​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

  • 02/02/2021

    Четвертый совместный конкурс научных проектов РНФ и Министерства науки и технологий Тайваня (MOST)

    ​Российский научный фонд начал прием заявок на конкурс 2021 года по поддержке международных научных коллективов. Конкурс проводится совместно с Министерством науки и технологий Тайваня (MOST).  Совместный конкурс проводится организациями уже в четвертый раз.
    499
  • 30/10/2020

    В Никитском ботаническом саду проходит всероссийская конференция по геномике и биотехнологии растений

    С 28 по 31 октября Никитский ботанический сад - Национальный научный центр РАН проводит первую Всероссийскую конференцию с международным участием «Геномика и современные биотехнологии в размножении, селекции и сохранении растений» (GenBio2020).
    787
  • 15/09/2020

    Конкурс по поддержке фундаментальных и поисковых исследований отдельных научных групп в 2021-2023 гг

    ​​​Российский научный фонд извещает о проведении открытого публичного конкурса на получение грантов Фонда по приоритетному направлению деятельности Российского научного фонда «Проведение фундаментальных научных исследований и поисковых научных исследований отдельными научными группами».
    884
  • 07/10/2020

    Конкурс 2020 года на издание лучших научно-популярных трудов

    ​​Российский фонд фундаментальных исследований (РФФИ) объявляет о проведении конкурса на издание лучших научно-популярных трудов. Код конкурса: «д_нпи».  Задача конкурса – поддержка проектов, направленных на издание и распространение информации о результатах фундаментальных научных исследований в научно-популярной форме.
    1013
  • 03/02/2021

    «Это очень российский проект»

    ​Президент РАН академик Александр Михайлович Сергеев ознакомился с началом реализации крупного научного проекта по приоритетным направлениям научно-технологического развития (стомиллионника) по теме «Социально-экономическое развитие Азиатской России на основе синергии транспортной доступности, системных знаний о природно-ресурсном потенциале, расширяющегося пространства межрегиональных взаимодействий».
    2140
  • 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.
    502
  • 05/02/2021

    Научные фонды России и Ирана поддержат 40 проектов учёных двух стран

    ​Российский фонд фундаментальных исследований и Национальный научный фонд Ирана профинансируют 40 проектов ученых двух стран. Программы посвящены, в частности, изучению Каспийского моря и коронавирусной инфекции.
    722
  • 11/12/2020

    О приеме материалов кандидатов на должности руководителей 17 научных организаций, подведомственных Минобрнауки

    ​​​Министерство науки и высшего образования Российской Федерации в соответствии с постановлением Правительства Российской Федерации от 5 июня 2014 г. № 521 «Об утверждении Положения о порядке и сроках согласования и утверждения кандидатур на должность руководителя научной организации, находившейся в ведении Федерального агентства научных организаций» и на основании приказа Минобрнауки России от 4 декабря 2020 г.
    557
  • 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.
    285
  • 01/10/2020

    В Минобрнауки России разработали проект концепции научного обеспечения выполнения Доктрины продовольственной безопасности РФ

    Документ ориентирован на один из ключевых параметров Доктрины – достижение уровня 75% обеспеченности семенами отечественной селекции – и содержит меры по введению высокого агротехнического стандарта в селекции и семеноводстве по каждой стратегической сельскохозкультуре, а также переход на единые цифровые решения, создание Центра анализа генома и другие.
    892