Искусственный интеллект и машинное обучение

Применение машинного обучения к планиметрическому анализу минералов как задаче классификации в различных постановках

М. Г. Шишаев, В. В. Диковицкий

Институт информатики и математического моделирования им. В. А. Путилова КНЦ РАН., Апатиты, Россия

Аннотация: Рассматривается проблема автоматизации минералогического анализа планиметрическим методом на примере апатитовых руд различных типов, характерных для Хибинского месторождения.
Цель: изучение эффективности машинного обучения как средства формирования набора признаков и решения задачи классификации в различных постановках при планиметрическом анализе минералов.
Результаты: Выявлены особенности планиметрического анализа как задачи классификации, в частности, определены свойства смежности и однородности классов в пространстве идентифицирующих признаков. Для различных вариантов формальной постановки задач классификации проанализированы потенциальные систематические ошибки определения содержания полезного компонента планиметрическим методом. Экспериментально подтверждена возможность непосредственного использования предобученной сверточной сети ResNet18, без изменений архитектуры и дообучения, для формирования признакового вектора объектов классификации, обеспечивающего хорошую разделимость классов. На примере рассматриваемых руд экспериментально подтверждена высокая эффективность (более $98\%$ точности) применения нейросетевого классификатора и векторизатора ResNet18 для идентификации элементов изображения, относящихся к чистым классам «апатит»/ «не-апатит». Высокая точность классификации сохраняется при уменьшении размера ячейки планиметрической сетки вплоть до $2\times2$ пикселей ($78\%$), а при размере ячейки $20\times20$ пикселей приближается к $100\%$.
Исследована эффективность применения нейросетевого подхода к задаче определения удельного содержания полезного компонента в руде. Эксперименты не подтвердили эффективность реализации планиметрического анализа как задачи мягкой классификации без существенных модификаций архитектуры нейросетевого классификатора, однако показали высокую эффективность подхода при мультиклассовой постановке задачи. Абсолютная ошибка в точности определения содержания полезного компонента в последнем случае зависит от количества классов и типа руды и в худшем случае не превышает $6\%$, что выше точности экспертных оценок опытными рудничными геологами.
Практическая значимость: подход применим для создания недорогих, быстродействующих и эффективных экспресс-анализаторов руд, не требующих специализированного оборудования.

Ключевые слова и фразы: планиметрический минералогический анализ, машинное обучение, ResNet18, классификация.

УДК: 004.932.2+004.89: 549.08
ББК: 32.973.26-018.2: 26.31

MSC: Primary 68T45; Secondary 00A99

Поступила в редакцию: 12.10.2025
Подписана в печать : 29.10.2025

DOI: 10.25209/2079-3316-2025-16-4-241-266