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.