DOI QR코드

DOI QR Code

A Feasibility Study on Application of a Deep Convolutional Neural Network for Automatic Rock Type Classification

자동 암종 분류를 위한 딥러닝 영상처리 기법의 적용성 검토 연구

  • Pham, Chuyen (Dept. of Geo-Space Engineering, University of Science and Technology) ;
  • Shin, Hyu-Soung (Korea Institute of Civil Engineering and Building Technology)
  • 추엔 팜 (한국과학기술연합대학원대학교 지반신공간공학과) ;
  • 신휴성 (한국건설기술연구원)
  • Received : 2020.08.27
  • Accepted : 2020.10.05
  • Published : 2020.10.31

Abstract

Rock classification is fundamental discipline of exploring geological and geotechnical features in a site, which, however, may not be easy works because of high diversity of rock shape and color according to its origin, geological history and so on. With the great success of convolutional neural networks (CNN) in many different image-based classification tasks, there has been increasing interest in taking advantage of CNN to classify geological material. In this study, a feasibility of the deep CNN is investigated for automatically and accurately identifying rock types, focusing on the condition of various shapes and colors even in the same rock type. It can be further developed to a mobile application for assisting geologist in classifying rocks in fieldwork. The structure of CNN model used in this study is based on a deep residual neural network (ResNet), which is an ultra-deep CNN using in object detection and classification. The proposed CNN was trained on 10 typical rock types with an overall accuracy of 84% on the test set. The result demonstrates that the proposed approach is not only able to classify rock type using images, but also represents an improvement as taking highly diverse rock image dataset as input.

암종 분류은 현장의 지질학적 또는 지반공학적 특성 파악을 위해 요구되는 매우 기본적인 행위이나 암석의 성인, 지역, 지질학적 이력 특성에 따라 동일 암종이라 하여도 매우 다양한 형태와 색 조성을 보이므로 깊은 지질학적 학식과 경험 없이는 쉬운 일은 아니다. 또한, 다른 여러 분야의 분류 작업에서 딥러닝 영상 처리 기법들이 성공적으로 적용되고 있으며, 지질학적 분류나 평가 분야에서도 딥러닝 기법의 적용에 대한 관심이 증대되고 있다. 따라서, 본 연구에서는 동일 암종임에도 다양한 형태와 색을 갖게 되는 실제 상황을 감안하여, 정확한 자동 암종 분류를 위한 딥러닝 기법의 적용 가능성에 대해 검토하였다. 이러한 기법은 향후에 현장 암종분류 작업을 수행하는 현장 기술자들을 지원할 수 있는 효과적인 툴로 활용 가능할 것이다. 본 연구에서 사용된 딥러닝 알고리즘은 매우 깊은 네트워크 구조로 객체 인식과 분류를 할 수 있는 것으로 잘 알려진 'ResNet' 계열의 딥러닝 알고리즘을 사용하였다. 적용된 딥러닝에서는 10개의 암종에 대한 다양한 암석 이미지들을 학습시켰으며, 학습 시키지 않은 암석 이미지들에 대하여 84% 수준 이상의 암종 분류 정확도를 보였다. 본 결과로 부터 다양한 성인과 지질학적 이력을 갖는 다양한 형태와 색의 암석들도 지질 전문가 수준으로 분류해 낼 수 있는 것으로 파악되었다. 나아가 다양한 지역과 현장에서 수집된 암석의 이미지와 지질학자들의 분류 결과가 학습데이터로 지속적으로 누적이 되어 재학습에 반영된다면 암종분류 성능은 자동으로 향상될 것이다.

Keywords

References

  1. Anderson, Don L., 1996, Petrology: The Study of Igneous, Sedimentary and Metamorphic Rocks, American Scientist, 84, 398+.
  2. Andrew, Ng., 2019, Machine Learning course.
  3. Baykan, N.A. and Yilmaz N., 2010, Mineral identification using color spaces and artificial neural networks, Computers and Geosciences, 36, 91-97. https://doi.org/10.1016/j.cageo.2009.04.009
  4. Chatterjee, S., 2013, Vision-based rock-type classification of limestone using multi-class support vector machine, Appl. Intell, 39, 14-27. https://doi.org/10.1007/s10489-012-0391-7
  5. Chatterjee, S., Bhattacherjee, A., Samanta, B. and Pal, S.K., 2008, Rock-type classification of an iron ore deposit using digital image analysis technique, Int. J. Min. Miner. Eng, 1, 22. https://doi.org/10.1504/IJMME.2008.020455
  6. Forman, G. and Scholz, M., 2010, Apples-to-apples in cross-validation studies: Pitfalls in classifier performance measurement, ACM Sigkdd Explor. Newsl, 12, 49-57. https://doi.org/10.1145/1882471.1882479
  7. Guo, C. and Liu, Y., 2014, Recognition of rock images based on multiple color spaces, Sci. Technol. Eng, 14, 247-251 and 255.
  8. He, K., Zhang, X., Ren, S., and Sun, J., 2015, Deep residual learning for image recognition, arXiv preprint arXiv: 1512.03385.
  9. Jiang, Y., 2017, Detecting Geological Structures in Seismic Volumes Using Deep Convolutional Neural Networks, Master Thesis.
  10. LeCun, Y., Bottou, L., Orr, G.B. and Muller, K.R., 1998, Efficient BackProp. In: Orr G.B., Muller KR. (eds) Neural Networks: Tricks of the Trade, Lecture Notes in Computer Science, 1524.
  11. Patel, A.K., Chatterjee, S., Gorai, A.K., 2017, Development of online machine vision system using support vector regression (SVR) algorithm for grade prediction of iron ores, 2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA). IEEE, 149-152.
  12. Patel, A.K., Gorai, A.K., Chatterjee, S., 2016, Development of Machine Vision-based System for Iron Ore Grade Prediction using Gaussian Process Regression (GPR), Pattern Recognit. Inf. Process, 45-48.
  13. Pires de Lima, R., Bonar, A., Coronado, D.D., Marfurt, K., and Nicholson, C, 2019, Deep convolutional neural networks as a geological image classification tool, The Sedimentary Record, 17(2), 4-9.
  14. Ran, X., Xue, L., Zhang, Y., Liu, Z., Sang, X. and He, X., 2019, Rock Classification from Field Image Patches Analyzed Using a Deep Convolutional Neural Network, Mathematics, 7, 755. https://doi.org/10.3390/math7080755
  15. Shu, L., McIsaac, K., Osinski, G.R. and Francis, R., 2017, Unsupervised feature learning for autonomous rock image classification, Computers and Geosciences, 106, 10-17. https://doi.org/10.1016/j.cageo.2017.05.010
  16. Wang, C., Li, Y., Fan, G., Chen, F., and Wang, W., 2018, Quick recognition of rock images for mobile applications, J. Eng. Sci. Technol. Rev, 11, 111-117. https://doi.org/10.25103/jestr.114.14
  17. Zhang, Y., Li, M. and Han, S., 2018, Automatic identification and classification in lithology based on deep learning in rock images, Acta Petrol. Sin, 34, 333-342.
  18. Zhang, Y., Li, M., Han, S., Ren, Q., and Shi, J., 2019, Intelligent Identification for Rock-Mineral Microscopic Images Using Ensemble Machine Learning Algorithms, Sensors (Basel, Switzerland), 19(18), 3914. https://doi.org/10.3390/s19183914