Aplicação de Deep Learning para análise morfológica de zircão detrítico (2023)
- Authors:
- Autor USP: RODRIGUES, THIAGO DA CUNHA - IGC
- Unidade: IGC
- Sigla do Departamento: GMG
- DOI: 10.11606/D.44.2023.tde-26092023-085303
- Subjects: APRENDIZAGEM PROFUNDA; ZIRCÃO
- Keywords: Basin provenance; Detecção de objetos; Object detection; Proveniência sedimentar
- Language: Português
- Abstract: Parâmetros morfológicos de grãos de zircão podem ser aplicados ao estudo de proveniência de bacias em combinação com dados isotópicos e análise convencional de minerais pesados. Neste caso, os estudos morfológico e geocronológico do zircão detrítico estão incluídos na análise de variedades de minerais pesados. Tradicionalmente, os métodos de classificação morfológica foram desenvolvidos para quartzo detrítico e adaptada para grãos de zircão, minerais resistatos em arenitos, O processo demanda longo tempo para o usuário alcançar a representatividade desejada e, ainda assim, carrega significativa subjetividade. Advoga-se que a automação do procedimento através de redes neurais (Deep Learning) tornará esta pesquisa mais eficiente, minimizando a subjetividade humana. Esta hipótese foi testada em banco de imagens de catodoluminescência de zircão detrítico previamente datado. Para atender a natureza deste banco de dados, foi desenvolvida uma classificação morfológica que relaciona hábito e arredondamento do zircão detrítico, que resultou em três categorias: euédricos e subédricos (1), anédricos arredondados (2) e anédricos quebrados, que não dão informação de transporte (zero). Como as categorias zero e 1 ocorrem em menor quantidade em relação à 2, foi necessário equilibrar as quantidades de dados através da aplicação de técnicas de data augmentation . Foram elaborados dois conjuntos de dados diferentes: (i) composto por grãos de zircão imagens de catodoluminescência, (ii)composto por imagens de elétrons secundários. Esses conjuntos foram treinados em diversas arquiteturas de detecção de objetos, sendo a principal e com os melhores resultados a YOLOv5. Foi realizado um ajuste dos hiperparâmetros para otimizar as métricas dos modelos treinados. A validação dos dados adquiridos nos dois modelos foi feita com as métricas de mean average precision (mAP), Precisão, sensibilidade e F1 score. O primeiro conjunto de dados apresentou, para todas as categorias, mAP = 0,69 nos dados de teste, enquanto o segundo alcançou mAP = 0,66. Para comprovar se o modelo estava utilizando apenas as características morfológicas dos grãos, e não outros aspectos que poderiam imputar um viés à categorização planejada, efetuamos discretas mudanças artificiais em alguns grãos das categorias 1 e 2 com o software Photoshop. Essas mudanças demonstraram que as imagens de catodoluminescência exibem propriedades, além da morfologia, que afeta a classificação do modelo (e.g., padrão de zonação interna dos grãos). Além das métricas de avaliação, as predições do modelo foram comparadas a classificações de dois sedimentólogos (A e B). Quando comparados os valores do modelo e dos usuários, o modelo se saiu superior na classificação ao apresentar um valor F1 score = 75,61% contra 63,31% do usuário A e contra 69,41% do usuário B. O teste comparativo entre usuários mostrou uma discrepância alta nos resultados, demonstrando a necessidade de refinamento diante da alta subjetividade queo estudo de morfologia carrega, além de feedback maior do público alvo. O resultado geral foi positivo, pois o modelo não encontrou problemas em detectar todos os grãos e teve facilidade em classificar grãos da categoria 2, porém com dificuldades em discriminar os grãos das categorias zero e 1, devido à falta representatividade da categoria zero
- Imprenta:
- Data da defesa: 13.04.2023
- Status:
- Artigo publicado em periódico de acesso aberto (Gold Open Access)
- Versão do Documento:
- Versão publicada (Published version)
- Acessar versão aberta:
-
ABNT
RODRIGUES, Thiago da Cunha. Aplicação de Deep Learning para análise morfológica de zircão detrítico. 2023. Dissertação (Mestrado) – Universidade de São Paulo, São Paulo, 2023. Disponível em: https://teses.usp.br/teses/disponiveis/44/44141/tde-26092023-085303/. Acesso em: 26 mar. 2026. -
APA
Rodrigues, T. da C. (2023). Aplicação de Deep Learning para análise morfológica de zircão detrítico (Dissertação (Mestrado). Universidade de São Paulo, São Paulo. Recuperado de https://teses.usp.br/teses/disponiveis/44/44141/tde-26092023-085303/ -
NLM
Rodrigues T da C. Aplicação de Deep Learning para análise morfológica de zircão detrítico [Internet]. 2023 ;[citado 2026 mar. 26 ] Available from: https://teses.usp.br/teses/disponiveis/44/44141/tde-26092023-085303/ -
Vancouver
Rodrigues T da C. Aplicação de Deep Learning para análise morfológica de zircão detrítico [Internet]. 2023 ;[citado 2026 mar. 26 ] Available from: https://teses.usp.br/teses/disponiveis/44/44141/tde-26092023-085303/
Informações sobre a disponibilidade de versões do artigo em acesso aberto coletadas automaticamente via oaDOI API (Unpaywall).
Por se tratar de integração com serviço externo, podem existir diferentes versões do trabalho (como preprints ou postprints), que podem diferir da versão publicada.
How to cite
A citação é gerada automaticamente e pode não estar totalmente de acordo com as normas
