Impact de la stratégie d'augmentation de l'espace de données sur la précision et la généralisation des modèles en classification de lames minces

Pourquoi des images de roches mieux conçues comptent

En profondeur, la façon dont les roches sont agencées contrôle où l'eau, le pétrole, le gaz et même le dioxyde de carbone peuvent circuler ou être stockés. Les géologues étudient des tranches de roche ultra‑fines au microscope pour lire cette architecture cachée. De plus en plus, on entraîne des ordinateurs à reconnaître les types de roches à partir de telles images. Cet article pose une question apparemment simple aux conséquences pratiques importantes : lorsque nous agrandissons artificiellement ces collections d'images par « augmentation de données », rendons‑nous vraiment l'ordinateur plus intelligent — ou parfois le dégradons‑nous ?

Apprendre aux ordinateurs avec peu de photos de roche

Former un système de reconnaissance d'images demande généralement des milliers d'exemples. En géologie, rassembler autant d'images microscopiques est lent et coûteux : les échantillons doivent être forés, découpés, polis et photographiés, et de nombreuses bases de données sont confidentielles. Les auteurs ont travaillé avec un corpus réaliste de 34 775 images microscopiques de lames minces, réparties en 36 catégories de roches telles que grès, calcaire et basalte. Ils ont aussi défini une version « données limitées » plus petite, avec seulement 100 images d'entraînement et 50 images de validation par classe, pour imiter la situation fréquente de rareté des données.

Étirer les données sans casser les roches

Pour compenser le manque d'images, les chercheurs créent souvent des copies modifiées des originaux — retournements, translations, rotations, zooms ou mélanges d'images — afin d'aider un modèle à ignorer des différences non pertinentes. Cette étude a comparé deux grandes approches. Dans l'augmentation statique, des images supplémentaires sont créées et sauvegardées avant l'entraînement, agrandissant de façon permanente le jeu de données. Dans l'augmentation dynamique, l'ordinateur génère des transformations aléatoires à la volée pendant l'entraînement, si bien qu'à chaque passe il peut voir une version légèrement différente de la même roche. L'équipe a exploré 133 configurations de transformation détaillées — allant de simples symétries à des zooms et rotations extrêmes, ainsi que des techniques avancées de « mélange d'images » où deux roches sont mathématiquement assemblées ou fusionnées.

Tester cinq cerveaux

Les chercheurs ont entraîné cinq réseaux de neurones convolutionnels différents : trois architectures bien connues pré‑entraînées sur des photographies ordinaires, et deux modèles plus simples construits de zéro. Sur 691 expériences distinctes, ils ont mesuré la fréquence à laquelle chaque modèle classait correctement les images de validation après application de différentes stratégies d'augmentation. Sans aucune augmentation et avec beaucoup de données, le meilleur réseau pré‑entraîné atteignait déjà environ 98–99 % de précision. Avec l'ensemble d'entraînement réduit, la précision chutait, rendant l'augmentation potentiellement utile — mais les résultats montrent que toutes les données supplémentaires ne sont pas bénéfiques.

Quand plus de variété nuit plutôt qu'elle n'aide

La découverte la plus marquante est que l'augmentation est une arme à double tranchant. Beaucoup d'astuces géométriques couramment utilisées, notamment les zooms importants et les grandes rotations, réduisaient en réalité la précision, parfois de façon drastique, lorsqu'elles étaient appliquées de manière dynamique pendant l'entraînement. Ces opérations peuvent étirer ou flouter les minuscules grains minéraux et textures qui portent l'information géologique essentielle, apprenant au modèle à privilégier des motifs qui n'existent pas dans les échantillons réels. L'augmentation statique, où les images transformées sont fixes et réutilisées de façon cohérente, a généralement conduit à des résultats plus stables et parfois meilleurs. Les retournements simples et les petits décalages se sont révélés sûrs, mais les transformations agressives sont risquées sauf si elles sont strictement contrôlées.

Mélanger les images pour améliorer la généralisation

Les méthodes les plus prometteuses étaient les techniques de mélange d'images linéaires et non linéaires, qui combinent deux images de roche pour créer un nouvel exemple d'entraînement. Les variantes qui faisaient la moyenne, tuilaient ou fusionnaient les images pixel par pixel préservaient ou améliorèrent systématiquement la précision, surtout pour le jeu de données réduit. Un modèle entraîné avec de telles images mixtes statiques généralisait mieux à des données inédites, y compris des images de roche synthétiques générées par un autre système d'IA et des roches réelles traitées de manière inhabituelle, par exemple avec l'arrière‑plan retiré ou avec des distorsions complexes. Remarquablement, ce modèle augmenté, entraîné sur bien moins d'images originales, surpassait parfois un modèle beaucoup plus volumineux entraîné sur l'ensemble complet non augmenté.

Ce que cela implique pour l'IA géologique future

Pour les non‑spécialistes, le message clé est que « plus de données » créées par de simples manipulations d'images ne rend pas automatiquement un système d'IA plus fiable. Dans les textures délicates des roches microscopiques, certaines distorsions peuvent effacer précisément les caractéristiques que les géologues recherchent. Cette étude montre que des augmentations statiques choisies avec soin et des mélanges d'images réfléchis peuvent compenser en partie le manque de données et améliorer la capacité des modèles à traiter des images nouvelles ou inattendues. Dans le même temps, l'utilisation sans critique de transformations dynamiques agressives peut éroder discrètement la précision. Autrement dit, pour la classification automatisée des roches — et probablement pour de nombreuses tâches d'imagerie scientifique — la manière dont nous fabriquons de nouvelles images d'entraînement compte autant que leur nombre.

Citation: Habrat, M., Młynarczuk, M. Impact of data space augmentation strategy on model accuracy and generalization in thin-section rock classification. Sci Rep 16, 13927 (2026). https://doi.org/10.1038/s41598-026-44320-y

Mots-clés: microscopie des roches, augmentation de données, IA en géologie, classification d'images, lames minces