مراجعة صور الشرائح الصخرية بالمجهر: مشاريع تخرج الجيولوجيا وعلوم البيانات

سؤال جيولوجي قبل اختيار النموذج

تظهر الشرائح الصخرية تحت المجهر تفاصيل لا تشبه صورة هاتف عادية: حبيبات متداخلة، حدود بلورية، ألوان تداخل، وشقوق أو فقاعات قد تنتج من التحضير. يمكن لمشاريع تخرج الجيولوجيا وعلوم البيانات بناء مصنف استكشافي يساعد في تنظيم الصور ومراجعة الحالات المتشابهة. السؤال البحثي الجيد ليس «هل يعرف الذكاء الاصطناعي كل الصخور؟» بل «هل يميز الفئات المحددة في هذه المجموعة، وهل تبقى النتيجة عند تغيير مصدر التصوير؟».

مصدر الصورة جزء من البيانات

قبل تنزيل البيانات، اقرأ وصفها وترخيصها ومعلومات جمعها. مجموعة الصور المجهرية المنشورة من جامعة نانجينغ توفر سياقاً مفيداً للشرائح الصخرية، بينما تصف دراسة MSA-CNN تعرض التعرف على صور الشرائح الصخرية باستخدام شبكة التفاف متعددة الرؤوس مع انتباه ذاتي. لكن وجود مجموعة أو ورقة لا يعني أن الفئات أو الإعدادات متطابقة. دوّن نوع الصخر، العينة، الشريحة، المجهر، التكبير، مرشح الضوء إن وجد، ومصدر الصورة متى كانت هذه البيانات متاحة.

خط أساس للنسيج واللون

افصل الصور على مستوى العينة الأصلية لا على مستوى القصاصات. إذا أخذت عشر رقع من الشريحة نفسها ووزعت بعضها للتدريب وبعضها للاختبار، فسيتعلم النموذج بصمة العينة والإضاءة. هذا تسرب يضخم النتيجة. ضع جدولاً يبين عدد العينات المستقلة لكل فئة، واذكر الفئات الصغيرة أو الغائبة. عندما تكون بيانات المصدر لا تكشف معرف العينة، صرح بأن منع التسرب غير مضمون ولا تقدم تقديراً عاماً للأداء.

تصنيف مع مساحة للالتباس

خط الأساس قد يكون مصنفاً بسيطاً على لون HSV وتباين نسيجي، أو أقرب جار على ميزات HOG. قارنه بشبكة صغيرة أو استخراج تمثيلات جاهزة. اعرض مصفوفة الالتباس ومقاطع الصور الأكثر التباساً مع تفسير جيولوجي محتمل. لا تعتمد الدقة الكلية إذا كانت فئة واحدة تشكل أغلب الصور؛ أضف macro-F1 واستدعاء كل فئة، ووازن التقييم بحسب العدد الفعلي للشرائح.

اختبار انتقال بين المصادر

واجهة المراجعة تعرض الصورة الكاملة والقصاصة التي أثرت في التنبؤ، مع اسم الفئة المرشحة ودرجة غير معايرة بوضوح. يمكن للجيولوجي تصحيح الوسم وإضافة ملاحظة مثل «نمط قريب من فئتين» أو «تأثير إضاءة». لا تعِد استخدام التصحيحات كحقيقة تلقائية؛ مررها على مراجعة ثانية وسجل تاريخها. الغرض من الأداة تسهيل فرز المكتبة التعليمية، لا استبدال وصف خبير للعينة أو تقرير ميداني.

قيود الاستخدام والتقرير

مثال: يتلقى النموذج صورة جديدة لفئة مستهدفة، ويقترح احتمالين متقاربين. بدلاً من إخفاء التردد، تعرض الواجهة الفئتين وتطلب تكبيراً أو رأياً بشرياً. قارن النتيجة بقاعدة تستعمل اللون وحده؛ إذا اختار اللون فئة بسبب إعدادات كاميرا مختلفة، يكشف ذلك هشاشة النموذج. سجّل إصدار المعالجة، لأن توازن اللون الأبيض أو قص الحواف قد يغير السمات حتى لو بقيت العينة نفسها.

يستطيع الفريق جعل المقارنة العلمية أقوى عبر تثبيت تعريف الفئات قبل قراءة نتائج النموذج. إذا جمع المصدر أنواعاً صخرية متقاربة، فاطلب من مشرف جيولوجي مراجعة عينة وتوثيق اختلافات التسمية. قد تكون الفئة مرتبطة بوصف العينة لا بمظهر الصورة وحده. لذلك لا تقسم الفئات أو تدمجها بعد رؤية أداء النموذج إلا مع توثيق السبب وإعادة التجربة كاملة.

تجنب قصاصات متداخلة تسرب أجزاء من الرقعة نفسها إلى التدريب والاختبار. إذا احتجت قص الصور، خزّن معرف الصورة الأصلية وإحداثيات كل قصاصة، واجعل التقسيم مبنياً على الأصل. اختبر أيضاً تغيير السطوع وتوازن الأبيض، لكن لا تعتبر كل تحويل واقعي؛ الضوء المستقطب قد يغير الألوان بصورة تختلف عن تعديل برمجي. اعرض مقارنة مرئية لما يحدث قبل استخدام أي تحويل كزيادة بيانات.

يمكن أن تتضمن لوحة البحث خريطة تقريبية للمناطق التي أثرت في التصنيف، لكن لا تسمها تفسيراً جيولوجياً مؤكداً. اطلب من خبير مقارنة هذه المناطق بالنسيج المتوقع، وسجل الحالات التي يشير فيها النموذج إلى حواف أو ملصقات أو شوائب خارج العينة. نتيجة مفيدة قد تكون أن النموذج يستند إلى علامة تصويرية غير مرغوبة. عندها يكون اكتشاف الاعتماد نفسه مساهمة، حتى لو لم يحقق المصنف درجة مرتفعة.

يمكن ترتيب الصور في مكتبة بحثية بحسب المرشح مع إبقاء الأصل والبيانات الوصفية بجانب كل نتيجة. أضف بحثاً عن العينة ومصدر الشريحة، وتصديراً يحفظ معرفات الصور لا الملفات وحدها. إذا تغيرت التسميات بعد المراجعة، احتفظ بتاريخ التغيير وسببه. بهذا يستطيع المشرف أن يتتبع مسار القرار من الصورة إلى التقرير، بدلاً من الاعتماد على لقطة شاشة غير قابلة للتكرار.

يمكن تسليم المشروع كدراسة قابلة للتكرار مع توثيق المصدر والقرارات والاختبارات، ومناقشة ما لم تحسمه الأداة. هذا النطاق مناسب لـمشاريع تخرج الجيولوجيا حين يرتبط بسؤال تخصصي واضح. ولتحويل الفكرة إلى خطة تنفيذ ومراجعة مناسبة، يمكن الاطلاع على خدمة مشاريع التخرج.

للاطلاع على وصف مجموعة البيانات أو المنهجية التي بُني عليها نطاق هذا المقترح، راجع Precision Recognition of Rock Thin Section Images With Multi-Head Self-Attention Convolutional Neural Networks، وNanjing University rock thin-section photomicrograph dataset. تختلف تلك المصادر في مجموعاتها ووسومها وشروط استخدامها؛ لذلك يظل التحقق المحلي المذكور في المقال ضرورياً.