VIII Congreso Internacional de Investigación REDU
← vista completa
Publicado el 25 de abril de 2022 | http://doi.org/10.5867/Medwave.2022.S1.CI38
Reconocimiento y descripción automática de rocas sedimentarias mediante Inteligencia Artificial
Automatic recognition and description of sedimentary rocks through Artificial Intelligence
Brigith Estefania Menendez Benalcazar , Richard Andres Ormasa Gutierrez, Jessica Lisseth Peñafiel Salcedo, Vanessa Lorena Yauli Lalaleo, Christian Ivan Mejia Escobar
|
Tema
Ciencias de los recursos naturales
|
|
Palabras clave
Rocas, Deep Learning, Inteligencia Artificial, Machine Learning, Geología
|
Introducción
El reconocimiento y la descripción de rocas permiten al geólogo una mejor interpretación acerca de su evolución, ambientes y condiciones de formación. En la práctica, comúnmente se deben analizar numerosas muestras de roca, cuya caracterización manual demanda tiempo y esfuerzo. Mediante la Inteligencia Artificial y la implementación de algoritmos de Deep Learning buscamos automatizar y optimizar esta actividad, además de contribuir con una herramienta útil no solo para profesionales sino para la enseñanza y el aprendizaje en entornos académicos.
Objetivos
Utilizar la Inteligencia Artificial para el reconocimiento de rocas sedimentarias y la descripción automática de características como: color, textura, forma, fábrica y grado de redondez de clastos, mediante la implementación de un modelo de Deep Learning basado en redes neuronales convolucionales y recurrentes.
Método
Comienza con la revisión de estudios previos para definir nuestra propuesta, alcance y mejoras a los trabajos realizados. El insumo principal del proyecto constituyen los datos. En este caso, se trata de un dataset combinado de imágenes y texto. Hemos recolectado casi mil imágenes digitales de secciones delgadas del catálogo British Geological Service (BGS) y almacenado en Google Drive en 3 categorías: areniscas, calizas y lutitas, acompañadas por sus respectivas descripciones textuales de características. Dicho dataset es dividido en dos subconjuntos: entrenamiento y prueba, en una proporción de 80% y 20%, respectivamente. Las imágenes y las descripciones pasan por una etapa de depuración y pre-procesamiento para satisfacer el formato requerido por el modelo de Deep Learning. Para la creación del modelo, consideramos dos alternativas: un modelo personalizado y la re-utilización de uno pre-entrenado (Transfer Learning). Ambos son evaluados y contrastados a través de métricas de precisión como la “Matriz de confusión” y el indicador “BLUE”, con el fin de determinar la mejor opción de predicción final.
Principales Resultados
Luego de varios experimentos estableciendo diferentes hiper-parámetros de configuración para los dos modelos, podemos subdividir los resultados en dos fases. La primera relacionada con la clasificación de las imágenes donde el modelo personalizado presenta un mejor desempeño con una precisión del 100% para areniscas y calizas, y un 90% para lutitas; mientras que el modelo pre-entrenado VGG16 obtiene una precisión del 98% para areniscas, 95% para calizas y 98% para lutitas. En la segunda fase, combinamos la parte de extracción de características del modelo de clasificación con el modelo de red recurrente para generar las descripciones automáticas. El indicador BLUE señala una mayor precisión para el modelo VGG16, con un valor de 0.807, cercano a 1, y considerado como aceptable para el propósito de predicción.
Conclusiones
El presente trabajo demuestra la aplicación práctica de la Inteligencia Artificial como una alternativa adecuada para el reconocimiento y la descripción de rocas de manera automática para investigaciones, proyectos profesionales, y como una herramienta didáctica para entornos académicos dentro del área geológica y afines. Cabe mencionar que los productos generados tales como: modelos convolucionales, recurrentes, dataset de imágenes y descripciones textuales, son públicamente disponibles, pueden ser extendidos y tomados como base para futuros trabajos de investigación.
|
Esta obra de Medwave está bajo una licencia Creative Commons Atribución-NoComercial 3.0 Unported. Esta licencia permite el uso, distribución y reproducción del artículo en cualquier medio, siempre y cuando se otorgue el crédito correspondiente al autor del artículo y al medio en que se publica, en este caso, Medwave.
