Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas
.
En geología, la clasificación de las rocas ígneas, sedimentarias y metamórficas en distintas escalas es esencial para el estudio de una región. Los avances tecnológicos han permitido incorporar herramientas que facilitan estos procesos de observación y análisis, beneficiando tanto la formación de profesionales como el acceso al conocimiento geológico para todos los interesados. Como parte de las herramientas de machine learning, las Convolutional Neural Networks se destacan para identificar y priorizar características de objetos en una imagen. Entre los modelos relevantes de este grupo se encuentra You Only Look Once (YOLO), los cuales sirven como base para el reentrenamiento de modelos más especializados. El objetivo de este trabajo es la... Ver más
1794-1237
2463-0950
22
2025-01-01
4317 pp. 1
28
http://purl.org/coar/access_right/c_abf2
info:eu-repo/semantics/openAccess
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Revista EIA - 2024
| Sumario: | En geología, la clasificación de las rocas ígneas, sedimentarias y metamórficas en distintas escalas es esencial para el estudio de una región. Los avances tecnológicos han permitido incorporar herramientas que facilitan estos procesos de observación y análisis, beneficiando tanto la formación de profesionales como el acceso al conocimiento geológico para todos los interesados. Como parte de las herramientas de machine learning, las Convolutional Neural Networks se destacan para identificar y priorizar características de objetos en una imagen. Entre los modelos relevantes de este grupo se encuentra You Only Look Once (YOLO), los cuales sirven como base para el reentrenamiento de modelos más especializados. El objetivo de este trabajo es la creación de modelos reentrenados basados en YOLO para automatizar la identificación y clasificación de diferentes tipos de rocas.
 
Se realizó el reentrenamiento de dos arquitecturas YOLO, YOLOv8n y YOLOv8x, utilizando imágenes de muestras de rocas provenientes de repositorios en línea y del catálogo de la Escuela de Geología de la Universidad Industrial de Santander. Estas imágenes fueron verificadas y validadas bajo criterios geológicos. En cada etapa de entrenamiento se realizaron cambios a los catálogos de imágenes y parámetros de entrenamiento. La validación de los modelos entrenados se efectuó con muestras de roca de la Escuela de Geología que no fueron utilizadas en la etapa de entrenamiento. Para cuantificar la calidad de los modelos se utilizó el cálculo de la matriz de confusión normalizada en función de las etiquetas reales, obteniendo así el porcentaje de aciertos para cada tipo de roca de manera proporcional.
 
Un total de once modelos reentrenados se obtuvieron en las diferentes etapas de entrenamiento. Dos modelos lograron una mayor capacidad de generalización y obtuvieron valores superiores al 30% en la diagonal de las matrices de confusión. Otros modelos alcanzaron un valor superior al 80% para la identificación de rocas ígneas. Para la identificación de rocas sedimentarias, un modelo logró un acierto del 93%, mientras que, para las rocas metamórficas, otro obtuvo un acierto del 61%. Estos modelos pueden servir como base para desarrollar otros más complejos en proyectos específicos. Considerando que, aunque los modelos no fueron entrenados con imágenes de afloramientos, es posible estimar el tipo de roca al que pertenecen y se resalta su capacidad para extraer características básicas.
|
|---|---|
| ISSN: | 1794-1237 |