Yugra State University BulletinYugra State University BulletinВестник Югорского государственного университета1816-92282078-9114Yugra State University67837610.18822/byusu20250260-64Mathematical modeling and information technologyМатематическое моделирование и информационные технологииResearch ArticleApplication of Machine Learning to Recognize Plagioclases in Thin SectionsПрименение машинного обучения для распознавания плагиоклазов в шлифеKuzinaMarina Ya.КузинаМарина Яковлевна
Russian Federation

Senior Lecturer of the Higher Oil School

старший преподаватель Высшей нефтяной школы

m_kuzina@ugrasu.ruYugra State UniversityЮгорский государственный университет2506202521260641104202530042025Copyright ©; 2025, Yugra State UniversityCopyright ©; 2025, Югорский государственный университет2025Yugra State UniversityЮгорский государственный университетhttps://creativecommons.org/licenses/by-sa/4.0https://vestnikugrasu.org/byusu/article/view/678376

In this paper, YOLOv8 series models for recognizing plagioclases in thin sections are studied.

Subject of research: application of algorithms for mineral recognition (in this case, plagioclases) under the microscope.

Purpose of research: is to identify the best model for mineral identification and to select databases for optimal model operation.

Research methods: calculation and comparison of performance metrics, analysis using neural network models of labeled images of rocks taken on a polarizing microscope with the analyzer turned on, and containing plagioclases.

Object of research: algorithms for pattern recognition.

Research findings: data on the effectiveness of various models were obtained, the metrics Precision, Recall, mAP50 and mAP50-95 were calculated. The best results of mineral recognition were shown by the YOLOv8n model, the accuracy of object detection was 0,808. The YOLOv8 series models were also trained on an extremely small amount of data (20 photo), metrics were obtained and their operation was tested under such conditions.

В данной работе изучены модели серии YOLOv8 для распознавания плагиоклазов в шлифе.

Предмет исследования: применение алгоритмов для распознавания минералов (в данном случае – плагиоклазов) под микроскопом.

Цель исследования: выявление наилучшей модели для идентификации минералов и подбор баз данных для оптимальной работы модели.

Методы исследования: вычисление и сравнение метрик производительности, анализ с помощью нейросетевых моделей размеченных снимков горных пород, сделанных на поляризационном микроскопе при включенном анализаторе и содержащих плагиоклазы.

Объект исследования: алгоритмы для распознавания образов.

Основные результаты исследования: были получены данные об эффективности различных моделей, вычислены метрики Precision, Recall, mAP50 и mAP50-95. Выявлено, что наилучшие результаты распознавания минералов показала модель YOLOv8n, точность обнаружения объектов составила 0,808. Также было проведено обучение моделей серии YOLOv8 на сверхмалом объеме данных (20 изображений), получены метрики и протестирована их работа при таких условиях.

neural networksrecognition of minerals in the slotplagioclasesmachine learningthe YOLOv8n modeltraining on a small data setнейронные сетираспознавание минералов в шлифеплагиоклазымашинное обучениемодель YOLOv8nобучение на малом наборе данныхCui, X. Intelligent Mineral Identification and Classification based on Vision Transformer / X. Cui, C. Peng, H. Yang // 2022 9th International Conference on Dependable Systems and Their Applications (DSA). – Wulumuqi, China : IEEE, 2022. – P. 670–676. – URL: https://ieeexplore.ieee.org/document/9914522 (date of application: 21.03.2025).Izadi, H. An intelligent system for mineral identification in thin sections based on a cascade approach / H. Izadi, J. Sadri, M. Bayati // Computers & Geosciences. – 2017. – Vol. 99. – P. 37–49. – URL: https://linkinghub.elsevier.com/retrieve/pii/S0098300416305702 (date of application: 12.03.2025).SwinMin: A mineral recognition model incorporating convolution and multi-scale contexts into swin transformer / L. Jia, F. Chen, M. Yang [et al.] // Computers & Geosciences. – 2024. – Vol. 184. – P. 105532. – URL: https://linkinghub.elsevier.com/retrieve/pii/S0098300424000153 (date of application: 28.02.2025).Maitre, J. Mineral grains recognition using computer vision and machine learning / J. Maitre, K. Bouchard, L. P. Bédard // Computers & Geosciences. – 2019. – Vol. 130. – P. 84–93. – URL: https://linkinghub.elsevier.com/retrieve/pii/S0098300419301037 (date of application: 25.03.2025).Модели, поддерживаемые Ultralytics // Ultralytics. – URL: https://docs.ultralytics.com/models/ (дата обращения: 15.01.2025).MineralImage5k: A benchmark for zero-shot raw mineral visual recognition and description / S. Nesteruk, J. Agafonova, I. Pavlov [et al.] // Computers & Geosciences. – 2023. – Vol. 178. – P. 105414. – URL: https://linkinghub.elsevier.com/retrieve/pii/S0098300423001188 (date of application: 31.01.2025).An Improved Mineral Image Recognition Method Based on Deep Learning / H. Tang, H. Wang, L. Wang [et al.] // JOM. – 2023. – Vol. 75, № 7. – P. 2590–2602. – URL: https://link.springer.com/10.1007/s11837-023-05792-9 (date of application: 15.02.2025).Санникова, Ю. И. Выбор модели машинного обучения для задачи идентификации минералов с необработанных снимков : выпускная квалификационная работа / Ю. И. Санникова ; научный руководитель В. Н. Тимохин. – Екатеринбург, 2024. – 63 с. – URL: https://elar.urfu.ru/bitstream/10995/140538/1/m_th_y.i.sannikova_2024.pdf?ysclid=m8xybttk20452262754 (дата обращения: 10.02.2025).Автоматическая идентификация минералов на изображениях аншлифов с использованием глубокого обучения / А. В. Хвостиков, А. С. Крылов, Д. М. Коршунов, М. А. Богуславский // Интеллектуальные системы. Теория и приложения. – 2022. – Т. 26 (1). – С. 255–260.