Klasifikace křemenných zrn na základě obrazových dat z elektronových mikroskopů

Abstract

Povrchové mikromorfologické vlastnosti křemenných zrn poskytují důležité informace o genezi a vývoji reliéfu. Práce se zabývá automatizací detekce a klasifikace pěti mikromorfologických vlastností. Byl vytvořen dataset, který obsahuje 200 anotovaných SEM snímků. Byly vyzkoušeny tři architektury hlubokých neuronových sítí: U-Net, DeepLabv3+ a SegFormer. Na testovací množině DeepLabv3+ dosáhl nejvyšší celkové úspěšnosti 0,281 mIoU. Model nejlépe segmentoval dvě vlastnosti: přilnavé částice s hodnotou IoU 0,415 a lasturnaté lomy s hodnotou IoU 0,452 na testovací množině. Pro jeden snímek model udělá predikce za 6,6 sekund, což výrazně redukuje čas na analýzu vzorků.The surface micromorphological features of quartz grains provide important information about the genesis and development of landforms. This work focuses on automating the detection and classification of five micromorphological features. A dataset containing 200 annotated SEM images was created. Three deep neural network architectures were tested: U-Net, DeepLabv3+, and SegFormer. On the test set, DeepLabv3+ achieved the highest overall accuracy of 0.281 mIoU. The model performed best in segmenting two features: adhering particles with an IoU of 0.415 and conchoidal fractures with an IoU of 0.452 on the test set. The model generates predictions for a single image in 6.6 seconds, significantly reducing the time required for sample analysis.