Titulo:
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas
.
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... Ver más
Guardado en:
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
| id |
metarevistapublica_eia_revistaeia_10-article-1813 |
|---|---|
| record_format |
ojs |
| spelling |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer New York. https://doi.org/10.1007/978-0-387-84858-7 Pratama, B. G., Qodri, M. F., & Sugarbo, O. (2023). Building YoloV4 Models for Identification of Rock Minerals in Thin Section. IOP Conference Series: Earth and Environmental Science, 1151(1), 012046. https://doi.org/10.1088/1755- 1315/1151/1/012046 Patro, S., Jhariya, D. C., Sahu, M., Dewangan, P., & Dhekne, P. Y. (2022). Igneous Rock Cclassification Using Convolutional Neural Networks (CNN). IOP Conference Series: Earth and Environmental Science, 1032(1), 012045. https://doi. org/10.1088/1755-1315/1032/1/012045 Młynarczuk, M., Górszczyk, A., & Ślipek, B. (2013). The Application of Pattern Recognition in the Automatic Classification of Microscopic Rock Images. Computers & Geosciences, 60, 126–133. https://doi.org/10.1016/j. cageo.2013.07.015 MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press, Cambridge. Liu, X., Wang, H., Jing, H., Shao, A., & Wang, L. (2020). Research on Intelligent Identification of Rock Types Based on Faster R-CNN Method. IEEE Access, 8, 21804–21812. https://doi.org/10.1109/ACCESS.2020.2968515 Li, J., Wu, Z., & Shen, Z. (2022). Open the Black Box – Visualising CNN to Understand Its Decisions on Road Network Performance Level. Promet, 34(4). https://doi. org/10.7307/ptt.v34i4.4037 Hussain, M., Bird, J. J., & Faria, D. R. (2019). A Study on CNN Transfer Learning for Image Classification (pp. 191–202). https://doi.org/10.1007/978-3-319- 97982-3_16 Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8. https://github.com/ ultralytics/ultralytics Kawaguchi, K., Huang, J., & Kaelbling, L. P. (2019). Every Local Minimum Value Is the Global Minimum Value of Induced Model in Nonconvex Machine Learning. Neural Computation, 31(12), 2293–2323. https://doi.org/10.1162/ neco_a_01234 Han, Z., Fang, Z., Li, Y., & Fu, B. (2023). A novel Dynahead-Yolo Neural Network for the Detection of Landslides with Variable Proportions Wsing Remote Sensing Images. Frontiers in Earth Science, 10. https://doi.org/10.3389/ feart.2022.1077153 Rodríguez-Guillen, R., Kern, J., & Urrea, C. (2024). Fast Rock Detection in Visually Contaminated Mining Environments Using Machine Learning and Deep Learning Techniques. Applied Sciences, 14(2), 731. https://doi.org/10.3390/ app14020731 Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble Evaluación de la Susceptibilidad por Movimientos en Masa Basada en Redes Neuronales Artificiales y Pesos de Evidencia. Boletín de Geología, 43(1). https://doi. org/10.18273/revbol.v43n1-2021009 Gómez, J., Sánchez, J., Ocampo, A., & Restrepo, J. W. (2013). Aplicación de Redes Neuronales en la Clasificación de Arcillas. Revista EIA, 9(17), 183–191. https:// revistas.eia.edu.co/index.php/reveia/article/view/459 García-Arias, S., Velandia, F., Sanabria Gómez, J. D., & Ulloque Ardila, M. T. (2024). Mapas Predictivos con Redes Neuronales a Partir de Propiedades Físicas de Las Rocas: Caso de Estudio en la Mesa de Los Santos (Santander). Revista EIA, 21(41). https://doi.org/10.24050/reia.v21i41.1731 Dramsch, J. S. (2020). 70 Years of Machine Learning in Geoscience in Review. En Advances in Geophysics (pp. 1–55). Elsevier Inc. https://doi.org/10.1016/ bs.agph.2020.08.002 Cracknell, M. J. (2014). Machine Learning for Geological Mapping: Algorithms and Applications [Submitted in fulfilment of the requirements for the degree of Doctor of Philosophy, University of Tasmania]. https://doi.org/https://doi. org/10.25959/23236064.v1 Cheng, G., & Guo, W. (2017). Rock Images Classification by Using Deep Convolution Neural Network. Journal of Physics: Conference Series, 887, 012089. https://doi. org/10.1088/1742-6596/887/1/012089 Carolis, B. De, Ladogana, F., & Macchiarulo, N. (2020). YOLO TrashNet: Garbage Detection in Video Streams. 