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

ИНС для извлечения признаков соответствует современным трендам в применении методов машинного зрения в минералогическом анализе. При этом наши эксперименты показывают, что предобученные сверточные ИНС могут быть использованы для извлечения признаков в контексте рассматриваемой прикладной задачи без каких-либо изменений в архитектуре или дообучения. Проведенные эксперименты с образцами апатитовой руды различных видов продемонстрировали весьма высокую эффективность классификации чистых образцов апатита на основе признакового вектора, полученного с помощью ИНС ResNet-18. Причем высокая точность классификации сохраняется даже при относительно малых размерах идентифицируемого изображения ячейки планиметрической сетки и существенно деградирует лишь при размере ячейки 2 х 2 пикселя. Очевидно, что оптимальный размер используемой планиметрической сетки определяется, с одной стороны, морфологическими свойствами рассматриваемой руды, а с другой — разрешением используемых изображений. Больший размер сетки обеспечивает более высокую точность идентификации целевого минерала, но при этом усложняет получение обучающей выборки достаточного объема. Также верхняя граница размера ячейки определяется возрастающей систематической ошибкой определения удельного содержания ПК в силу увеличения количества объектов, включающих смесь целевого минерала с прочими компонентами руды. Основной проблемой при решении задачи автоматизированного планиметрического анализа в мультиклассовой постановке является получение обучающей выборки, в которой в достаточной мере представлены объекты всех рассматриваемых классов. В качестве решения этой проблемы в работе предложена и опробована экспериментально экспресс-технология формирования обучающего набора данных с использованием аугментации и частичной разметки изображения образца. В рамках технологии предложены два способа частичной разметки — полная минералогическая разметка фрагмента изображения образца с последующим автоматическим формированием размеченного датасета и непосредственное указание меток классов произвольным фрагментам изображения образца, соответствующим ячейкам наложенной планиметрической сетки. При использовании первого способа появляется возможность получения набора данных для мультиклассовой классификации. Однако в этом случае фрагмент изображения должен быть в достаточной мере представителен в смысле возможных вариаций визуализации каждого идентифицируемого класса. Обеспечить это условие не всегда возможно: вследствие неравномерности освещения и иных причин изображение целевого минерала и иных компонентов руды на различных участках изображения может существенно отличаться. Этого недостатка лишен второй способ, при котором пользователь может отметить любые элементы исходного изображения, обеспечив представленность в выборке различных вариаций изображения идентичных компонентов (классов) образца. В рамках данной работы осуществлено предварительное тестирование технологии, показавшее перспективность предложенного подхода в формировании обучающих наборов данных для рассматриваемой категории задач анализа изображений. В целом возможность получения обучающей выборки с невысокими трудозатратами создает условия для быстрой адаптации технологии к новым видам минералов и руд и повышает универсальность предложенного подхода. Продолжение работы возможно в различных направлениях. Очевидно, что требуется экспериментальная проверка гипотезы о применимости рассмотренного подхода к количественному анализу других типов руд, а также к площадному анализу изображений в рамках иных прикладных задач. Анализ использованного в данной работе экспериментального датасета показал, что при наложении планиметрической сетки расчетная ошибка определения удельного содержания минерала является близкой к симметричной — в пограничных ячейках сетки доли компонентов, соответствующих положительному и отрицательному классам, примерно равны. С учетом этого перспективным представляется использование многоэтапной (иерархической) классификации, при которой на стартовых этапах анализируются макропараметры образцов руды — вид руды с точки зрения минерального состава, морфологические особенности и т. п., а на последующих этапах в соответствии с идентифицированными макропараметрами производится детальный минералогический анализ. При этом в зависимости от результатов классификации на макроуровне для последующего анализа могут применяться различные модели и алгоритмы. 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. © Диковицкий В. В., Шишаев М. Г., 2025 114