Redes neurais convolucionais profundas como uma ferramenta de classificação de imagens geológicas

Uma rede neural convolucional (CNN) é um método de aprendizado profundo (DL) que tem sido amplamente e com sucesso aplicado a tarefas de visão computacional, incluindo localização, detecção de objetos e classificação de imagens. O DL para tarefas de aprendizado supervisionado é um método que utiliza os dados brutos para determinar as características de classificação, em contraste com outras técnicas de aprendizado de máquina (ML) que requerem pré-seleção das características (ou atributos) de entrada. Nas geociências, hipotetizamos que o aprendizado profundo facilitará a análise de imagens não interpretadas que têm sido negligenciadas devido ao número limitado de especialistas, como imagens de fósseis, amostras de núcleos em lâminas ou seções delgadas petrográficas. Usamos aprendizado por transferência, que emprega modelos previamente treinados para encurtar o tempo de desenvolvimento de modelos subsequentes, para abordar um conjunto de tarefas de interpretação geológica que podem se beneficiar de ML. Usando dois modelos base diferentes, MobileNet V2 e Inception V3, ilustramos a classificação bem-sucedida de microfósseis, imagens de núcleos, fotomicrografias petrográficas e imagens de amostras de rochas e minerais. O ML não substitui o geocientista especialista. O especialista define os rótulos (interpretações) necessários para treinar o algoritmo e também monitora os resultados para abordar classificações incorretas ou ambíguas. As técnicas de ML fornecem um meio para aplicar a experiência de geocientistas qualificados a volumes de dados muito maiores.