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 RA s . Series: Engineering Sciences. 2025. Vol. 16, No. 3. P. 106-116. эталонных изображений («a, b, d, e»), демонстрирует очень высокую точность классификации как на валидационной выборке, так и на внешних данных (секциях, полученных из изображения «с»). Однако, как отмечалось выше, при минералогическом анализе планиметрическим методом мы имеем дело не только с представителями чистых классов (ячейками сетки, полностью принадлежащими положительному или отрицательному классу), но и с пограничными секциями, содержащими изображения минералов как положительного (в нашем случае — апатита), так и отрицательного классов. Одним из вариантов решения задачи определения удельного содержания ПК в данном случае является непосредственная интерпретация оценки вероятности принадлежности входного объекта положительному классу, получаемой на выходе бинарного классификатора, как доли ПК в ячейке. С целью проверки эффективности такого подхода к определению ПК планиметрическим методом использовалось размеченное изображение апатита повышенного разрешения с размером секции 20 х 20 пикселей. Бинарному нейросетевому классификатору, натренированному на размеченном датасете, включающем объекты положительного и отрицательного классов, были предъявлены 99 пограничных объектов с различным содержанием минерала, представляющих промежуточный класс. Результаты классификации пограничных объектов представлены на рис. 2 (объекты отсортированы в порядке убывания степеней принадлежности к положительному классу). Как видим, классификатор уверенно относит к положительному классу объекты с содержанием минерала выше 0,5 и практически утрачивает способность к классификации при содержании минерала менее 0,5. Рис. 2. Результаты классификации пограничных объектов бинарным классификатором Расчетное значение предсказанного содержания ПК в рассмотренных пограничных объектах составило 0,84 при истинном значении 0,55, что свидетельствует о невозможности непосредственного использования бинарного классификатора для определения удельного содержания полезного компонента в руде планиметрическим методом. Однако можно сделать предположение о том, что пограничные объекты в нашем случае будут в среднем содержать идентичные объемы положительного и отрицательного классов, то есть оценка удельного содержания ПК в таких объектах будет стремиться к 0,5 с увеличением их количества. В свою очередь, количество пограничных объектов при том же изображении образца будет возрастать с уменьшением размера ячейки планиметрической сетки. В случае справедливости данного предположения, при определении удельного содержания ПК планиметрическим методом с использованием бинарного классификатора будет иметь место систематическая ошибка, зависящая от количества пограничных объектов в датасете, сформированном из рассматриваемого образца изображения руды. В табл. 4 приведены расчетные значения содержания ПК в пограничных ячейках при наложении планиметрической сетки различного размера на имеющиеся образцы. Как видим, предположение о сбалансированности содержания ПК в пограничных ячейках в целом подтверждается. © Диковицкий В. В., Шишаев М. Г., 2025 110