利用深度学习对阿波罗岩石薄片进行角砾岩和玄武岩分类
地球与行星天体物理
2024-10-29 v1 天体物理仪器与方法
机器学习
摘要
继阿波罗计划时期的最后一次活动之后，人类对月球的探索预计将在未来十年内恢复。重返月球的主要目标之一是继续获取地质样本，重点是收集高质量标本以最大化科学回报。能够帮助宇航员就样本采集活动做出明智决策的工具，可以最大化未来月球任务的科学价值。月球岩石分类器就是这样一种工具，它有可能为宇航员分析月球岩石样本提供必要的信息，使他们能够增强样本的现场价值识别。为了展示此类工具的价值，本文介绍了一个对月球岩石薄片中的岩石类型进行分类的框架。我们利用了阿波罗任务中收集的大量岩石学薄片图像，这些图像是在单偏光（PPL）、正交偏光（XPL）和不同放大倍数的反射光下拍摄的。我们应用了包括对比学习在内的先进机器学习方法来分析这些图像并提取有意义的特征。对比学习方法使用 SimCLR 损失函数对预训练的 Inception-Resnet-v2 网络进行微调。微调后的 Inception-Resnet-v2 网络能够有效地从阿波罗岩石的薄片图像中提取基本特征。通过从微调后的 Inception-ResNet-v2 进行迁移学习，训练了一个简单的二元分类器，在区分角砾岩和玄武岩方面达到了 98.44%（±1.47）的准确率。
引用
@article{arxiv.2410.21024,
title = {Breccia and basalt classification of thin sections of Apollo rocks with deep learning},
author = {Freja Thoresen and Aidan Cowley and Romeo Haak and Jonas Lewe and Clara Moriceau and Piotr Knapczyk and Victoria S. Engelschiøn},
journal= {arXiv preprint arXiv:2410.21024},
year = {2024}
}