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 приводят к ошибкам. Предложенный ученными подход позволяет это сделать всего с 5% ошибок и в будущем поможет оценивать структурное состояние почвы, в том числе для нужд сельского хозяйства. Результаты исследования, поддержанного грантом Президентской программы Российского научного фонда, опубликованы в журнале Soil and Tillage Research.
«Добавление в методику обработки изображений почв методов физического моделирования позволяет создать универсальный подход. В нашей работе мы показали, что таким образом можно полностью исключить влияние оператора. Исследования в этой области необходимы для возможности создания цифровой модели почвенного строения», — поясняет Кирилл Герке, кандидат физико-математических наук, ведущий научный сотрудник лаборатории фундаментальных проблем нефтегазовой геофизики и геофизического мониторинга Институт физики Земли имени О. Ю. Шмидта РАН (Москва).
Почве принадлежит основополагающая роль в среде обитания человека. Ее изучение важно: она – основа производства любой сельскохозяйственной продукции. Поровое пространство почвы выполняет полезные функции: проведение воды и воздуха, удерживание разных химических соединений (иногда опасных для человека), а также обеспечение плодородия почвы и ее целостности. Знания о структуре и свойствах почв необходимы также для проектирования различных хозяйственных построек: зданий, дорог и других объектов инфраструктуры. Во всех этих случаях нужно оценивать строение почвы: количество и размеры пор, связность порового пространства на разных уровнях структурной организации, наличие каналов передвижения воды и растворенных в ней веществ.
Для изучения морфологии почвы можно использовать метод рентгеновской компьютерной томографии (РКТ), который позволяет получать наглядные трехмерные изображения внутренней структуры неповреждающим методом. Чтобы определить пути передвижения жидкостей и размеры пор, томографические изображения нужно обработать: разделить их на рентген-контрастные фазы по градациям серого, то есть сегментировать. При сегментации РКТ-изображения на две фазы оно становится бинарным (однобитным), где поры становятся черными, а все что им не соответствует и условно относится к твердой фазе – белым. От того, насколько хорошо сегментировано изображение, зависит характеристика параметров образца.
«При оценке свойств почвы по РКТ-изображениям используют 2D или 3D анализ изображений на основе сегментации. До недавнего времени сегментация чаще всего делалась вручную и зависела от восприятия каждого человека, что неэффективно и создает множество проблем, когда требуется сравнить сразу много различных образцов друг с другом, – комментирует Кирилл Герке. – 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».
В своей работе ученые из Института физики Земли имени О. Ю. Шмидта, МГУ имени М. В. Ломоносова и Почвенного института имени В. В. 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. Первая модель нужна для извлечения из исходного изображения важных признаков, а вторая – для сегментации исходного изображения на их основе.
Разработанная система моделирует поры и их твердые стенки, подстраивая параметры моделей под тренировочную выборку из размеченных изображений. С ее помощью ученые успешно обработали семь РКТ-изображений почвы. Погрешность оценивали двумя способами: моделированием потоков жидкостей (флюидов) в порах и на основе классических показателей компьютерного зрения. Для некоторых образцов из набора погрешность составила всего 5%. Такой результат говорит о том, что разработанная нейронная сеть работает точнее, чем все современные автоматические аналоги. Тем не менее, у некоторых образцов погрешность была существенно выше 5%. Ученые полагают, что это можно объяснить недостаточностью некоторых структур образцов грунта в наборе обучающих данных, поэтому в будущей работе они планируют использовать более крупные библиотеки РКТ-изображений почвы.