Identificación de sombras de presión en imágenes digitales de láminas delgadas con métodos de machine learning
Citas bibliográficas
Enlace de Referencia
Autores
Autor corporativo
Recolector de datos
Otros/Desconocido
Director audiovisual
Editor/Compilador
Fecha
Resumen
Las sombras de presión en rocas metamórficas son un tipo de microestructura que permite obtener información sobre los esfuerzos y la deformación de la roca. Una buena investigación de la deformación de una roca requiere el estudio de numerosos datos estructurales, una actividad que consume bastante tiempo. Por eso, automatizar el reconocimiento de estas microestructuras podría ahorrar tiempo y proveer de más datos a los investigadores. Con ese objetivo se implementó una red neuronal convolucional para identificar la presencia de sombras de presión en imágenes digitales de láminas delgadas. La base de datos usada, publicada en las plataformas de Google Drive y Google Colab, consistió en 89 imágenes de sombras de presión y otras 1210 de láminas delgadas sin la microestructura, para un total de 1299 fotos. El algoritmo clasificó correctamente, con un 90% de precisión, las sombras de presión. Estos resultados sugieren que los algoritmos de Machine Learning podrían ser usados para la identificación de otras microestructuras, texturas o fábricas de las secciones delgadas. Sin embargo, la creación de nuevas bases de datos es fundamental para el desarrollo de estos algoritmos
Resumen
Pressure shadows in metamorphic rocks are a type of microstructure that provides information about the stresses and deformation of the rock. A good investigation of rock deformation requires the study of numerous structural data, an activity that is quite time consuming. Therefore, automating the recognition of these microstructures could save time and provide more data to researchers. With this objective, a convolutional neural network was implemented to identify the presence of pressure shadows in digital images of thin sections. The database used, published on Google Drive and Google Colab platforms, consisted of 89 images of pressure shadows and another 1210 of thin sections without the microstructure, for a total of 1299 photos. The algorithm correctly classified, with 90% accuracy, the pressure shadows. These results suggest that the Machine Learning algorithms could be used for the identification of other microstructures, textures, or factories of the thin sections. However, the creation of new databases is essential for the development of these algorithms