[논문 리뷰] Rock Classification in Petrographic Thin Section Images Based on Concatenated Convolutional Neural Networks

Cheng Su, Shengjia Xu외 2명|arXiv (Cornell University)|2020. 03. 23.

Mineral Processing and Grinding참고 문헌 33인용 수 7

한 줄 요약

이 논문은 평면 투과광(PPL), 교차 투과광(XPL), 그리고 융합된 종합 이미지(CI)를 사용하여 광물학적 박편에서 자동으로 암석을 분류하기 위해 연결형 합성곱 신경망(Con-CNN)을 제안한다. PPL, XPL, CI 이미지에 대해 동일한 CNN 세 개를 훈련하고, 주성분 분석(PCA)을 통해 융합한 후, 최대우도 검출을 통해 출력을 결합함으로써, 오차 제곱합 기반의 다섯 번의 교차검증에서 전체 정확도가 89.97%에 도달하였으며, 이는 자동 광물학적 분석 기술의 향상에 기여한다.

ABSTRACT

Rock classification plays an important role in rock mechanics, petrology, mining engineering, magmatic processes, and numerous other fields pertaining to geosciences. This study proposes a concatenated convolutional neural network (Con-CNN) method for classifying the geologic rock type based on petrographic thin sections. Herein, plane polarized light (PPL) and crossed polarized light (XPL) were used to acquire thin section images as the fundamental data. After conducting the necessary pre-processing analyses, the PPL and XPL images as well as their comprehensive image (CI) were incorporated in three convolutional neural networks (CNNs) comprising the same structure for achieving a preliminary classification; these images were developed by employing the fused principal component analysis (PCA). Subsequently, the results of the CNNs were concatenated by using the maximum likelihood detection to obtain a comprehensive classification result. Finally, a statistical revision was applied to fix the misclassification due to the proportion difference of minerals that were similar in appearance. In this study, 13 types of 92 rock samples, 196 petrographic thin sections, 588 images, and 63504 image patches were fabricated for the training and validation of the Con-CNN. The five-folds cross validation shows that the method proposed provides an overall accuracy of 89.97%, which facilitates the automation of rock classification in petrographic thin sections.

연구 동기 및 목표

• 광물학적 박편에서 암석 분류를 자동화하여 수동 전문가 분석에 대한 의존도를 줄이기 위해.
• 비슷한 외관을 가진 광물로 인해 분류가 어려운 문제를 다루기 위해 다중 투과광 방식과 딥 러닝을 활용하기 위해.
• 주성분 분석을 사용하여 PPL, XPL 및 종합 이미지(CI) 간의 상보적인 정보를 융합함으로써 분류 정확도를 향상시키기 위해.
• 광물 비율의 불균형으로 인한 오분류를 통계적 보정 단계를 통해 수정하기 위해.
• 13종의 암석 유형에 대해 588장의 이미지와 63,504개의 패치를 포함한 대규모 데이터셋에서 방법을 검증하기 위해.

제안 방법

• 보조 광학적 텍스처 및 광학적 특징을 보다 잘 포착하기 위해 평면 투과광(PPL)과 교차 투과광(XPL) 조건에서 광물학적 박편 이미지를 확보한다.
• 주성분 분석(PCA)을 사용하여 PPL과 XPL 이미지를 융합하여 특징의 풍부함을 높인 종합 이미지(CI)를 생성한다.
• PPL, XPL 및 CI 이미지에 각각 동일한 합성곱 신경망(CNN) 세 개를 훈련하여 초보적 분류를 수행한다.
• 최대우도 검출을 사용하여 세 개의 CNN 출력을 연결하여 통합되고 강력한 분류 결과를 도출한다.
• 유사한 광물의 외형과 비율의 불균형으로 인한 오분류를 수정하기 위해 통계적 보정 단계를 적용한다.
• 196개의 박편, 588장의 이미지, 63,504개의 이미지 패치를 포함한 데이터셋을 사용하여 다섯 번의 교차검증을 수행하여 성능을 평가한다.

실험 결과

연구 질문

• RQ1 연결형 CNN 아키텍처가 PPL, XPL, CI와 같은 다중 모odal 광물학적 이미지 데이터를 효과적으로 통합하여 암석 분류 정확도를 향상시킬 수 있는가?
• RQ2 PCA를 통한 PPL과 XPL 이미지 융합이 암석 분류를 위한 특징 표현을 어떻게 향상시키는가?
• RQ3 다중 CNN 출력의 최대우도 융합이 단일 스트림 모델 대비 분류 불확실성을 얼마나 줄이는가?
• RQ4 통계적 보정 단계는 외관이 유사하지만 비율이 다른 광물로 인한 오분류를 얼마나 효과적으로 수정하는가?
• RQ5 다양한 13종의 암석 유형으로 구성된 대규모 데이터셋에서 다중 스트림 CNN 접근법을 사용할 경우 어떤 정도의 정확도를 달성할 수 있는가?

주요 결과

• 제안된 Con-CNN 방법은 다섯 번의 교차검증 기준에서 전체 분류 정확도 89.97%를 달성하였다.
• PPL, XPL 및 주성분 분석 기반 종합 이미지(CI)의 융합은 단일 모odal 입력에 비해 특징 표현을 크게 향상시켰다.
• 세 개의 동일한 CNN 출력의 최대우도 융합은 불확실성을 줄이고 강건성을 향상시켜 개별 네트워크 예측보다 우수한 성능을 보였다.
• 통계적 보정 단계는 비율이 다를 뿐만 아니라 외형과 광학적 특성이 유사한 광물로 인한 오분류를 효과적으로 수정하였다.
• 196개의 광물학적 박편에서 유래한 63,504개의 이미지 패치를 포함한 대규모 데이터셋에서 강력한 일반화 성능을 보였다.