Показать меню
03 мар 16:16Политика

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.

 

По материалам: polit
Добавить комментарий
Ваше Имя:
Ваш E-Mail:
Введите два слова, показанных на изображении: *
Лента новостей
РГСУ подписал четыре меморандума с крупными университетами КНР02:20Урок исторической памяти: в бесланской школе №1 открыли мемориальную доску Юрию Лужкову02:31Руководители компании «Русский Свет» вошли в рейтинг лучших управленцев России00:32Будущие инженеры увидели, как теоретические знания применяются на шинном производстве10:24На XII Санкт-Петербургском Международном Форуме Объединённых Культур выступил Владимир Розин20:06Академическая школа и душевное тепло: феномен вокального дуэта Закировых16:55Главная тема «Культурного чемпионата» 2026 года — цифровые технологии и искусственный интеллект02:18РГСУ посетил Китайский народный университет и Столичный педагогический университет в рамках Годов российско-китайского сотрудничества23:05Эксперты Viatti напомнили, что важно проверить перед установкой зимних шин18:54В Колонном зале Дома союзов прошел памятный вечер в честь 90-летнего юбилея мэра Москвы Юрия Михайловича Лужкова14:22РГСУ развивает отношения с Северо-Западным университетом при содействии посольства КНР в Российской Федерации в РФ01:30В Сергиево-Посадском округе пройдет фестиваль исторической реконструкции «Заветы Сергия Радонежского»00:36Эксперты объяснили, как часто нужно измерять давление в шинах в зимний период13:44Прочность компонентов будущей шины оценивают до начала производства00:55В честь 90-летия Юрия Михайловича Лужкова агросектор Подмосковья установил мемориальную доску19:02В Кимрах стартовала масштабная акция, инициированная донорским мероприятием01:35За что в США судят адвокатов по асбестовым делам?21:00В «Крылатской 33» завершилось строительство монолитного клубного квартала из четырех секций11:46
Популярные новости
Выбор редакции