İnce kesit kaya görüntüsü sınıflandırması için hibrit yerel-küresel özellik dikkat ağı

Daha akıllı kaya görüntüleri neden önemli

Yeraltında gömülü kayalar, tünel inşa edebileceğimiz güvenli yerler, yeraltı suyu yatakları veya yeni petrol ve gaz rezervleri hakkında ipuçları taşır. Jeologlar bu kayaların mikroskop altında çok ince kesitlerini inceler, ancak binlerce görüntüyü elle titizlikle etiketlemek yavaş ve öznel olabilir. Bu çalışma, HFANet adı verilen yeni bir yapay zeka sistemi tanıtıyor; bu sistem ince kesit görüntülerinden kaya türlerini neredeyse kusursuz doğrulukla tanımayı öğrenerek jeolojik incelemeleri hızlandırma ve daha tutarlı hale getirme potansiyeli taşıyor.

Büyük resmi ve küçük ayrıntıları görmek

Çoğu bilgisayar görme aracı ya geniş desenleri görmekte ya da ince ayrıntılara odaklanmakta iyidir, ancak aynı anda her ikisinde de ustalaşmak zordur. İnce kaya kesitleri özellikle karmaşıktır: kumtaşları, lavlar ve başkalaşım kayaları yakınlaştırıldığında veya uzaklaştırıldığında kafa karıştırıcı şekilde benzer görünebilir. HFANet bu zorluğu, problemi iki tamamlayıcı görünüme bölerek ele alır. Ağın bir kolu tüm görüntüye bakarak görüş alanı genelinde yapıyı ve mineral düzenlerini yakalar. Diğer kol ise görüntüyü daha küçük yamalara böler ve her parçadaki doku, tane kenarları ve küçük çatlakları inceler.

Ağın nereye dikkat etmesi gerektiğini öğretme

İki kolu paralel çalıştırmak tek başına yeterli değildir; bunların birbirleriyle iletişim kurması gerekir. HFANet, modelin karar için görüntünün hangi bölümlerinin en önemli olduğunu söyleyen matematiksel araçlar olan dikkat mekanizmalarını kullanır. Önce, yama odaklı kol, yamaların birbirlerine "dikkat etmesine" izin vererek hangi yerel bölgelerin en faydalı bilgileri taşıdığını öğrenir. Ardından çapraz iletişim aşaması, küresel ve yerel özelliklerin çift yönlü olarak birbirine rehberlik etmesini sağlar. Küresel görünüm modeli jeolojik olarak anlamlı alanlara yönlendirirken, ayrıntılı yamalar ince dokuları ve sınırları küresel özet içine geri besler. Bu karşılıklı dikkat, aksi takdirde karışıklığa yol açabilecek iki çok benzer kumtaşı arasındaki fark gibi anahtar sinyallere odaklanmasına yardımcı olur.

İnsan yapımı ipuçlarını derin öğrenme ile harmanlamak

Ağın kendi başına öğrendiklerine ek olarak, yazarlar jeologlar ve görüntü analiz uzmanları tarafından uzun süredir kullanılan geleneksel görüntü tanımlayıcıları da işe dahil ediyor. Bunlar, örneğin tanelerin arka plandan nasıl ayrıştığını veya bir dokunun ne kadar düzenli göründüğünü yakalayan renk dengesi, doku pürüzlülüğü ve parlaklık değişimleri ölçümlerini içerir. HFANet bu klasik özellikleri başka bir veri kaynağı olarak ele alır, onları küresel kola besler ve ağın bunlara nasıl ağırlık vereceğini öğrenmesine izin verir. Bu birleşim yalnızca çok küçük bir hesaplama maliyeti ekler, ancak özellikle doku ve mineral karışımındaki ince değişikliklerin sınıflandırmayı zorlaştırdığı zorlu magmatik kayalarda doğruluğu ölçülebilir şekilde artırır.

Performansı kıyaslama ve genelliği test etme

Araştırmacılar HFANet'i Nanjing Üniversitesi'nden 108 kaya türünü —tortul, magmatik ve başkalaşım— kapsayan 2.600'den fazla mikroskop görüntüsü içeren büyük bir eğitim veri seti üzerinde eğitti ve değerlendirdi. Bir tortul alt türünü diğerinden ayırt etmek gibi ince ayrıntı gerektiren görevlerde HFANet %99'un üzerinde doğruluk gösterdi ve sınıfları ne kadar iyi ayırdığını ölçen sıralama tabanlı metriklerde mükemmel puanlar aldı. Üç ana kaya grubunun tümü birleşik olarak ele alındığında, yaygın kullanılan CNN ve Transformer modellerini tutarlı şekilde geride bıraktı. Ekip daha sonra daha zor bir soruyu sordu: model, eğitim sırasında hiç görmediği farklı bir mineral ince kesit koleksiyonunda nasıl davranıyor? Burada daha basit bir ağ ham doğrulukta biraz daha yüksek bir sonuç verdi, ancak HFANet doğru sınıfı yüksek sıraya koyma yeteneğinde hâlâ en iyi performansı gösterdi; bu da görüntüleme koşulları değişse bile kayaya dair iç temsillerinin güçlü kaldığını düşündürüyor.

Modelin muhakemesinin içini görmek

HFANet'in jeolojik olarak anlamlı bölgelere odaklanıp odaklanmadığını kontrol etmek için yazarlar modelin dikkat haritalarını uzman anotasyonlarıyla karşılaştırdı. Volkanik tortul kaya örneklerinde HFANet volkanik cam parçacıkları, kristal kırıntıları ve çatlakları—uzmanların bu kayaları adlandırmak ve yorumlamak için kullandığı yapıları—vurguladı. Onun odağı önemli özelliklerin elle çizilmiş maskeleriyle iyi örtüştü ve önde gelen bir temel model üzerinde uygulanan standart görselleştirme araçlarından daha hassastı. Bu uyum, sistemin sadece renkleri veya gürültüyü ezberlemediğini, bilimsel açıdan önemli olan sınırlara, dokulara ve tane ilişkilerine odaklandığını gösteriyor.

Gelecekteki jeolojik çalışma için anlamı

Günlük jeobilim için HFANet, ince kesit görüntülerini hızlı ve güvenilir şekilde etiketleyebilen, belirsiz vakaları işaretleyebilen ve eğitim koleksiyonlarını standartlaştırmaya yardımcı olabilecek otomatik araçlara işaret ediyor. İki kollu, dikkat ağırlıklı tasarımı daha basit ağlardan daha fazla hesaplama gerektirirken nadir bir doğruluk, yorumlanabilirlik ve jeolojik yapıya saygı kombinasyonu sunuyor. Modeli hızlandırma ve yeni mikroskoplara ile kaya türlerine uyarlama konusunda daha fazla çalışma ile HFANet benzeri sistemler, rutin kaya sınıflandırmasını üstlenerek jeologların karmaşık yorumlar ve kararlar üzerinde yoğunlaşmasına olanak tanıyan güvenilir yardımcılar haline gelebilir.

Atıf: 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

Anahtar kelimeler: kaya ince kesit görüntüleri, derin öğrenme sınıflandırması, dikkat ağları, jeolojik görüntü analizi, petrografi otomasyonu