Retrouvez nos derniers résultats sur l’automatisation de la reconnaissance pétrographique des roches:
Azzam, F., Blaise, T., & Brigaud, B. (2024). Automated petrographic image analysis by supervised and unsupervised machine learning methods. Sedimentologika, 2(2). https://doi.org/10.57035/journals/sdk.2024.e22.1594
Résumé:
Les techniques d’apprentissage automatique ont été explorées dans le but d’automatiser et rendre plus rapide les études pétrographiques appliquées à la sédimentologie et diagenèse. Le travail s’est concentré sur l’utilisation d’algoritmes de segmentation des grains afin d’en extraire leurs caractéristiques. Deux nouveaux outils logiciels ont pu être mis au point (1) GrainSight, qui utilise un modèle d’apprentissage profond supervisé (FastSAM) pour la détection automatique des grains et leur caractérisation morphologique et (2) PetroSeg, qui applique une approche de segmentation non supervisée pour explorer les propriétés des roches et calculer par exemple leur porosité.
L’application GrainSight permet de caractériser la morphologie des constituants de la roche comme la taille des grains (périmètre, longueure, sphéricité) afin de rendre possible la détermination automatique de la granulométrie à partir d’une photographie de lame mince. Cette technique améliore considérablement l’efficacité et la précision d’une étude quantitative des caractéristiques de la roche par rapport aux méthodes manuelles. Le modèle FastSAM permet une détection rapide et précise des grains ainsi qu’une extraction des caractéristiques morphologiques, offrant ainsi des informations précieuses sur les environnements de dépôt, les systèmes de transport des sédiments et la qualité des réservoirs.
L’application PetroSeg propose une approche exploratoire pour la quantification de la porosité, l’identification des associations minérales et la caractérisation des domaines texturaux.
Ces deux méthodes présentent des avantages uniques et démontrent le potentiel de l’apprentissage automatique dans l’analyse pétrographique. L’utilisation de ces outils pourrait considérablement améliorer l’efficacité, l’objectivité et le traitement des données, ouvrant ainsi de nouvelles opportunités pour l’enseignement, la recherche et les applications dans divers domaines de la géologie.
Dans un esprit de partage et d’ouverture, les codes des deux applications, GrainSight et PetroSeg, sont accessibles en open source et disponibles sur recherche.data.gouv.fr.
Grainsight : https://www.data.gouv.fr/fr/datasets/grainsight/
1. Sédiments et roches détritiques, dépôts volcanoclastiques.
orcid.org/0000-0001-6961-2177