Автор: 
Исследователи из Сколтеха обучили нейронную сеть эффективно распознавать на фотографиях ящиков керна образцы горных пород. Это позволило ускорить процесс анализа до 20 раз, а также автоматизировать описание керна. Разработанный алгоритм используется в цифровом сервисе геологической разведки DeepCore, созданном в компании Digital Petroleum – спин-оффе Сколтеха. Детали метода описаны в статье, опубликованной в журнале Computers & Geosciences.
Одна из рутинных задач геологических исследований — описание горных пород. Во многих случаях горная порода извлекается посредством бурения в виде керна и складывается в ящики. В ходе исследования керна ящики или отдельные столбики фотографируют. Описание составляют вручную, заполняя электронные таблицы или геологические журналы. Стандартная процедура анализа включает этап, на котором учёный или инженер в графическом редакторе вручную вырезает отдельные столбики из фотографий коробок для составления отчётов. Это трудоёмкий процесс.
Для автоматизации этого процесса учёные применили методы машинного обучения. Однако традиционные методы компьютерного зрения не очень хорошо справляются с этой задачей из-за ограниченного объёма данных и больших отличий между изображениями — например, если порода отлична от соседних по цвету или текстуре или сфотографирована в других условиях. Такие различия существенно влияют на работу алгоритмов машинного обучения, для обучения которых требуется большой набор данных, описывающий все возможные вариации. В результате приходится тратить время на дообучение модели.
Для решения этой задачи учёные Сколтеха применили глубокие свёрточные нейронные сети — искусственные нейронные сети, построенные по подобию зрительной коры животных. Для обучения нейронной сети был разработан алгоритм аугментации, то есть увеличения объёма данных путем добавления измененных копий из существующих данных, в данном случае — фотографий ящиков керна. «Синтетические» изображения были созданы на основе модифицированного алгоритма CutMix. Алгоритм CutMix позволяет «склеивать» новое изображение из пары существующих, случайным образом вырезая кусочек одного изображения и вставляя вместо соответствующей области другого. Поскольку учёных интересовало распознавание именно столбиков горных пород, они оптимизировали этот метод на основании шаблона изображений керна, вырезая и меняя местами кусочки только из областей, где располагался керн.
«Ящики керна, сфотографированные на одном месторождении, могут быть визуально очень похожи, но при этом породы в них могут быть разными. И если в тот же ящик виртуально поместить породу из другого ящика, сеть может спутать область керна с границами ящика из-за сходства по цвету. А аугментация помогает сети в большей степени акцентировать внимание на других характеристиках, помимо цвета и формы, — например, структуре и текстуре», — поясняет первый автор работы, сотрудник Сколтеха Евгений Барабошкин.
В своём исследовании учёные описали и протестировали новый метод, а также сравнили эффективность алгоритма, обученного исключительно на «традиционных» и на смешанных с аугментированными данных. Оказалось, что благодаря аугментации алгоритм обучается эффективно и безошибочно обнаруживать столбики породы на большинстве новых изображениях. Такой автоматизированный подход ускоряет обработку одной коробки керна до 20 раз. Ещё одно из преимуществ метода при встраивании в систему — автоматическое определение глубин, соответствующих каждому столбику. Раньше для этого нужно было измерять столбики при помощи линейки.
«Интересно, что когда мы начали подмешивать к обычному набору данных аугментированные, нейронная сеть начала распознавать бумажки с надписями на столбиках. Хотя в изначальном наборе данных они были размечены тоже как керн. Алгоритм как бы смог обнаружить ошибку в изначальной разметке и избегать её в дальнейшем», — добавляет Евгений.
Разработанный метод учёные внедрили как один из этапов анализа в систему «DeepCore» — созданный ими программный продукт автоматического описания керна по изображениям. После извлечения столбиков из изображений программа определяет границы слоёв и типы пород. При этом у пользователей остаётся возможность сопровождения: при необходимости эксперт может добавить дополнительные типы пород или скорректировать разделение на слои. С 2021 года DeepCore применяется в рудной и нефтегазовой отраслях, помогая специалистам сократить время рутинной работы и автоматизировать анализ.