2020 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1–7. https://doi.org/10.1109/ EAIS48028.2020.9122693 Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., S.Corrado, G., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Zenodo. https://doi. org/10.5281/zenodo.12119782 Redmon, J., Divvala, S. K., Girshick, R. B., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. CoRR, abs/1506.02640. http://arxiv.org/ abs/1506.02640 Rohwer, R., Wynne-Jones, M., & Wysotzki, F. (1994). Neural Networks. En Machine Learning, Neural and Statistical Classification (pp. 84–106). Ellis Horwood. https://creativecommons.org/licenses/by-nc-nd/4.0 http://purl.org/coar/resource_type/c_6501 Text http://purl.org/coar/access_right/c_abf2 info:eu-repo/semantics/openAccess http://purl.org/coar/version/c_970fb48d4fbd8a85 info:eu-repo/semantics/publishedVersion http://purl.org/redcol/resource_type/ART http://purl.org/coar/resource_type/c_2df8fbb1 info:eu-repo/semantics/article Rojas, R. (1996). Neural Networks. Springer Berlin Heidelberg. https://doi. org/10.1007/978-3-642-61068-4 Xin, M., & Wang, Y. (2019). Research on Image Classification Model Based on Deep Convolution Neural Network. EURASIP Journal on Image and Video Processing, 2019(1), 40. https://doi.org/10.1186/s13640-019-0417-8 Wada, K., mpitid, Buijs, M., N., Z. Ch., Kubovčík, Bc. M., Myczko, A., latentix, Zhu, L., Yamaguchi, N., Fujii, S., iamgd67, IlyaOvodov, Patel, A., Clauss, C., Kuroiwa, E., Iyengar, R., Shilin, S., Malygina, T., … Toft, H. (2021). wkentaro/labelme: v4.6.0. Zenodo. https://doi.org/10.5281/zenodo.5711226 Van der Baan, M., & Jutten, C. (2000). Neural Networks in Geophysical Applications. GEOPHYSICS, 65(4), 1032–1047. https://doi.org/10.1190/1.1444797 Tarbuck, E. J., & Lutgens, F. K. (2005). Ciencias de la Tierra: una Introducción a la Geología Física (8a ed.). Pearson Educación S. A. Szandała, T. (2023). Unlocking the Black Box of CNNs: Visualising the Decision- Making Process with PRISM. Information Sciences, 642, 119162. https://doi. org/10.1016/j.ins.2023.119162 Ślipek, B., & Młynarczuk, M. (2013). Application of Pattern Recognition Methods to Automatic Identification of Microscopic Images of Rocks Registered Under Different Polarization and Lighting Conditions. Geology, Geophysics & Environment, 39(4), 373. https://doi.org/10.7494/geol.2013.39.4.373 Srinivas Amiripalli, S., Nageshwara Rao, G., Behara, J., Sanjay Krishna, K., & Pavan Venkat Durga Ram, M. (2021). Mineral Rock Classification Using Convolutional Neural Network. https://doi.org/10.3233/APC210235 Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., & Summers, R. M. (2016). Deep Convolutional Neural Networks for Computer- Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, 35(5), 1285–1298. https:// doi.org/10.1109/TMI.2016.2528162 Saxena, N., Day-Stirrat, R. J., Hows, A., & Hofmann, R. (2021). Application of Deep Learning for Semantic Segmentation of Sandstone Thin Sections. Computers & Geosciences, 152, 104778. https://doi.org/10.1016/j.cageo.2021.104778 Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0. Revista EIA - 2024 Español Núm. 43 , Año 2025 : Tabla de contenido Revista EIA No. 43 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. García-Arias, Sergio Velandia Patiño, Francisco Alberto yolo aprendizaje profundo modelo de clasificación Segmentación transfer learning hidrogeología RECONOCIMIENTO DE PATRONES muestras de roca procesamiento de imágenes 22 43 petrografía Artículo de revista Fondo Editorial EIA - Universidad EIA https://revistas.eia.edu.co/index.php/reveia/article/view/1813 Revista EIA Publication application/pdf petrography Convolutional Neural Network models as a tool for automating rock classification Classifying rocks into igneous, sedimentary, and metamorphic types at different scales is essential for studying a region. Technological advancements facilitate these observation and analysis processes, benefiting both the training of professionals and the accessibility of geological knowledge for all interested parties. As one of the machine learning tools, Convolutional Neural Networks (CNNs) excel in identifying and prioritizing object features in an image. Among the relevant models in this group is You Only Look Once (YOLO), which serves as a foundation for retraining more specialized models. This work aims to create retrained models based on YOLO to automate identifying and classifying different types of rocks.   