating intelligent information systems to support the development of complex dynamic systems with regional specifics in conditions of uncertainty and risk” (registration number of the research topic FMEZ-2025-0053). For citation: Shishaev M. G., Dikovitsky V. V. Express technology for forming a training set for planimetric mineralogical analysis based on machine learning methods. Trudy Kol'skogo nauchnogo centra RAN. Seriya: Tekhnicheskie nauki [Transactions of the toila Science Centre of RAS. Series: Engineering Sciences], 2025, Vol. 16, No. 3, pp. 106-116. doi:10.37614/2949-1215.2025.16.3.007. Введение Планиметрический минералогический анализ относится к так называемым площадным методам, когда делается оценка объемного содержания минерала в образце на основе соответствующей оценки доли минерала на плоском изображении. Площадной анализ опирается на принцип Делессе [1], в соответствии с которым предполагается, что площадная оценка эквивалентна объемной. Это предположение справедливо, если используется «правильная» проекция образца (для слоистых руд — сечение, поперечное слоям минерала) или большое количество случайных проекций, а также если измеряемая площадь сечения много больше площади сечения отдельных зерен изучаемого минерала. Отметим, что для рассматриваемых в данной работе апатитовых руд эти условия выполнимы. Для получения площадной оценки планиметрическим методом на изображение образца руды накладывается прямоугольная сетка, после чего каждая ячейка сетки (далее по тексту именуемая также секцией) идентифицируется с тем или иным минералом. Таким образом, планиметрический анализ эквивалентен задаче классификации изображений, для решения которой широко применяются методы машинного обучения. В целом, при использовании методов машинного обучения в площадном минералогическом анализе, задача интерпретируется чаще всего как задача сегментации изображений [2-9]. Главной проблемой такого подхода является необходимость в качественных размеченных наборах данных, получение которых является трудоемким и затратным по времени процессом. Поэтому планиметрический метод анализа может рассматриваться как альтернатива методам, основанным на сегментации изображений. Ключевыми проблемами при решении задачи классификации с помощью методов машинного обучения являются получение набора признаков объектов, обеспечивающего хорошую разделимость классов, а также формирование размеченного набора данных (датасета) достаточно большого размера для тренировки модели. В данной работе рассматривается технология автоматизированного получения обучающей выборки для тренировки нейросетевых классификаторов, использующих для получения признакового вектора предобученную сверточную нейронную сеть ResNet. Исследования проводились на примере задачи определения удельной доли полезного компонента1(ПК) в апатитовой руде. Исследование эффективности классификации апатита на базе признаковых векторов ResNet-18 В настоящее время лучшие результаты в качестве универсального векторизатора изображений для различных приложений показывают сверточные нейронные сети [10]. В нашей работе в качестве классифицирующего признака использовались векторы изображений, полученные с помощью предобученной сверточной остаточной (residual) нейронной сети ResNet-18 [11]. Отметим, что в качестве векторизатора могут рассматриваться и другие варианты сверточных сетей [12], однако на задаче 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. 1 Строго говоря, термин «полезный компонент» означает некоторое химическое соединение, определяющее полезные свойства руды. Однако, ввиду того что объемное содержание минерала в руде однозначно определяет содержание полезного компонента, в данной статье для упрощения изложения мы будем использовать этот термин для обозначения минерала, содержащего искомое химическое соединение. © Диковицкий В. В., Шишаев М. Г., 2025 107