Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas
Convolutional Neural Network models as a tool for automating rock classification
Contenido principal del artículo
Resumen
En geología, la clasificación de las rocas ígneas, sedimentarias y metamórficas en distintas escalas es esencial para el estudio de una región. Los avances tecnológicos han permitido incorporar herramientas que facilitan estos procesos de observación y análisis, beneficiando tanto la formación de profesionales como el acceso al conocimiento geológico para todos los interesados. Como parte de las herramientas de machine learning, las Convolutional Neural Networks se destacan para identificar y priorizar características de objetos en una imagen. Entre los modelos relevantes de este grupo se encuentra You Only Look Once (YOLO), los cuales sirven como base para el reentrenamiento de modelos más especializados. El objetivo de este trabajo es la creación de modelos reentrenados basados en YOLO para automatizar la identificación y clasificación de diferentes tipos de rocas.
Se realizó el reentrenamiento de dos arquitecturas YOLO, YOLOv8n y YOLOv8x, utilizando imágenes de muestras de rocas provenientes de repositorios en línea y del catálogo de la Escuela de Geología de la Universidad Industrial de Santander. Estas imágenes fueron verificadas y validadas bajo criterios geológicos. En cada etapa de entrenamiento se realizaron cambios a los catálogos de imágenes y parámetros de entrenamiento. La validación de los modelos entrenados se efectuó con muestras de roca de la Escuela de Geología que no fueron utilizadas en la etapa de entrenamiento. Para cuantificar la calidad de los modelos se utilizó el cálculo de la matriz de confusión normalizada en función de las etiquetas reales, obteniendo así el porcentaje de aciertos para cada tipo de roca de manera proporcional.
Un total de once modelos reentrenados se obtuvieron en las diferentes etapas de entrenamiento. Dos modelos lograron una mayor capacidad de generalización y obtuvieron valores superiores al 30% en la diagonal de las matrices de confusión. Otros modelos alcanzaron un valor superior al 80% para la identificación de rocas ígneas. Para la identificación de rocas sedimentarias, un modelo logró un acierto del 93%, mientras que, para las rocas metamórficas, otro obtuvo un acierto del 61%. Estos modelos pueden servir como base para desarrollar otros más complejos en proyectos específicos. Considerando que, aunque los modelos no fueron entrenados con imágenes de afloramientos, es posible estimar el tipo de roca al que pertenecen y se resalta su capacidad para extraer características básicas.
Descargas
Detalles del artículo
Referencias (VER)
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., S.Corrado, G., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Zenodo. https://doi. org/10.5281/zenodo.12119782
Carolis, B. De, Ladogana, F., & Macchiarulo, N. (2020). YOLO TrashNet: Garbage Detection in Video Streams. 2020 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1–7. https://doi.org/10.1109/ EAIS48028.2020.9122693
Cheng, G., & Guo, W. (2017). Rock Images Classification by Using Deep Convolution Neural Network. Journal of Physics: Conference Series, 887, 012089. https://doi. org/10.1088/1742-6596/887/1/012089
Cracknell, M. J. (2014). Machine Learning for Geological Mapping: Algorithms and Applications [Submitted in fulfilment of the requirements for the degree of Doctor of Philosophy, University of Tasmania]. https://doi.org/https://doi. org/10.25959/23236064.v1
Dramsch, J. S. (2020). 70 Years of Machine Learning in Geoscience in Review. En Advances in Geophysics (pp. 1–55). Elsevier Inc. https://doi.org/10.1016/ bs.agph.2020.08.002
García-Arias, S., Velandia, F., Sanabria Gómez, J. D., & Ulloque Ardila, M. T. (2024). Mapas Predictivos con Redes Neuronales a Partir de Propiedades Físicas de Las Rocas: Caso de Estudio en la Mesa de Los Santos (Santander). Revista EIA, 21(41). https://doi.org/10.24050/reia.v21i41.1731
Gómez, J., Sánchez, J., Ocampo, A., & Restrepo, J. W. (2013). Aplicación de Redes Neuronales en la Clasificación de Arcillas. Revista EIA, 9(17), 183–191. https:// revistas.eia.edu.co/index.php/reveia/article/view/459
Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble Evaluación de la Susceptibilidad por Movimientos en Masa Basada en Redes Neuronales Artificiales y Pesos de Evidencia. Boletín de Geología, 43(1). https://doi. org/10.18273/revbol.v43n1-2021009
Han, Z., Fang, Z., Li, Y., & Fu, B. (2023). A novel Dynahead-Yolo Neural Network for the Detection of Landslides with Variable Proportions Wsing Remote Sensing Images. Frontiers in Earth Science, 10. https://doi.org/10.3389/ feart.2022.1077153
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer New York. https://doi.org/10.1007/978-0-387-84858-7
Hussain, M., Bird, J. J., & Faria, D. R. (2019). A Study on CNN Transfer Learning for Image Classification (pp. 191–202). https://doi.org/10.1007/978-3-319- 97982-3_16
Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8. https://github.com/ ultralytics/ultralytics
Kawaguchi, K., Huang, J., & Kaelbling, L. P. (2019). Every Local Minimum Value Is the Global Minimum Value of Induced Model in Nonconvex Machine Learning. Neural Computation, 31(12), 2293–2323. https://doi.org/10.1162/ neco_a_01234
Li, J., Wu, Z., & Shen, Z. (2022). Open the Black Box – Visualising CNN to Understand Its Decisions on Road Network Performance Level. Promet, 34(4). https://doi. org/10.7307/ptt.v34i4.4037
Liu, X., Wang, H., Jing, H., Shao, A., & Wang, L. (2020). Research on Intelligent Identification of Rock Types Based on Faster R-CNN Method. IEEE Access, 8, 21804–21812. https://doi.org/10.1109/ACCESS.2020.2968515
MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press, Cambridge.
