薄片岩石画像分類のためのハイブリッド局所-全体特徴注意ネットワーク

なぜ賢い岩石画像が重要なのか

地下深くに埋まった岩石は、トンネルの安全な位置、地下水の所在、あるいは新たな油・ガス資源の手がかりを示します。地質学者はこれらの岩石を顕微鏡で薄くスライスした薄片を観察しますが、何千枚もの画像を手作業で丁寧にラベリングするのは時間がかかり、主観が入ります。本研究はHFANetと呼ばれる新しい人工知能システムを紹介します。これは薄片画像から岩石タイプをほぼ完全に近い精度で認識することを学習し、地質調査の速度を上げ、一貫性を高める可能性があります。

全体像と微細構造を同時に見る

多くのコンピュータビジョンツールは、広いパターンを捉えるのが得意だったり、細部に注目するのが得意だったりして、両方を同時にこなすのは苦手です。薄片は特に扱いが難しく、砂岩、溶岩、変成岩は拡大・縮小の仕方によって紛らわしく見えることがあります。HFANetはこの課題に対し、問題を二つの補完的な視点に分けて取り組みます。ネットワークの一方の枝は画像全体を見て、視野全体にわたる構造や鉱物パターンを捉えます。もう一方の枝は画像を小さなパッチに分割し、各領域のテクスチャ、粒界、微小な割れ目を詳細に検査します。

注意すべき箇所をネットワークに教える

単に二つの枝を並列で動かすだけでは不十分で、それらが相互に情報を交換する必要があります。HFANetは注意機構を使います。これはモデルにとって、どの画像領域が判断に最も重要かを示す数学的な道具です。まず、パッチに注目した枝が、パッチ同士が互いに「注目」することで、どの局所領域が有益な情報を持っているかを学びます。次に、クロストーク段階で全体特徴と局所特徴が双方向に互いを導き合います。全体の視点は地質学的に意味のある領域へとモデルを誘導し、詳細なパッチは微妙なテクスチャや境界を全体の要約へとフィードバックします。この往復する注意により、非常に似た二種類の砂岩の違いなど、本来は混同を招く重要な信号をシステムが捉えられるようになります。

人間が設計した手がかりと深層学習の融合

ネットワークが自律的に学ぶ特徴に加えて、著者らは地質学者や画像解析者が長年用いてきた従来の画像記述子も取り入れます。これらには色のバランス、テクスチャの粗さ、明るさの変動といった測定が含まれ、例えば粒子が背景からどのように浮き上がるかや、繊維状構造の秩序度合いをとらえます。HFANetはこれらの古典的特徴をもう一つのデータ源として扱い、全体枝に与えてネットワーク自身が重み付けを学習します。この融合は計算コストがごくわずかに増えるだけで、特に微妙なテクスチャや鉱物組成の違いで分類が難しい火成岩において精度を確実に向上させます。

性能ベンチマークと汎化性の検証

研究者らは南京大学の教育用大規模データセットでHFANetを訓練・評価しました。データセットには108種類の岩石タイプ（堆積岩、火成岩、変成岩）を含む2,600枚超の顕微鏡画像が含まれています。細分類のタスク、例えば堆積岩のサブタイプ同士の識別において、HFANetは99％を超える精度を達成し、クラス間の分離能力を測るランキング指標では完全なスコアを得ました。主要な三つの岩石群を総合しても、広く使われるCNNやTransformerモデルを一貫して上回りました。次に研究チームはより難しい問いを投げかけました：訓練で見たことのない別の薄片コレクションに対してモデルはどう振る舞うか。ここではより単純なネットワークの方が生の精度でわずかに上回る結果が出ましたが、HFANetは正解クラスを高くランク付けする能力で依然として優れており、撮影条件が変わっても岩石パターンの内部表現が強固であることを示唆しました。

モデルの推論を覗く

HFANetが地質学的に意味のある領域に注目しているかを検証するために、著者らはモデルの注意マップと専門家の注釈を比較しました。火山性堆積岩の例画像では、HFANetは火山ガラスの破片、結晶破片、割れ目といった専門家が岩石の命名や解釈で重視する構造を強調しました。その注目領域は手描きの重要領域マスクと良く一致し、既存の代表的なベースラインモデルに対して適用した標準可視化ツールよりも精度が高かった。これはシステムが単に色やノイズを記憶しているのではなく、科学的に重要な境界、構造、粒子の関係性を手がかりにしていることを示唆します。

今後の地質学的作業への含意

日常の地球科学において、HFANetは薄片画像を迅速かつ確実にラベリングし、曖昧なケースにフラグを立て、教育用コレクションの標準化を助ける自動化ツールの方向性を示します。二枝構造で注意機構を多用する設計は単純なネットワークより計算負荷が高めですが、精度、解釈性、そして地質構造への配慮という稀有な組み合わせを提供します。モデルの高速化や新たな顕微鏡や岩種への適応に向けたさらなる作業が進めば、HFANetのようなシステムは日常的な岩石分類を担う信頼できる補助となり、地質学者が複雑な解釈や意思決定に専念できるようになるでしょう。

引用: Wei, P., Fan, C., Yang, X. et al. A hybrid local-global feature attention network for thin section rock image classification. Sci Rep 16, 6446 (2026). https://doi.org/10.1038/s41598-026-36669-x

キーワード: 岩石薄片画像, 深層学習による分類, 注意機構ネットワーク, 地質画像解析, 岩石薄片学の自動化