Разработана нейронная сеть для оценки свойств почвы.

Наверняка многие задались вопросами: 

 "Что такое нейронная сеть? 

 И как с её помощью можно оценить почву?"

 Прежде чем рассказать о нейронных сетях, давайте сперва разберёмся, что такое сами нейроны и каковы их функции? Нейроны — это клетки, которые получают информацию, обрабатывают, хранят и передают её с помощью сигналов.

Для информации: По подсчётам многих учёных мозг человека состоит из порядка 100 миллиардов нейронов. Нейросеть – это математическая модель в виде программного и аппаратного воплощения, строящаяся на принципах функционирования биологических нейросетей.

Нейронные сети могут находить самое разное применение, причем не только для распознавания изображений и текстов, но и во многих других сферах. Нейронная сеть способны к обучению, благодаря чему их можно оптимизировать и максимально увеличивать функциональность. Исследование нейросети – это одна из самых перспективных областей в настоящее время, поскольку в будущем они будут применяться практически повсеместно, в разных областях науки и техники, так как они способны значительно облегчить труд, а иногда и обезопасить человека. 

Можно узнать пористость по изображениям рентгеновской томографии.  

 Ученые узнали, что нейросеть может 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 подход российскими учеными Института физики Земли имени О.Ю. Шмидта РАН позволяет это сделать всего с 5% ошибок и в будущем поможет оценивать структурное состояние почвы, в том числе для нужд сельского хозяйства.

Какую важную роль играет содержание почвы?  

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.

 Применение изображений РКТ в изучение почвы.

Для изучения почвы можно использовать метод рентгеновской компьютерной томографии (РКТ), который позволяет получать наглядные трехмерные изображения внутренней структуры не повреждающим методом. Чтобы определить пути передвижения жидкостей и размеры пор, топографические изображения нужно обработать: разделить их на рентген-контрастные фазы по градациям серого, то есть сегментировать.

«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 кандидат физико-математических наук, ведущий научный сотрудник лаборатории фундаментальных проблем нефтегазовой геофизики и геофизического мониторинга Институт физики Земли имени О.Ю. Шмидта РАН

— Современные методы сегментации РКТ-изображений используют нейронные сети, 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.

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.

Также для подробной информации переходите по ссылке: https://indicator.ru/earth-science/neironnuyu-set-nauchili-opredelyat-poristost-pochvy-na-izobrazheniyakh-rentgenovskoi-tomografii-08-03-2021.htm