Młynarczuk, M., Górszczyk, A., & Ślipek, B. (2013). The Application of Pattern Recognition in the Automatic Classification of Microscopic Rock Images. Computers & Geosciences, 60, 126–133. https://doi.org/10.1016/j. cageo.2013.07.015
Patro, S., Jhariya, D. C., Sahu, M., Dewangan, P., & Dhekne, P. Y. (2022). Igneous Rock Cclassification Using Convolutional Neural Networks (CNN). IOP Conference Series: Earth and Environmental Science, 1032(1), 012045. https://doi. org/10.1088/1755-1315/1032/1/012045
Pratama, B. G., Qodri, M. F., & Sugarbo, O. (2023). Building YoloV4 Models for Identification of Rock Minerals in Thin Section. IOP Conference Series: Earth and Environmental Science, 1151(1), 012046. https://doi.org/10.1088/1755- 1315/1151/1/012046
Redmon, J., Divvala, S. K., Girshick, R. B., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. CoRR, abs/1506.02640. http://arxiv.org/ abs/1506.02640
Rodríguez-Guillen, R., Kern, J., & Urrea, C. (2024). Fast Rock Detection in Visually Contaminated Mining Environments Using Machine Learning and Deep Learning Techniques. Applied Sciences, 14(2), 731. https://doi.org/10.3390/ app14020731
Rohwer, R., Wynne-Jones, M., & Wysotzki, F. (1994). Neural Networks. En Machine Learning, Neural and Statistical Classification (pp. 84–106). Ellis Horwood.
Rojas, R. (1996). Neural Networks. Springer Berlin Heidelberg. https://doi. org/10.1007/978-3-642-61068-4
Saxena, N., Day-Stirrat, R. J., Hows, A., & Hofmann, R. (2021). Application of Deep Learning for Semantic Segmentation of Sandstone Thin Sections. Computers & Geosciences, 152, 104778. https://doi.org/10.1016/j.cageo.2021.104778
Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., & Summers, R. M. (2016). Deep Convolutional Neural Networks for Computer- Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, 35(5), 1285–1298. https:// doi.org/10.1109/TMI.2016.2528162
Ślipek, B., & Młynarczuk, M. (2013). Application of Pattern Recognition Methods to Automatic Identification of Microscopic Images of Rocks Registered Under Different Polarization and Lighting Conditions. Geology, Geophysics & Environment, 39(4), 373. https://doi.org/10.7494/geol.2013.39.4.373
Srinivas Amiripalli, S., Nageshwara Rao, G., Behara, J., Sanjay Krishna, K., & Pavan Venkat Durga Ram, M. (2021). Mineral Rock Classification Using Convolutional Neural Network. https://doi.org/10.3233/APC210235
Szandała, T. (2023). Unlocking the Black Box of CNNs: Visualising the Decision- Making Process with PRISM. Information Sciences, 642, 119162. https://doi. org/10.1016/j.ins.2023.119162
Tarbuck, E. J., & Lutgens, F. K. (2005). Ciencias de la Tierra: una Introducción a la Geología Física (8a ed.). Pearson Educación S. A.
Van der Baan, M., & Jutten, C. (2000). Neural Networks in Geophysical Applications. GEOPHYSICS, 65(4), 1032–1047. https://doi.org/10.1190/1.1444797
Wada, K., mpitid, Buijs, M., N., Z. Ch., Kubovčík, Bc. M., Myczko, A., latentix, Zhu, L., Yamaguchi, N., Fujii, S., iamgd67, IlyaOvodov, Patel, A., Clauss, C., Kuroiwa, E., Iyengar, R., Shilin, S., Malygina, T., … Toft, H. (2021). wkentaro/labelme: v4.6.0. Zenodo. https://doi.org/10.5281/zenodo.5711226
Xin, M., & Wang, Y. (2019). Research on Image Classification Model Based on Deep Convolution Neural Network. EURASIP Journal on Image and Video Processing, 2019(1), 40. https://doi.org/10.1186/s13640-019-0417-8