Two YOLO architectures, YOLOv8n and YOLOv8x were retrained using rock sample images from online repositories and the catalog of the School of Geology of the Universidad Industrial de Santander. These images were verified and validated based on geological criteria. Throughout each training stage, changes were made to the image catalogs and training parameters. The validation of the trained models was performed using rock samples from the School of Geology that were not used in the training. To quantify the quality of the models, the calculation of the normalized confusion matrix was used based on the actual labels, thereby obtaining the percentage of correct identifications for each rock type proportionally.   A total of eleven retrained models were obtained during the different training stages. Two models achieved a higher generalization capacity, obtained values greater than 30% on the diagonal of the confusion matrices. Other two models reached values greater than 80% for identifying igneous rocks. For sedimentary rocks, one model achieved an accuracy of 93%, while for metamorphic rocks, another obtained an accuracy of 61%. These models can serve as a foundation for developing more complex models for specific projects. Even though they were not trained with outcrop images, it is possible to estimate the type of rock they belong to, highlighting the capability of these models to extract basic features. yolo deep learning classification model segmentation transfer learning geology pattern recognition Journal article image processing rock samples https://doi.org/10.24050/reia.v22i43.1813 https://revistas.eia.edu.co/index.php/reveia/article/download/1813/1653 28 2025-01-01 10:43:22 2463-0950 1794-1237 4317 pp. 1 10.24050/reia.v22i43.1813 2025-01-01 10:43:22 2025-01-01 |
| institution |
UNIVERSIDAD EIA |
| thumbnail |
https://nuevo.metarevistas.org/UNIVERSIDADEIA/logo.png |
| country_str |
Colombia |
| collection |
Revista EIA |
| title |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| spellingShingle |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas García-Arias, Sergio Velandia Patiño, Francisco Alberto yolo aprendizaje profundo modelo de clasificación Segmentación transfer learning hidrogeología RECONOCIMIENTO DE PATRONES muestras de roca procesamiento de imágenes petrografía petrography yolo deep learning classification model segmentation transfer learning geology pattern recognition image processing rock samples |
| title_short |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| title_full |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| title_fullStr |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| title_full_unstemmed |
Modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| title_sort |
modelos de redes neuronales convolucionales como herramienta para automatizar la clasificación de rocas |
| title_eng |
Convolutional Neural Network models as a tool for automating rock classification |
| description |
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.
|
| description_eng |
Classifying rocks into igneous, sedimentary, and metamorphic types at different scales is essential for studying a region. Technological advancements facilitate these observation and analysis processes, benefiting both the training of professionals and the accessibility of geological knowledge for all interested parties. As one of the machine learning tools, Convolutional Neural Networks (CNNs) excel in identifying and prioritizing object features in an image. Among the relevant models in this group is You Only Look Once (YOLO), which serves as a foundation for retraining more specialized models. This work aims to create retrained models based on YOLO to automate identifying and classifying different types of rocks.
