在核心图像中使用物体检测算法自动识别沉积物结构

科学领域:

• 地质地质地质地质地质地
• 沉积物学的沉积物学
• 人工智能的人工智能

背景情况:

• 在核心分析中对沉积物结构的手动解释对于地表地质学至关重要,但速度缓慢,需要专业知识,并且可能会有偏见.
• 自动化这一过程可以显著提高地质研究的效率和一致性.

研究的目的:

• 研究卷积神经网络 (CNN) 在核心图像中自动识别沉积结构的应用.
• 为了比较两个物体检测模型的性能,YOLOv4和更快的R-CNN,对于这个任务.

主要方法:

• 训练YOLOv4和Faster R-CNN模型在15种沉积物结构类型的类核心图像的注释数据集上.
• 基于精度,回忆,推断时间和平均精度评估模型性能.
• 在以前未见过的数据集上测试模型概括.

主要成果:

• 与更快的R-CNN相比,YOLOv4显示了高精度 (高达95%) 和更快的处理时间.
• 更快的R-CNN实现了更高的平均精度 (94.44%),但对常见结构的回忆率较低.
• 两种模型都在与形态上相似的结构作斗争,并且在未见的数据上显示出略有降低的性能.

结论:

• 深度学习,特别是使用像YOLOv4这样的CNN,提供了一种有希望的方法来自动化沉积物学中的核心解释.
• 这种自动化可以减少手工劳动,提高可重复性,并简化地质科学应用.
• 需要进一步开发,以改善跨多种核心图像的概括性,并区分微妙的结构变化.