SEGMENTAÇÃO DE IMAGENS DE ROCHAS ATRAVÉS DO USO DE REDES NEURAIS

Atualmente é cada vez mais comum a aplicação de algoritmos de inteligência artificial nas mais diferentes áreas de pesquisa. No âmbito da segmentação de rochas digitais o uso de redes neurais permite treinar redes neurais para classificação de minerais ou a determinação das fases sólida e porosa. A proposta deste trabalho foi mostrar como o uso de tais métodos torna prático a binarização de imagens de rochas reservatório em sólidos e poros. Para isso as informações de cor de uma imagem (valores de vermelho, verde e azul), coletadas por meio de um software de anotação desenvolvido em C++ e QT, foram usadas para treinar redes neurais de diferentes topologias, mudando o números de neurônios em cada camada e as funções de ativação na saída de cada um desses neurônios. Para a construção das redes neurais e execução do treinamento foi utilizada a biblioteca PyTorch, desenvolvida pelo Facebook, em scripts desenvolvidos em Python. Cada sequência de treinamento (processo de carregar o dataset em arquivo de texto, separar em conjuntos de treino e teste e separá-los em mini-batches, executar treinamento dos batches e testar o resultado em cada época para se obter a acurácia) durou cerca de 10 segundos. Já o processo de aplicação do modelo para cada uma das imagens a serem binarizadas foi consideravelmente mais rápido, durando aproximadamente 10 milissegundos para cada amostra. Até o momento os resultados de porosidade para as imagens binarizadas se mostraram ainda um pouco inconsistentes, com um erro em relação a porosidade obtida em laboratório variando entre 6% e 80%. Acredita-se que isso ocorra devido aos pontos obtidos a partir das regiões de interesse na imagem, assim uma coleta mais cuidadosa poderia garantir melhores resultados. Nas próximas etapas estão previstas comparações com resultados obtidos por outros autores e um estudo de qualidade dos resultados quando variamos o operador que realiza o treinamento da rede, ou seja, influência do operador.