 
Two YOLO architectures, YOLOv8n and YOLOv8x were retrained using rock sample images from online repositories and the catalog of the School of Geology of the Universidad Industrial de Santander. These images were verified and validated based on geological criteria. Throughout each training stage, changes were made to the image catalogs and training parameters. The validation of the trained models was performed using rock samples from the School of Geology that were not used in the training. To quantify the quality of the models, the calculation of the normalized confusion matrix was used based on the actual labels, thereby obtaining the percentage of correct identifications for each rock type proportionally.
 
A total of eleven retrained models were obtained during the different training stages. Two models achieved a higher generalization capacity, obtained values greater than 30% on the diagonal of the confusion matrices. Other two models reached values greater than 80% for identifying igneous rocks. For sedimentary rocks, one model achieved an accuracy of 93%, while for metamorphic rocks, another obtained an accuracy of 61%. These models can serve as a foundation for developing more complex models for specific projects. Even though they were not trained with outcrop images, it is possible to estimate the type of rock they belong to, highlighting the capability of these models to extract basic features.
|
| author |
García-Arias, Sergio Velandia Patiño, Francisco Alberto |
| author_facet |
García-Arias, Sergio Velandia Patiño, Francisco Alberto |
| topicspa_str_mv |
yolo aprendizaje profundo modelo de clasificación Segmentación transfer learning hidrogeología RECONOCIMIENTO DE PATRONES muestras de roca procesamiento de imágenes petrografía |
| topic |
yolo aprendizaje profundo modelo de clasificación Segmentación transfer learning hidrogeología RECONOCIMIENTO DE PATRONES muestras de roca procesamiento de imágenes petrografía petrography yolo deep learning classification model segmentation transfer learning geology pattern recognition image processing rock samples |
| topic_facet |
yolo aprendizaje profundo modelo de clasificación Segmentación transfer learning hidrogeología RECONOCIMIENTO DE PATRONES muestras de roca procesamiento de imágenes petrografía petrography yolo deep learning classification model segmentation transfer learning geology pattern recognition image processing rock samples |
| citationvolume |
22 |
| citationissue |
43 |
| citationedition |
Núm. 43 , Año 2025 : Tabla de contenido Revista EIA No. 43 |
| publisher |
Fondo Editorial EIA - Universidad EIA |
| ispartofjournal |
Revista EIA |
| source |
https://revistas.eia.edu.co/index.php/reveia/article/view/1813 |
| language |
Español |
| format |
Article |
| rights |
https://creativecommons.org/licenses/by-nc-nd/4.0 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 |
| references |
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning. Springer New York. https://doi.org/10.1007/978-0-387-84858-7 Pratama, B. G., Qodri, M. F., & Sugarbo, O. (2023). Building YoloV4 Models for Identification of Rock Minerals in Thin Section. IOP Conference Series: Earth and Environmental Science, 1151(1), 012046. https://doi.org/10.1088/1755- 1315/1151/1/012046 Patro, S., Jhariya, D. C., Sahu, M., Dewangan, P., & Dhekne, P. Y. (2022). Igneous Rock Cclassification Using Convolutional Neural Networks (CNN). IOP Conference Series: Earth and Environmental Science, 1032(1), 