文献
J-GLOBAL ID:201902265982829103   整理番号:19A1417841

有機物に富む頁岩の走査電子顕微鏡画像における有機物と細孔の位置決めのための機械学習【JST・京大機械翻訳】

Machine learning for locating organic matter and pores in scanning electron microscopy images of organic-rich shales
著者 (5件):
資料名:
巻: 253  ページ: 662-676  発行年: 2019年 
JST資料番号: C0023A  ISSN: 0016-2361  資料種別: 逐次刊行物 (A)
記事区分: 原著論文  発行国: イギリス (GBR)  言語: 英語 (EN)
抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
頁岩試料のSEM画像におけるケロジェン/有機物と細孔の位置決めを目的として,特徴抽出とそれに続く機械学習を含む自動化SEM画像セグメンテーションワークフローを試験した。提案したセグメンテーションワークフローは閾値ベースとオブジェクトベースのセグメンテーションの代替案である。SEM画像における各画素に対して,16の特徴を生成し,次に,4つの岩石成分の存在を決定するためにランダムな森林分類器に供給した。すなわち,(1)細孔/亀裂,(2)粘土,方解石と石英,(3)黄鉄鉱,(4)有機/ケロジェン成分。2606(画素)SEM画像による2058(画素)における各画素に対する16の特徴の抽出は,従来のデスクトップ構成に対して約5sを必要とする。望ましいセグメンテーションのための最も重要な特徴はウェーブレット変換,GaussぼけおよびGaussの差である。ランダム森林分類装置は,細孔/亀裂,有機/ケロジェン,岩石マトリックス,および黄鉄鉱成分に対して,それぞれ705,2074,17373,および15,000ピクセルだけを用いて訓練された。分類装置の訓練は約7秒で達成された。提案したセグメンテーション方法は,約30秒で2606(画素)SEM画像により2058(画素)をセグメント化できる。セグメンテーション法の検証を目的として,細孔/亀裂,有機/ケロジェン,岩石マトリックス,および黄鉄鉱成分に対して,それぞれ,5121,4725,4815,および4775ピクセルを使用し,1画素は100nm~2をカバーした。訓練に使用されるピクセル数が限られているにもかかわらず,訓練された分類器の性能は全体のF1スコアに関して定量化され,検証データセット上では0.9より高かった。新しく開発された方法は,一般的なヒストグラム閾値化とオブジェクトベースのセグメンテーション法に比べて,特に頁岩試料中のマトリックスと黄鉄鉱成分に対して,より信頼性があり,ロバストである。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
シソーラス用語:
シソーラス用語/準シソーラス用語
文献のテーマを表すキーワードです。
部分表示の続きはJDreamⅢ(有料)でご覧いただけます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。

分類 (1件):
分類
JSTが定めた文献の分類名称とコードです
油層工学 
タイトルに関連する用語 (5件):
タイトルに関連する用語
J-GLOBALで独自に切り出した文献タイトルの用語をもとにしたキーワードです

前のページに戻る