Feb, 2024

岩石薄片的自动描述：一个 Web 应用

PDF
TL;DR利用人工智能技术结合计算机视觉和自然语言处理，从岩石的薄片图像中生成文本和口头描述，通过 EfficientNetB7 提取的图像相关特征与 Transformer 网络生成的文本描述相关联的模型训练，达到了 0.892 的准确度和 0.71 的 BLEU 值。该模型可用作研究、专业和学术工作的有用资源，并已通过网络应用程序供公众使用。
rock typescharacterizationgeologyartificial intelligencecomputer vision
发现论文，激发创造
  • 通过利用航拍图像分析实现对爆破堆石中分离性的表征

    应用先进的图像分析方法，采用改进的 Unet 语义分割模型和基于扩展的后处理技术，成功地刻画了爆破岩石颗粒的细分离现象，并通过相对特征直径提供了岩石颗粒尺寸的空间异质性，为采石场管理中资源管理和运营决策提供了更好的信息。

    Jun, 2024

  • 数字岩石物理中岩石图像分割的增强：生成式人工智能与先进神经网络的融合

    在数字岩石物理学中，使用扫描电子显微镜和计算机断层扫描技术分析岩石的细微结构对估计孔隙度和孔隙连通性等性质至关重要。我们的研究采用了先进的生成型人工智能模型 —— 扩散模型，克服传统分割方法的局限性并通过生成大量的数据集来改善岩石显微结构分割的准确性和稳定性。利用 Transformer 结构的 TransU-Net 在分割图像方面表现出更高的准确性和 IoU 指标，超过了 U-Net 和 Attention-U-Net，推进了数字岩石物理学的发展，为地球科学和工程学的突破铺平了道路。

    Nov, 2023

  • 利用 X 射线微观断层扫描仪进行地质样本的孔隙度和渗透率预测的 AI 技术

    利用自监督预训练非常小的 CNN-transformer 模型来预测地层岩石的物理性质，具有高准确度且时间有效，可避免使用极小数据集的过度拟合。

    May, 2022

  • 通过迁移学习从钻井岩芯图像中直接预测矿物含量

    利用机器学习，特别是卷积神经网络 (CNN)，从钻井岩心图像分析中评估岩性和矿物含量的潜力，并提供了全面的方法论，展示了 96.7% 的岩心分割分类准确率，并验证了该方法在矿物含量评估上与实验室检测结果相当。

    Mar, 2024

  • 高分辨率卫星图像上行星表面巨石的自动特征描述

    通过使用一个实例分割神经网络（BoulderNet）并利用高分辨率卫星图像，以不同行星表面为数据集，我们可以自动化检测和轮廓描绘巨石，达到与人工描绘相似的性能，并提供了一个通用的开源工具来描述整个巨石领域。

    Jan, 2024

  • 自监督学习引导火星地形图像的科学相关分类

    该篇论文呈现了一种自主方法，用于在火星探测器图像中聚类沉积纹理，以便创建详细的地形类别数据集和地质分析，取得了较高的准确性和地质效验，为火星地形分类的快速识别提供了有前途的方法，并为实现生产大规模、细粒度和公开可用的火星地形识别数据集的长期目标开辟了道路。

    Apr, 2022

  • 零样本数字岩石图像分割与精调分割模型

    我们的研究对 SAM 模型进行了优化，用于岩石 CT 和 SEM 图像分割，通过参数优化和处理大规模图像以提高准确性，实验证明了该调整模型（RockSAM）在岩石图像分析中生成高质量掩膜的可行性和有效性。

    Nov, 2023

  • 基于钻探数据的岩体分类的机器学习方法比较研究

    通过自动将 MWD 数据转换为可操作的岩石工程指标，本研究利用大规模且地质多样化的数据集，探索传统机器学习和基于图像的深度学习方法，在真实的隧道工程环境中实现准确的岩体质量分类，提供决策支持及降低人工干预。

    Mar, 2024

  • 基于深度学习的混凝土岩石学分析自动化图像分割

    本文研究了使用卷积神经网络 (CNN) 在没有使用颜色处理的情况下进行混凝土分割的可行性，并证明其优于基于颜色的分割方法并具有与人工专家相当的准确度，从而缩短了分割时间。

    May, 2020

  • 自动盐堆分割：一种深度学习方法

    本文介绍了一个基于深度学习的神经网络，利用 U-Net 结合 Spatial-Channel Squeeze & Excitation、Lovasz loss、CoordConv 和 Hypercolumn 等方法，对地震图像数据进行盐度沉积物区分。该方法在 TGS-NOPEC Geophysical Company 主办的竞赛中获得了第 27 名的好成绩，可以在链接中获取源代码。

    Nov, 2018