Identificação de minerais por meio de Redes Neurais Convolucionais: um estudo comparativo entre Inteligência Artificial e o Sistema Visual Humano
Resumo
A identificação de minerais é extremamente necessária para a geologia moderna, em especial quando lidamos com métodos específicos de geocronologia e extração de informações. Contudo, este processo pode consumir um grande período de tempo devido a avaliação humana na identificação. Neste sentido, este artigo propõe a criação de uma Rede Neural Convolucional para identificação de Apatitas, Quartzos e Zircões, diminuindo assim os recursos manuais e erros nesta etapa. Além disso, testes de identificação com voluntários foram realizados, comparando os resultados obtidos por humanos e computador. Ao final, comprova-se a capacidade das Redes Neurais Convolucionais, alcançando resultados superiores aos esforços humanos e acurácia acima de 90%.
Palavras-chave:
minerais, redes neurais convolucionais, classificação
Referências
Bayka, N. and Yılmaz, N. (2010). Mineral identification using color spaces and artificial neural networks. Computers Geosciences, 36.
Borji, A. and Itti, L. (2014). Human vs. computer in scene and object recognition. 2014 IEEE Conference on Computer Vision and Pattern Recognition.
Bruand, E., Storey, C., and Fowler, M. (2014). Accessory mineral chemistry of high ba sr granites from northern scotland: Constraints on petrogenesis and records of wholerock signature. Journal of Petrology, 55.
Franco, A. O. B. (2006). Termocronologia por traços de fissão em apatitas na região do arco de ponta grossa, entre os alinhamentos de guapiara e são jeronimo-curiúva. Master’s thesis, Universidade Estadual Paulista, Rio Claro Brasil.
Izadi, H., Sadri, J., and Mahdokht, B. (2017). An intelligent system for mineral identification in thin sections based on a cascade approach. Computers & Geoscience.
Jain, A. K., Mao, J., and Mohiuddin, K. (1996). Artificial neural networks: A tutorial. Computer, (3).
Klein, C. and Dutrow, B. (2009). Manual de ciência dos minerais. Bookman Editora.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems.
Maitre, J., Bouchard, K., and Bedard, P. (2019). Mineral grains recognition using computer vision and machine learning. Computers Geosciences, 27.
Miynarczuk, M., Górszczyk, A., and Slipek, B. (2013). The application of pattern recognition in the automatic clasffication on microscopic rock images. Computers & Geoscience.
Pereira, R. and Porto, F. (2019). Deep learning application for plant classification on unbalanced training set. In Anais do XIII Brazilian e-Science Workshop. SBC.
Thompson, S., Fueten, F., and Bockus, D. (2001). Mineral identification using artificial neural networks and the rotating polarizer stage. Computers Geosciences, 27.
Tokui, S., Oono, K., Hido, S., and Clayton, J. (2015). Chainer: a next-generation open source framework for deep learning. In Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS), pages 1–6.
Zhang, M. (2017). Raman Study of the Crystalline-to-Amorphous State in Alpha- Decay–Damaged Materials.
Borji, A. and Itti, L. (2014). Human vs. computer in scene and object recognition. 2014 IEEE Conference on Computer Vision and Pattern Recognition.
Bruand, E., Storey, C., and Fowler, M. (2014). Accessory mineral chemistry of high ba sr granites from northern scotland: Constraints on petrogenesis and records of wholerock signature. Journal of Petrology, 55.
Franco, A. O. B. (2006). Termocronologia por traços de fissão em apatitas na região do arco de ponta grossa, entre os alinhamentos de guapiara e são jeronimo-curiúva. Master’s thesis, Universidade Estadual Paulista, Rio Claro Brasil.
Izadi, H., Sadri, J., and Mahdokht, B. (2017). An intelligent system for mineral identification in thin sections based on a cascade approach. Computers & Geoscience.
Jain, A. K., Mao, J., and Mohiuddin, K. (1996). Artificial neural networks: A tutorial. Computer, (3).
Klein, C. and Dutrow, B. (2009). Manual de ciência dos minerais. Bookman Editora.
Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. In Advances in neural information processing systems.
Maitre, J., Bouchard, K., and Bedard, P. (2019). Mineral grains recognition using computer vision and machine learning. Computers Geosciences, 27.
Miynarczuk, M., Górszczyk, A., and Slipek, B. (2013). The application of pattern recognition in the automatic clasffication on microscopic rock images. Computers & Geoscience.
Pereira, R. and Porto, F. (2019). Deep learning application for plant classification on unbalanced training set. In Anais do XIII Brazilian e-Science Workshop. SBC.
Thompson, S., Fueten, F., and Bockus, D. (2001). Mineral identification using artificial neural networks and the rotating polarizer stage. Computers Geosciences, 27.
Tokui, S., Oono, K., Hido, S., and Clayton, J. (2015). Chainer: a next-generation open source framework for deep learning. In Proceedings of workshop on machine learning systems (LearningSys) in the twenty-ninth annual conference on neural information processing systems (NIPS), pages 1–6.
Zhang, M. (2017). Raman Study of the Crystalline-to-Amorphous State in Alpha- Decay–Damaged Materials.
Publicado
30/06/2020
Como Citar
ARINOS, Victor Félix; VENTURA, Thiago Meirelles; ARINOS, Natali Félix; RUIZ, Amarildo Salina.
Identificação de minerais por meio de Redes Neurais Convolucionais: um estudo comparativo entre Inteligência Artificial e o Sistema Visual Humano. In: BRAZILIAN E-SCIENCE WORKSHOP (BRESCI), 14. , 2020, Cuiabá.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2020
.
p. 105-112.
ISSN 2763-8774.
DOI: https://doi.org/10.5753/bresci.2020.11188.