012045. https://doi. org/10.1088/1755-1315/1032/1/012045 Młynarczuk, M., Górszczyk, A., & Ślipek, B. (2013). The Application of Pattern Recognition in the Automatic Classification of Microscopic Rock Images. Computers & Geosciences, 60, 126–133. https://doi.org/10.1016/j. cageo.2013.07.015 MacKay, D. J. C. (2003). Information Theory, Inference, and Learning Algorithms. Cambridge University Press, Cambridge. Liu, X., Wang, H., Jing, H., Shao, A., & Wang, L. (2020). Research on Intelligent Identification of Rock Types Based on Faster R-CNN Method. IEEE Access, 8, 21804–21812. https://doi.org/10.1109/ACCESS.2020.2968515 Li, J., Wu, Z., & Shen, Z. (2022). Open the Black Box – Visualising CNN to Understand Its Decisions on Road Network Performance Level. Promet, 34(4). https://doi. org/10.7307/ptt.v34i4.4037 Hussain, M., Bird, J. J., & Faria, D. R. (2019). A Study on CNN Transfer Learning for Image Classification (pp. 191–202). https://doi.org/10.1007/978-3-319- 97982-3_16 Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8. https://github.com/ ultralytics/ultralytics Kawaguchi, K., Huang, J., & Kaelbling, L. P. (2019). Every Local Minimum Value Is the Global Minimum Value of Induced Model in Nonconvex Machine Learning. Neural Computation, 31(12), 2293–2323. https://doi.org/10.1162/ neco_a_01234 Han, Z., Fang, Z., Li, Y., & Fu, B. (2023). A novel Dynahead-Yolo Neural Network for the Detection of Landslides with Variable Proportions Wsing Remote Sensing Images. Frontiers in Earth Science, 10. https://doi.org/10.3389/ feart.2022.1077153 Rodríguez-Guillen, R., Kern, J., & Urrea, C. (2024). Fast Rock Detection in Visually Contaminated Mining Environments Using Machine Learning and Deep Learning Techniques. Applied Sciences, 14(2), 731. https://doi.org/10.3390/ app14020731 Goyes-Peñafiel, P., & Hernandez-Rojas, A. (2021). Doble Evaluación de la Susceptibilidad por Movimientos en Masa Basada en Redes Neuronales Artificiales y Pesos de Evidencia. Boletín de Geología, 43(1). https://doi. org/10.18273/revbol.v43n1-2021009 Gómez, J., Sánchez, J., Ocampo, A., & Restrepo, J. W. (2013). Aplicación de Redes Neuronales en la Clasificación de Arcillas. Revista EIA, 9(17), 183–191. https:// revistas.eia.edu.co/index.php/reveia/article/view/459 García-Arias, S., Velandia, F., Sanabria Gómez, J. D., & Ulloque Ardila, M. T. (2024). Mapas Predictivos con Redes Neuronales a Partir de Propiedades Físicas de Las Rocas: Caso de Estudio en la Mesa de Los Santos (Santander). Revista EIA, 21(41). https://doi.org/10.24050/reia.v21i41.1731 Dramsch, J. S. (2020). 70 Years of Machine Learning in Geoscience in Review. En Advances in Geophysics (pp. 1–55). Elsevier Inc. https://doi.org/10.1016/ bs.agph.2020.08.002 Cracknell, M. J. (2014). Machine Learning for Geological Mapping: Algorithms and Applications [Submitted in fulfilment of the requirements for the degree of Doctor of Philosophy, University of Tasmania]. https://doi.org/https://doi. org/10.25959/23236064.v1 Cheng, G., & Guo, W. (2017). Rock Images Classification by Using Deep Convolution Neural Network. Journal of Physics: Conference Series, 887, 012089. https://doi. org/10.1088/1742-6596/887/1/012089 Carolis, B. De, Ladogana, F., & Macchiarulo, N. (2020). YOLO TrashNet: Garbage Detection in Video Streams. 2020 IEEE Conference on Evolving and Adaptive Intelligent Systems (EAIS), 1–7. https://doi.org/10.1109/ EAIS48028.2020.9122693 Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., S.Corrado, G., Davis, A., Dean, J., Devin, M., Ghemawat, S., Goodfellow, I., Harp, A., Irving, G., Isard, M., Jia, Y., Jozefowicz, R., Kaiser, L., Kudlur, M., … Zheng, X. