"Ученые проверили, может ли нейросеть эффективно определять пористость и строение почвы по изображениям рентгеновской томографии. Часто невозможно оценить эти параметры без вмешательства человека, так как современные методы обработки изображений с участием оператора часто приводят к ошибкам. Предложенный подход позволяет это сделать всего с 5% ошибок и в будущем поможет оценивать структурное состояние почвы, в том числе для нужд сельского хозяйства", – говорится в сообщении.
Один из важных параметров почв – пористость. От нее зависит, как почва проводит воду и воздух, удерживает разные химические соединения (иногда опасные для человека). Знания о структуре и свойствах почв необходимы для проектирования инфраструктуры: зданий, дорог и других объектов. Во всех этих случаях нужно оценивать строение почвы: связность порового пространства на разных уровнях, наличие каналов передвижения воды и растворенных в ней веществ.
Для изучения морфологии почвы используется метод рентгеновской компьютерной томографии (РКТ). С его помощью можно получать наглядные трехмерные изображения внутренней структуры без необходимости раскапывать слой. Однако для оценки свойств почвы по РКТ-снимкам эти изображения нужно обработать: разделить их на рентген-контрастные фазы по градациям серого, то есть сегментировать. От того, насколько хорошо сегментировано изображение, зависит характеристика параметров образца.
Сократить роль человеческого фактора
"До недавнего времени сегментация чаще всего делалась вручную и зависела от восприятия каждого человека, что неэффективно и создает множество проблем. <...> Современные методы сегментации РКТ-изображений используют нейронные сети, то есть их можно обучить на данных из общедоступных библиотек изображений, что будет улучшать качество сегментации и со временем сведет к минимуму человеческий фактор. Но на этапе обучения нейросеть все равно требуют вмешательства человека", – рассказал один из авторов работы, ведущий научный сотрудник Института физики Земли им. Шмидта РАН Кирилл Герке.
В новой работе ученые из Института физики Земли, МГУ им. Ломоносова и Почвенного института им. Докучаева предложили алгоритмы для оценивания свойств почвы с большой точностью без участия человека. Для этого они использовали гибридную архитектуру нейронной сети ResNet-101 + U-net. С ее помощью ученые успешно обработали семь РКТ-изображений почвы. Для некоторых образцов из набора погрешность составила всего 5%.
Такой результат, по словам авторов исследования, говорит о том, что нейронная сеть работает точнее, чем все современные автоматические аналоги.
