Искусственный интеллект и машинное обучение

Научная статья

Применение машинного обучения к планиметрическому анализу минералов как задаче классификации в различных постановках

Максим Геннадьевич Шишаев¹, Владимир Витальевич Диковицкий²

1,2	Институт информатики и математического моделирования им. В. А. Путилова КНЦ РАН., Апатиты, Россия
1	m.shishaev@ksc.ru

Аннотация. Рассматривается проблема автоматизации минералогического анализа планиметрическим методом на примере апатитовых руд различных типов, характерных для Хибинского месторождения.

Цель: изучение эффективности машинного обучения как средства формирования набора признаков и решения задачи классификации в различных постановках при планиметрическом анализе минералов.

Результаты: Выявлены особенности планиметрического анализа как задачи классификации, в частности, определены свойства смежности и однородности классов в пространстве идентифицирующих признаков. Для различных вариантов формальной постановки задач классификации проанализированы потенциальные систематические ошибки определения содержания полезного компонента планиметрическим методом. Экспериментально подтверждена возможность непосредственного использования предобученной сверточной сети ResNet18, без изменений архитектуры и дообучения, для формирования признакового вектора объектов классификации, обеспечивающего хорошую разделимость классов. На примере рассматриваемых руд экспериментально подтверждена высокая эффективность (более 98% точности) применения нейросетевого классификатора и векторизатора ResNet18 для идентификации элементов изображения, относящихся к чистым классам «апатит»/ «не-апатит». Высокая точность классификации сохраняется при уменьшении размера ячейки планиметрической сетки вплоть до 2$\times$ 2 пикселей (78%), а при размере ячейки 20$\times$ 20 пикселей приближается к 100%.

Исследована эффективность применения нейросетевого подхода к задаче определения удельного содержания полезного компонента в руде. Эксперименты не подтвердили эффективность реализации планиметрического анализа как задачи мягкой классификации без существенных модификаций архитектуры нейросетевого классификатора, однако показали высокую эффективность подхода при мультиклассовой постановке задачи. Абсолютная ошибка в точности определения содержания полезного компонента в последнем случае зависит от количества классов и типа руды и в худшем случае не превышает 6%, что выше точности экспертных оценок опытными рудничными геологами.

Практическая значимость: подход применим для создания недорогих, быстродействующих и эффективных экспресс-анализаторов руд, не требующих специализированного оборудования.

Ключевые слова: планиметрический минералогический анализ, машинное обучение, ResNet18, классификация

Благодарности: Исследование выполнено в рамках государственного задания ИИММ КНЦ РАН Министерства науки и высшего образования РФ, темы НИР: «Методы и технологии создания интеллектуальных информационных систем для поддержки развития сложных динамических систем с региональной спецификой в условиях неопределённости и риска» (шифр темы FMEZ-2025-0053).

Для цитирования: Шишаев М. Г., Диковицкий В. В. Применение машинного обучения к планиметрическому анализу минералов как задаче классификации в различных постановках // Программные системы: теория и приложения. 2025. Т. 16. № 4. С. 241–266. https://psta.psiras.ru/2025/4_241-266.

Полный текст статьи (PDF): https://psta.psiras.ru/read/psta2025_4_241-266.pdf.

Статья поступила в редакцию 12.10.2025; одобрена после рецензирования 13.10.2025; принята к публикации 29.10.2025; опубликована онлайн 14.11.2025.