Aplicação de Deep Learning para análise morfológica de zircão detrítico

• Ano de defesa: 2023
• Autor(a) principal: Rodrigues, Thiago da Cunha
• Tipo de documento: Dissertação
• Tipo de acesso: Acesso aberto
• Idioma: por
• Instituição de defesa: Biblioteca Digitais de Teses e Dissertações da USP
• Palavras-chave em Português: Aprendizado de máquina; Basin provenance; Detecção de objetos; Machine learning; Object detection; Proveniência sedimentar
• Link de acesso: https://www.teses.usp.br/teses/disponiveis/44/44141/tde-26092023-085303/

Parâmetros morfológicos de grãos de zircão podem ser aplicados ao estudo de proveniência de bacias em combinação com dados isotópicos e análise convencional de minerais pesados. Neste caso, os estudos morfológico e geocronológico do zircão detrítico estão incluídos na análise de variedades de minerais pesados. Tradicionalmente, os métodos de classificação morfológica foram desenvolvidos para quartzo detrítico e adaptada para grãos de zircão, minerais resistatos em arenitos, O processo demanda longo tempo para o usuário alcançar a representatividade desejada e, ainda assim, carrega significativa subjetividade. Advoga-se que a automação do procedimento através de redes neurais (Deep Learning) tornará esta pesquisa mais eficiente, minimizando a subjetividade humana. Esta hipótese foi testada em banco de imagens de catodoluminescência de zircão detrítico previamente datado. Para atender a natureza deste banco de dados, foi desenvolvida uma classificação morfológica que relaciona hábito e arredondamento do zircão detrítico, que resultou em três categorias: euédricos e subédricos (1), anédricos arredondados (2) e anédricos quebrados, que não dão informação de transporte (zero). Como as categorias zero e 1 ocorrem em menor quantidade em relação à 2, foi necessário equilibrar as quantidades de dados através da aplicação de técnicas de data augmentation . Foram elaborados dois conjuntos de dados diferentes: (i) composto por grãos de zircão imagens de catodoluminescência, (ii) composto por imagens de elétrons secundários. Esses conjuntos foram treinados em diversas arquiteturas de detecção de objetos, sendo a principal e com os melhores resultados a YOLOv5. Foi realizado um ajuste dos hiperparâmetros para otimizar as métricas dos modelos treinados. A validação dos dados adquiridos nos dois modelos foi feita com as métricas de mean average precision (mAP), Precisão, sensibilidade e F1 score. O primeiro conjunto de dados apresentou, para todas as categorias, mAP = 0,69 nos dados de teste, enquanto o segundo alcançou mAP = 0,66. Para comprovar se o modelo estava utilizando apenas as características morfológicas dos grãos, e não outros aspectos que poderiam imputar um viés à categorização planejada, efetuamos discretas mudanças artificiais em alguns grãos das categorias 1 e 2 com o software Photoshop. Essas mudanças demonstraram que as imagens de catodoluminescência exibem propriedades, além da morfologia, que afeta a classificação do modelo (e.g., padrão de zonação interna dos grãos). Além das métricas de avaliação, as predições do modelo foram comparadas a classificações de dois sedimentólogos (A e B). Quando comparados os valores do modelo e dos usuários, o modelo se saiu superior na classificação ao apresentar um valor F1 score = 75,61% contra 63,31% do usuário A e contra 69,41% do usuário B. O teste comparativo entre usuários mostrou uma discrepância alta nos resultados, demonstrando a necessidade de refinamento diante da alta subjetividade que o estudo de morfologia carrega, além de feedback maior do público alvo. O resultado geral foi positivo, pois o modelo não encontrou problemas em detectar todos os grãos e teve facilidade em classificar grãos da categoria 2, porém com dificuldades em discriminar os grãos das categorias zero e 1, devido à falta representatividade da categoria zero.