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. Таблица 4 Удельное содержание ПК в пограничных ячейках Размер ячейки Индекс образца a b c d e 5 х 5 0,50 0,48 0,52 0,51 0,52 10 х 10 0,49 0,45 0,53 0,50 0,54 15 х 15 0,48 0,42 0,54 0,48 0,53 20 х 20 0,46 0,40 0,53 0,47 0,53 Введем следующие обозначения: с — истинное удельное содержание полезного компонента в образце; с — оценка удельного содержания ПК в образце, полученная с помощью бинарного классификатора; N+ — количество ячеек положительного класса в образце; N b — количество пограничных ячеек в образце; N — общее количество ячеек в образце; X — относительная ошибка бинарного классификатора на пограничных ячейках. Тогда с учетом сбалансированности содержания ПК в пограничных секциях фактическое содержание ПК в образце может быть рассчитано по формуле: t tW / 2 . N Ѵ ’ В свою очередь, предсказанное бинарным классификатором содержание ПК в том же образце с учетом единичной точности идентификации чистых классов и ошибки на пограничных ячейках: . = H U p / 2 . (2) Из формул (1) и (2) следует: Nb с = г - а - 1 )— . v J 2N Таким образом, при соблюдении условия сбалансированности классов в пограничных ячейках и известном количестве последних, бинарный классификатор может быть использован для оценки удельного содержания полезного компонента в образцах руды с применением планиметрического метода. Экспресс-технология формирования обучающей выборки Проведенные эксперименты показывают эффективность применения машинного обучения (нейросетевого классификатора) для определения удельного содержания минерала в руде площадным методом. Основным сдерживающим фактором широкого применения данного подхода на практике является необходимость обучения классификатора на образцах, наиболее полно представляющих возможные варианты анализируемой руды с точки зрения ее цвето-яркостных и морфологических характеристик. Разумно предположить, что затруднительно построить классификатор, универсальный для всех типов и разновидностей руд. С другой стороны, наши эксперименты показывают, что использование при обучении классификатора более представительной выборки, включающей образцы руды тех типов, которые будут анализироваться на этапе использования классификатора (в нашем случае это различные апатитовые руды Хибинского месторождения), обеспечивает определенный уровень универсальности при сохранении высоких показателей точности классификации. Тем не менее при изменении типа или разновидности анализируемой руды возникает необходимость обучения нового классификатора. Это, в свою очередь, требует наличия качественно размеченных образцов, используемых для формирования обучающей выборки. Ручная разметка изображения руды является трудоемким и продолжительным по времени процессом. Однако с учетом свойства однородности классов для рассматриваемого типа руд, отмеченного ранее, возможно сократить трудоемкость и длительность этого процесса путем разметки лишь части изображения © Диковицкий В. В., Шишаев М. Г., 2025 111