FacebookTwitterLinkedInImprimer

Au cours de la dernière décennie, l’apprentissage profond (Deep Learning) appliqué à l’analyse d’images a connu un réel essor et une extension dans de nombreux domaines. Cependant, son potentiel reste encore sous-exploité en géologie, bien que cette discipline implique beaucoup d’interprétation visuelle. Pour contribuer à la transformation numérique des industries liées au sous-sol, les chercheurs IFPEN ont mis en œuvre l'apprentissage profond dans trois « contextes métier », impliquant chacun un type différent d’images géologiques.

Le premier cas d'application [1]  est une classification d'images d'échantillons macroscopiques de roches avec des réseaux neuronaux convolutifs1.

Dans un premier temps, les chercheurs ont mis en œuvre et comparé différentes architectures neuronales et stratégies d’apprentissage considérées dans la littérature scientifique comme des références pour l’analyse d’images. Ceci a permis de construire un premier outil de prédiction performant.

Dans un second temps, une approche originale mimant la réflexion du géologue a été suivie en se basant sur un arbre de modèles neuronaux organisés en cascade. Cette méthode facilite l’intégration de connaissances géologiques dans le modèle statistique et offre une meilleure possibilité d’explication des prédictions, ainsi qu’une complémentarité intéressante avec le premier modèle en palliant certaines erreurs (Figure 1).
 

Cliquer sur l'image pour l'agrandir

Figure 1 : Classification automatisée d’échantillons de terrain avec des algorithmes d'intelligence artificielle
Figure 1 : Classification automatisée d’échantillons de terrain avec des algorithmes d'intelligence artificielle.
En haut : classification directe. Sur chaque image sont affichées les trois classes les plus probables d’après le réseau neuronal. Les deux premières images sont archétypales et les probabilités favorisent nettement une seule classe. Cependant, la troisième image est plus ambiguë et les probabilités reflètent l'incertitude à laquelle un géologue humain serait confronté.
En bas : classification lithologique combinant la reconnaissance des caractéristiques pétrologiques et un arbre de décision.

Dans le deuxième cas d'application [2], des algorithmes de détection ont été employés pour délimiter et catégoriser des microfossiles sur des images numérisées de lames minces de roche.

Plusieurs méthodes d’apprentissage, à partir de l'état de l'art, pour la détection d'objets ont été comparées sur un premier jeu de données limité à 15 images annotées. Les résultats sur 130 autres images de lames minces ont été évalués qualitativement par des sédimentologues experts, avec mesure quantitative des précisions et des temps d'inférence2. Ce travail constitue une preuve de concept pour l'identification automatisée de la paléofaune, car les modèles ont montré de bonnes capacités de détection et de catégorisation des microfossiles (Figure 2). Cependant, des différences de précision et de performance ont été soulignées, ce qui a conduit à émettre des recommandations pour leur usage dans des projets similaires.

Cliquer sur l'image pour l'agrandir

Figure 2 : Détection automatisée de microfossiles sur une lame mince de roche.
Figure 2 : Détection automatisée de microfossiles sur une lame mince de roche. Chaque rectangle généré par l’algorithme délimite une zone comprenant un microfossile. Sa couleur correspond à l’espèce la plus probable selon le modèle (ex : vert pour les nummulites, marron pour les alvéolines)

Le troisième cas d'application [3] est une caractérisation lithologique automatisée d’images de carottes géologiques. Les données considérées sont issues d’une campagne de forage IODP (International Ocean Drilling Program) dans le Golfe de Corinthe. Elles proviennent de 3 sites différents et ont été interprétées par un expert en 17 associations de faciès. Dans ce travail, différents défis et solutions potentielles ont été mis en évidence afin de gérer les situations où peu de données d’entraînement sont disponibles. En particulier, l’apprentissage par transfert3 ainsi que la calibration d’hyperparamètresse révèlent alors cruciaux pour la mise au point d’un système prédictif performant.

L’ensemble de ces travaux met en lumière tout le potentiel des méthodes d’apprentissage profond pour capturer des informations géologiques pertinentes à partir d’images, tout en soulignant le besoin de les adapter spécifiquement aux cas d’application abordés.

 

1- Réseaux neuronaux multicouches dont l’architecture des connexions est inspirée de celle du cortex visuel des mammifères.
2- Opération de déduction à partir d'informations implicites
3- Consistant à appliquer des connaissances obtenues en effectuant une tâche afin de résoudre un problème différent, mais qui présente des similitudes.
4- En apprentissage automatique, un hyperparamètre est une variable dont la valeur est utilisée pour contrôler le processus d'entraînement.
 


Publications :

[1]  A. Bouziat, S. Desroziers, M. Feraille, J. Lecomte, R. Divies et F. Cokelaer, Deep Learning Applications to Unstructured Geological Data: From Rock Images Characterization to Scientific Literature Mining, First EAGE Digitalization Conference and Exhibition, Nov 2020, Volume 2020
>> https://doi.org/10.3997/2214-4609.202032047
    

[2] A. Koroko, A. Lechevallier, M. Feraille, J. Lecomte, A. Bouziat et S. Desroziers, Appraisal of several Deep Learning models for microfossil identification on thin section images, Second EAGE Workshop on Machine Learning, Mar 2021, Volume 202,
>> https://doi.org/10.3997/2214-4609.202132005

   
[3] A. Lechevallier, A. Bouziat et S. Desroziers, Assisted interpretation of core images with Deep Learning workflows: lessons learnt from a practical use case, Second EAGE Workshop on Machine Learning, Mar 2021, Volume 2021,
>> https://doi.org/10.3997/2214-4609.202132003

 

Contacts scientifiques : antoine.bouziat@ifpen.fr et sylvain.desroziers@ifpen.fr

>> NUMÉRO 45 DE SCIENCE@IFPEN