​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 часто приводят к ошибкам. 

Предложенный учеными 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 Института 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. 

обработка_изобр.jpg ​
Пример обработки изображений: оригинальное трехмерное изображение почвы (рентгеновская томография) и сегментированное с помощью нейронной сети. 
Источник: Lavrukhin et al. / Soil and Tillage Research, 2021 
«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 требует 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. 

Информация и фото предоставлены пресс-службой Российского научного фонда 

Фото1: Схема архитектуры нейронной сети ResNet-101 + U-net для анализа РКТ-изображений почвы. Источник: Lavrukhin et al. / Soil and Tillage Research, 2021 


Источники

Нейросеть научили определять пористость почвы на изображениях рентгеновской томографии
ИКС (iksmedia.ru), 02/03/2021
Нейросеть научили определять свойства почв по рентгеновской томографии
ТАСС, 02/03/2021
Нейронную сеть научили определять пористость почвы на изображениях рентгеновской томографии
Научная Россия (scientificrussia.ru), 02/03/2021
Нейронную сеть научили определять пористость почвы на изображениях рентгеновской томографии
Российский научный фонд (rscf.ru), 02/03/2021
Нейросеть научили определять свойства почв по рентгеновской томографии
Российский научный фонд (rscf.ru), 02/03/2021
Нейросеть научили определять свойства почв по рентгеновской томографии
Российский научный фонд (рнф.рф), 02/03/2021
Нейронную сеть научили определять пористость почвы на изображениях рентгеновской томографии
Агро XXI (agroxxi.ru), 04/03/2021
Нейросеть научили определять пористость почвы по результатам томографии
Газета.Ru, 04/03/2021
Нейросеть научили определять пористость почвы по результатам томографии
News-Life (news-life.pro), 04/03/2021
Нейронную сеть научили определять пористость почвы на изображениях рентгеновской томографии
Индикатор (indicator.ru), 08/03/2021

Похожие новости

  • 30/12/2020

    Топ-30 разработок сибирских ученых в 2020 году

    ​На портале «Новости сибирской науки» можно познакомиться с инновациями и последними достижениями сибирских ученых. Сегодня мы предлагаем вашему вниманию Топ-30 сообщений о наиболее значимых и интересных научных разработках 2020 года, размещенных на нашем сайте.
    2081
  • 15/12/2020

    Циклодроны и циклокары — будущая основа российской аэромобильности

    ​Как скоро тяжелый монотонный труд сельского работника на ниве станет только фитнесом и будет продолжаться по желанию? Какова бюрократическая ситуация вокруг инициативы заменить рутинную работу на программу для робота? Наконец, кто на всем этом будет летать?  Интервью с руководителем проектной группы физико-технического направления Фонда перспективных исследований Яном Чибисовым.
    526
  • 10/02/2021

    ИСЗФ СО РАН вошел в консорциум «Космические лучи и элементарные частицы»

    ​Институт солнечно-земной физики СО РАН (Иркутск) вошел в консорциум «Космические лучи и элементарные частицы», создание которого инициировал Национальный исследовательский ядерный университет «МИФИ» с целью организации единого пространства в области физики космических лучей и элементарных частиц и координации фундаментальных и прикладных исследований.
    291
  • 01/04/2021

    Деформации требуют обследования

    Тумэн Чимитдоржиев, доктор технических наук, профессор Российской академии наук. – Тумэн Намжилович, вы заявили, что в районе Байкала происходит деформация земли и что она может угрожать железным дорогам.
    176
  • 15/09/2020

    «Дети» звезд: проект по изучению экзопланет

    Исследования планет за пределами Солнечной системы – относительно новая область науки, которая появилась совсем недавно. Первую экзопланету открыли 28 лет назад. Сегодня, благодаря специализированным космическим телескопам и наземным наблюдениям, обнаружено и подтверждено существование более 4 000 планет, и это число увеличивается с каждым днем.
    933
  • 09/02/2021

    Наука для экономики. Чем живёт сфера открытий в Омске

    Омский научный центр создан в регионе чуть больше 30 лет назад. Появление центра стало промежуточным этапом развития омской академической науки. Разработки  омских учёных стартовали много раньше: сначала появились лаборатории и филиалы институтов Новосибирского академгородка.
    344
  • 01/02/2021

    Тувинский научный центр: достижения и перспективы

    Тувинский научный центр основан на базе Убсунурского международного центра биосферных исследований в 2018 году. Руководит им доктор биологических наук Чойган Николаевна Самбыла, деловой и целеустремленный характер которой помогает в разработке и реализации новых идей и проектов.
    375
  • 07/04/2021

    Денис Бочкарев: Сельскому хозяйству Забайкалья необходимо научное сопровождение

    ​Потенциал научного сообщества необходимо использовать в целях развития агропромышленного комплекса Забайкальского края,заявил министр сельского хозяйства региона Денис Бочкарев говорил на рабочей встрече с директором Сибирского федерального научного центра агробиотехнологий Российской академии наук Кириллом Голохвастом.
    146
  • 13/01/2021

    Академику Анатолию Николаевичу Коновалову 85 лет

    ​Анатолий Николаевич Коновалов родился 13 января 1936 года в Ростове-на-Дону.В 1958 году окончил с отличием Уральский государственный университет им. А.М. Горького (г. Свердловск). Один год учился в очной аспирантуре, затем перевелся в заочную аспирантуру и поступил на работу во Всесоюзный НИИ технической физики (п/я 150, г.
    424
  • 16/02/2021

    Ключевые результаты в сфере науки Алтайского края в 2020 году

    Научный комплекс Алтайского края сегодня представлен 4 научно-исследовательскими институтами, в числе которых 2 учреждения Сибирского отделения Российской академии наук и Федеральный Алтайский научный центр агробиотехнологий.
    487