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Zenodo. https://doi. org/10.5281/zenodo.12119782 Redmon, J., Divvala, S. K., Girshick, R. B., & Farhadi, A. (2015). You Only Look Once: Unified, Real-Time Object Detection. CoRR, abs/1506.02640. http://arxiv.org/ abs/1506.02640 Rohwer, R., Wynne-Jones, M., & Wysotzki, F. (1994). Neural Networks. En Machine Learning, Neural and Statistical Classification (pp. 84–106). Ellis Horwood. Rojas, R. (1996). Neural Networks. Springer Berlin Heidelberg. https://doi. org/10.1007/978-3-642-61068-4 Xin, M., & Wang, Y. (2019). Research on Image Classification Model Based on Deep Convolution Neural Network. EURASIP Journal on Image and Video Processing, 2019(1), 40. https://doi.org/10.1186/s13640-019-0417-8 Wada, K., mpitid, Buijs, M., N., Z. Ch., Kubovčík, Bc. M., Myczko, A., latentix, Zhu, L., Yamaguchi, N., Fujii, S., iamgd67, IlyaOvodov, Patel, A., Clauss, C., Kuroiwa, E., Iyengar, R., Shilin, S., Malygina, T., … Toft, H. (2021). wkentaro/labelme: v4.6.0. Zenodo. https://doi.org/10.5281/zenodo.5711226 Van der Baan, M., & Jutten, C. (2000). Neural Networks in Geophysical Applications. GEOPHYSICS, 65(4), 1032–1047. https://doi.org/10.1190/1.1444797 Tarbuck, E. J., & Lutgens, F. K. (2005). Ciencias de la Tierra: una Introducción a la Geología Física (8a ed.). Pearson Educación S. A. Szandała, T. (2023). Unlocking the Black Box of CNNs: Visualising the Decision- Making Process with PRISM. Information Sciences, 642, 119162. https://doi. org/10.1016/j.ins.2023.119162 Ślipek, B., & Młynarczuk, M. (2013). Application of Pattern Recognition Methods to Automatic Identification of Microscopic Images of Rocks Registered Under Different Polarization and Lighting Conditions. Geology, Geophysics & Environment, 39(4), 373. https://doi.org/10.7494/geol.2013.39.4.373 Srinivas Amiripalli, S., Nageshwara Rao, G., Behara, J., Sanjay Krishna, K., & Pavan Venkat Durga Ram, M. (2021). Mineral Rock Classification Using Convolutional Neural Network. https://doi.org/10.3233/APC210235 Shin, H.-C., Roth, H. R., Gao, M., Lu, L., Xu, Z., Nogues, I., Yao, J., Mollura, D., & Summers, R. M. (2016). Deep Convolutional Neural Networks for Computer- Aided Detection: CNN Architectures, Dataset Characteristics and Transfer Learning. IEEE Transactions on Medical Imaging, 35(5), 1285–1298. https:// doi.org/10.1109/TMI.2016.2528162 Saxena, N., Day-Stirrat, R. J., Hows, A., & Hofmann, R. (2021). Application of Deep Learning for Semantic Segmentation of Sandstone Thin Sections. Computers & Geosciences, 152, 104778. https://doi.org/10.1016/j.cageo.2021.104778 |
| type_driver |
info:eu-repo/semantics/article |
| type_coar |
http://purl.org/coar/resource_type/c_6501 |
| type_version |
info:eu-repo/semantics/publishedVersion |
| type_coarversion |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
| type_content |
Text |
| publishDate |
2025-01-01 |
| date_accessioned |
2025-01-01 10:43:22 |
| date_available |
2025-01-01 10:43:22 |
| url |
https://revistas.eia.edu.co/index.php/reveia/article/view/1813 |
| url_doi |
https://doi.org/10.24050/reia.v22i43.1813 |
| issn |
1794-1237 |
| eissn |
2463-0950 |
| doi |
10.24050/reia.v22i43.1813 |
| citationstartpage |
4317 pp. 1 |
| citationendpage |
28 |
| url3_str_mv |
https://revistas.eia.edu.co/index.php/reveia/article/download/1813/1653 |
| _version_ |
1823468040723890176 |