Показать меню
03 мар 17:56Политика

Искусственный интеллект сможет оценивать пористость почвы по рентгеновской томографии

Искусственный интеллект сможет оценивать пористость почвы по рентгеновской томографии

Ученые из Института физики Земли имени О. Ю. Шмидта, МГУ имени М. В. Ломоносова и Почвенного института имени В. В. Докучаева проверили, может ли нейросеть эффективно определять пористость и строение почвы по изображениям рентгеновской томографии. Обычно невозможно оценить эти параметры без вмешательства человека, так как современные методы обработки изображений с участием оператора часто приводят к ошибкам. Предложенный учеными подход позволяет это сделать всего с 5 % ошибок и в будущем поможет оценивать структурное состояние почвы, в том числе для нужд сельского хозяйства. Результаты исследования, поддержанного грантом Президентской программы Российского научного фонда, опубликованы в журнале Soil and Tillage Research, кратко о них рассказывается в пресс-релизе РНФ.

Поровое пространство почвы выполняет полезные функции: проведение воды и воздуха, удерживание разных химических соединений (иногда опасных для человека), а также обеспечение плодородия почвы и ее целостности. Знания о структуре и свойствах почв необходимы также для проектирования зданий, дорог и других объектов инфраструктуры. Во всех этих случаях нужно оценивать строение почвы: количество и размеры пор, связность порового пространства на разных уровнях структурной организации, наличие каналов передвижения воды и растворенных в ней веществ.

Для изучения морфологии почвы можно использовать метод рентгеновской компьютерной томографии (РКТ), который позволяет получать наглядные трехмерные изображения внутренней структуры неповреждающим методом. Чтобы определить пути передвижения жидкостей и размеры пор, томографические изображения нужно обработать: разделить их на рентген-контрастные фазы по градациям серого, то есть сегментировать. При сегментации РКТ-изображения на две фазы оно становится бинарным (однобитным), где поры становятся черными, а всё, что им не соответствует и условно относится к твердой фазе, — белым. От того, насколько хорошо сегментировано изображение, зависит характеристика параметров образца.

«При оценке свойств почвы по РКТ-изображениям используют 2D- или 3D-анализ изображений на основе сегментации. До недавнего времени сегментация чаще всего делалась вручную и зависела от восприятия каждого человека, что неэффективно и создает множество проблем, когда требуется сравнить сразу много различных образцов друг с другом, — комментирует Кирилл Герке, ведущий научный сотрудник лаборатории фундаментальных проблем нефтегазовой геофизики и геофизического мониторинга Института физики Земли имени О. Ю. Шмидта. — Современные методы сегментации РКТ-изображений используют нейронные сети, то есть их можно обучить на данных из общедоступных библиотек изображений, что будет улучшать качество сегментации и со временем сведет к минимуму человеческий фактор. Но на этапе обучения нейросеть всё равно требуют вмешательства человека».

Авторы исследования предложили алгоритмы для оценивания свойств почвы с большой точностью без участия человека. Для этого они использовали гибридную архитектуру нейронной сети ResNet-101 + U-net. Первая модель нужна для извлечения из исходного изображения важных признаков, а вторая — для сегментации исходного изображения на их основе.

Разработанная система моделирует поры и их твердые стенки, подстраивая параметры моделей под тренировочную выборку из размеченных изображений. С ее помощью ученые успешно обработали семь РКТ-изображений почвы. Погрешность оценивали двумя способами: моделированием потоков жидкостей (флюидов) в порах и на основе классических показателей компьютерного зрения. Для некоторых образцов из набора погрешность составила всего 5 %. Такой результат говорит о том, что разработанная нейронная сеть работает точнее, чем все современные автоматические аналоги. Тем не менее у некоторых образцов погрешность была существенно выше 5 %. Ученые полагают, что это можно объяснить недостаточностью некоторых структур образцов грунта в наборе обучающих данных, поэтому в будущей работе они планируют использовать более крупные библиотеки РКТ-изображений почвы.

 

Автор: По материалам: polit
Добавить комментарий
Ваше Имя:
Ваш E-Mail:
Введите два слова, показанных на изображении: *
Лента новостей
Серьёзная авария на ядерном объекте в Иране: что известно к этому часу13:00Банки оценили безопасность расчетов в цифровых рублях12:34«Я просто заклинаю»: россиян призвали не ехать на популярный курорт10:51Эксперты назвали плюсы кредитных карт10:17Смертоносная угроза ЛДНР: о пугающих прогнозах войны на Донбассе (ФОТО)07:17Идеальное по качеству и цене: российское вино вытесняет "итальянцев"06:51Астролог назвала знаки зодиака, которые чаще всех предают06:34На Западе начинается истерика из-за масштабных манёвров России и Белоруссии06:00В России изменились правила пользования маткапиталом05:00Финансовые мошенники: как их распознать?03:51«Одуревших видеоблогеров ждёт судьба бандитов из 90-х»03:00Коммунисты сдаются02:34В компании Alibaba прокомментировали штраф за нечестную конкуренцию01:51Умер народный артист Эмиль Верник00:51Названа главная ошибка правительства Гайдара после распада СССР00:34Врио главы Ульяновской области Русских представили в регионе00:00Очередная зрада: Эрдоган после встречи с Зеленским поддержал Минские соглашения23:17Bloomberg узнал о возможном слиянии двух банков-гигантов Швейцарии23:00Песков рассказал о критериях подбора кандидатур на врио глав регионов21:51Ядерная война и общепланетарная катастрофа — озвучен страшный сценарий конфликта на Донбассе20:51