Система анализа геологических карт с помощью инструментов компьютерного зрения и машинного обучения

Несколько областей компьютерного зрения было исследовано в данной работе для того, чтобы разработать два модуля системы анализа структурных геологических карт – модуль анализа изображений и модуль исправления результатов анализа. Ряд различных современных методов машинного и глубокого обучения был применен на практике. Все подходы были оценены на синтетической выборке. На тестовой выборке были рассчитаны метрики mAP, IOU, F1 score.

ОГЛАВЛЕНИЕ
ВВЕДЕНИЕ………………………………………………………………………………… 12
МОДУЛЬ АНАЛИЗА ИЗОБРАЖЕНИЙ ГЕОЛОГИЧЕСКИХ КАРТ . 14
Введение в глубокое обучение …………………………………………………. 14
Дизайн решения ………………………………………………………………………. 20
Детекция скважин (символов) ………………………………………………….. 22
Распознавание значений…………………………………………………………… 25
Распознавание изолиний ………………………………………………………….. 28
Описание алгоритма …………………………………………………………….. 28

Исходный подход к извлечению изолиний …………………………….. 28

Извлечение изолиний …………………………………………………………… 29

Векторизация линий …………………………………………………………….. 33

Объединение частей линий …………………………………………………… 34

Кластеризация по цвету и толщине линий. …………………………….. 38

Сегментация изображений для определения областей карт ………… 40
Процесс обучения ………………………………………………………………… 43

Процесс предсказания на новых данных………………………………… 45

МОДУЛЬ ДОРАБОТКИ РЕЗУЛЬТАТОВ АНАЛИЗА ……………………. 47
Интерфейс системы …………………………………………………………………. 47
Разработка модуля доработки результатов анализа ……………………. 49
Интерфейс модуля доработки ……………………………………………….. 49

Обоснование выбора фреймворка …………………………………………. 54

Реализация интерфейса ………………………………………………………… 57

«ФИНАНСОВЫЙ МЕНЕДЖМЕНТ, РЕСУРСОЭФФЕКТИВНОСТЬ И
РЕСУРСОСБЕРЕЖЕНИЕ» ………………………………………………………….. 59
«СОЦИАЛЬНАЯ ОТВЕТСТВЕННОСТЬ» ……………………………………. 78
ЗАКЛЮЧЕНИЕ ………………………………………………………………………….. 89
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ ………………………… 91
Приложение II…………………………………………………………………………….. 94

Несколько областей компьютерного зрения было исследовано в данной
работе для того, чтобы разработать два модуля системы анализа структурных
геологических карт – модуль анализа изображений и модуль исправления
результатов анализа.
Несколько современных методов машинного и глубокого обучения
были применены на практике, такие как:
• Бинарная сегментация на основе сверточных нейронных сетей
(две сети с разными задачами)
• Бинарная классификация
• Кластеризация
• Детекция объектов
Различные подходы были исследованы в процессе разработки. Все они
были оценены на синтетической выборке. На синтетической тестовой выборке
были рассчитаны метрики mAP, IOU, F1 score. Однако, наиболее важной
метрикой качества оставалась экспертная оценка из-за недостатка
размеченных данных.
В будущем запланировано несколько модификаций в разработанных
модулей:
1. Нейронная сеть для бинарной сегментации будет заменена на сеть
для сегментации на несколько классов. Это позволит извлекать
изолинии, структурные разломы, границы лицензионных участков и
другую информацию на геологических картах.
2. Генеративно-состязательные сети будут оценены как возможный
источник более разнообразных синтетических данных.
3. Разработанная система будет использована для аннотации реальных
данных с меньшими трудозатратами. Собранные данные позволят
улучшить существующие алгоритмы.
4. Добавление распознавания тектонических нарушений на картах.
Такую функцию можно реализовать с помощью замены бинарной
сегментации изолиний на сегментацию на несколько классов.
Другим важным направлением развития является улучшение UI/UX.
Пользователи системы часто сравнивают ее с несколькими другими
геоинформационными системами. Некоторые из подобных систем были в
разработке многие годы. Следовательно, улучшение клиентской части
приложения необходимо для того, чтобы догнать данные ГИС системы по
удобству и набору функций. Для достижения этой цели необходимо сделать
значительно количество модификаций в текущем модели редактирования
результатов и клиентской части приложения в целом.