Evrişimli sinir ağları kullanılarak ince kesit görüntülerden hidrotermal alterasyon türlerinin sınıflandırılması

Hidrotermal alterasyon, değerli madenlerin arama aşamalarında kullanılan önemli bir jeolojik özelliktir. Bu araştırma, mikroskop görüntülerinde hidrotermal alterasyon türlerini tanımlamak için oluşturulan iki farklı derin öğrenme ağı yapısına odaklanmaktadır. 2500 görüntüden oluşan veri setinin, %70’i ağın eğitilmesinde, %20’si ağın test edilmesinde ve %10’u ağın geçerliliğinin ölçülmesinde kullanılmıştır. Evrişimli Sinir Ağı (ESA) ve Xception modelleri, Adam, RMSprop ve SGD optimizasyon fonksiyonları kullanılarak eğitilmiş ve sonuçları karşılaştırılmıştır. ESA modeli için Adam ve SGD optimizasyon fonksiyonları %96 doğru sınıflandırma yaparak, en başarılı sınıflandırmayı gerçekleştirmiştir. Xception modeli için en yüksek doğruluk değeri %98 ile Adam ve RMSprop optimizasyon fonksiyonları kullanılan ağlarda gerçekleşmiştir. Her ne kadar Xception modeli daha yüksek doğruluk değerlerine sahip olsa da ağın eğitim süresi göz önüne alındığında ESA modelinin işlemi çok daha hızlı tamamladığı görülmüştür.