Hydrothermal alteration is an important geological feature used in the exploration stages of precious minerals. This research focuses on two distinct deep-learning network structures created to identify hydrothermal alteration types in microscope images. A dataset of 2500 images, 70% of this data set was used to train, 20% to test, and 10% to measure the validity of the network. Convolutional Neural Network (CNN) and Xception models were trained using Adam, RMSprop and SGD optimization functions and the results are discussed. The Adam and SGD optimization functions for the CNN model performed the most successful classification with 96% accuracy. In the case of the Xception model, the highest accuracy value was 98% for the networks using the Adam and RMSprop optimization functions. Although the Xception model had higher accuracy values, it was observed that the CNN model completed the process significantly faster considering the training time of the network.
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.
Primary Language | Turkish |
---|---|
Subjects | Deep Learning, Artificial Intelligence (Other), Mineral Stratum and Geochemistry |
Journal Section | Research Articles |
Authors | |
Early Pub Date | February 16, 2024 |
Publication Date | April 15, 2024 |
Submission Date | September 13, 2023 |
Acceptance Date | January 24, 2024 |
Published in Issue | Year 2024 Volume: 13 Issue: 2 |