| Titre | Reconstructing high-fidelity digital rock images using deep convolutional neural networks |
| |
| Auteur | Bizhani, M ; Haeri
Ardakani, O; Little, E |
| Source | Scientific Reports vol. 12, 2022 p. 1-14, https://doi.org/10.1038/s41598-022-08170-8  Accès ouvert |
| Image |  |
| Année | 2022 |
| Séries alt. | Ressources naturelles Canada, Contribution externe 20210362 |
| Éditeur | Nature Research |
| Document | publication en série |
| Lang. | anglais |
| DOI | https://doi.org/10.1038/s41598-022-08170-8 |
| Media | papier; en ligne; numérique |
| Formats | pdf |
| Sujets | analyses de la roche; analyses au microscope électronique à balayage; microscopie électronique à balayage; Sciences et technologie; géologie générale |
| Illustrations | images 3D; images numériques; figures |
| Programme | Les géosciences de l'énergie Ressources d'énergie propre - réduire les risques environnementaux |
| Diffusé | 2022 03 11 |
| Résumé | (disponible en anglais seulement)
Imaging methods have broad applications in geosciences. Scanning electron microscopy (SEM) and micro-CT scanning have been applied for studying various
geological problems. Despite significant advances in imaging capabilities, and image processing algorithms, acquiring high-quality data from images is still challenging and time-consuming. Obtaining a 3D representative volume for a tight rock sample
takes days to weeks. Image artifacts such as noise further complicate the use of imaging methods for the determination of rock properties. In this study, we present applications of several convolutional neural networks (CNN) for rapid image
denoising, deblurring and super-resolving digital rock images. Such an approach enables rapid imaging of larger samples, which in turn improves the statistical relevance of the subsequent analysis. We demonstrate the application of several CNNs for
image restoration applicable to scientific imaging. The results show that images can be denoised without a priori knowledge of the noise with great confidence. Furthermore, we show how attaching several CNNs in an end-to-end fashion can improve the
final quality of reconstruction. Our experiments with SEM and CT scan images of several rock types show image denoising, deblurring and super-resolution can be performed simultaneously. |
| Sommaire | (Résumé en langage clair et simple, non publié)
L'intelligence artificielle (IA) change rapidement le paysage de nombreux domaines d'études traditionnels. En géosciences, l'imagerie
microscopique des spécimens est une méthode courante pour étudier divers aspects de la formation géologique. Malgré des avancées significatives dans les capacités d'imagerie, il est parfois difficile d'obtenir des images représentatives de haute
qualité pour diverses raisons. Dans ce travail, nous utilisons plusieurs réseaux de neurones profonds de pointe pour améliorer les images microscopiques de divers échantillons de roche. Notre travail démontre l'utilisation de l'IA pour améliorer les
performances des méthodes d'imagerie actuelles à la fois en termes de vitesse de traitement des données, ainsi que d'automatisation du flux de travail. |
| GEOSCAN ID | 329084 |
|
|