На сегодняшний день весьма актуальными являются задачи, связанные с созданием программных алгоритмов для анализа и интерпретации данных георадиолокационных исследований. Подобные автоматизированные системы позволяют быстро и с минимальными затратами делать предположения о свойствах горных пород, строить разрезы и выделять геологические слои с высокой степенью достоверности. Современные программные системы с использованием методов машинного обучения успешно решают задачи классификации и обнаружения объектов на изображениях. В статье приведены результаты исследования возможности применения моделей сверточной нейронной сети для поиска образов гиперболических осей синфазности на изображениях георадиолокационных радарограмм. Обучение моделей проводилось на примере данных георадиолокационных зондирований массива многолетнемерзлых горных пород. Для повышения эффективности обучения нейронной сети к набору данных были применены некоторые методы, предоставляемые библиотекой Albumentations пакета PyTorch: повышение контрастности и яркости, размытие и т.п. Использование данных методов позволило также обойтись сравнительно малым объемом данных для обучения. Итоги тестирования обученной модели по поиску осей синфазностей сигналов показали точность обнаружения 50 % по метрике mAP с пороговым значением IoU, равным 0,5. Результаты данного исследования будут использованы авторами в программном приложении, созданном для исследований электрофизических свойств горных пород.
To date, the tasks related to the creation of software algorithms for the analysis and interpretation of georadolocation research data are very relevant. Such automated systems make it possible to make assumptions about the properties of rocks quickly and at minimal cost, to build sections and to isolate geological layers with a high degree of reliability. Modern software systems using machine learning methods successfully solve the problems of classification and detection of objects in images. The article presents the results of a study of the possibility of using convolutional neural network models to search for images of hyperbolic axes of common phase in images of geo-radar radarograms. The training of the models was carried out on the example of the data of geo-radar sounding of an array of permafrost rocks. To increase the efficiency of neural network training, some methods provided by the Albumentations library of the PyTorch package were applied to the data set: increasing contrast and brightness, blurring, etc. Using these methods also made it possible to dispense with a relatively small amount of training data. The results of testing the trained model for finding the axes of common-mode signals showed a detection accuracy of 50% according to the mAP metric with an IoU threshold value of 0.5. The results of this study will be used by the authors in a software application created for the study of the electrophysical properties of rocks.
