Скажи мне кто твой шлиф

Чат Хакатона

Участвую

Задачи

Возможности

Призы

Таймлайн

FAQ

Скажи мне кто твой шлиф

Проблематика

В геологоразведке и обогащении руд критически важна оперативная и объективная оценка технологических свойств сырья. Традиционный подход к классификации руд по панорамным микрофотографиям полированных шлифов опирается на визуальную экспертизу геолога, что создаёт ряд ограничений:

Субъективность оценки: разные специалисты могут по-разному интерпретировать характер срастаний сульфидов и долю талька, что снижает воспроизводимость результатов между лабораториями.
Трудоёмкость: ручная сегментация и подсчёт площадей фаз на изображениях высокого разрешения (до нескольких гигапикселей) занимает часы на один образец.
Масштабируемость: при обработке партий из десятков и сотен шлифов ручной анализ становится «бутылочным горлышком» исследовательского процесса.
Сложность количественной оценки: визуальная оценка «преобладания» обычных или тонких срастаний не даёт точных процентных значений, необходимых для построения технологических карт.
Вариативность данных: изображения различаются по освещению, контрасту, наличию артефактов шлифовки, что затрудняет применение жёстких пороговых алгоритмов.

Образ решения

Разработать end-to-end систему автоматической классификации руд по панорамным OM-изображениям полированных шлифов, которая:

1. Сегментирует и классифицирует сульфидные включения:

Обычные срастания — крупные, изолированные сульфиды с минимальным замещением серой/тёмной фазой (например, магнетитом) → маркер рядовой руды;

Тонкие срастания — сульфиды, значительно замещённые нерудной фазой → маркер труднообогатимой руды.

2. Обнаруживает и количественно оценивает долю талька — тёмная рассеянная фаза в нерудной матрице, на обучающих данных размеченная цветной линией.

3. Применяет экспертную логику классификации:

Если доля талька > 10% → оталькованная руда;

Если талька ≤ 10%:

⚬ Преобладают обычные срастания → рядовая руда;

⚬ Преобладают тонкие срастания → труднообогатимая руда.

4. Формирует интерпретируемый результат:

Цветовая маска поверх исходного изображения (зелёный = обычные срастания, красный = тонкие срастания, синий = тальк);

Таблица с количественными метриками: общая доля сульфидов, доля по типам срастаний, доля талька;

Текстовый вывод: «Руда классифицирована как оталькованная: содержание талька — 14%, преобладание тонких срастаний — 62%».

Ключевые требования

Предметная точность: решение должно корректно отражать геологическую логику классификации, а не просто максимизировать метрики сегментации.
Устойчивость к вариациям данных: работа на изображениях с разным освещением, контрастом, наличием артефактов шлифовки и полировки.
Интерпретируемость: геолог должен иметь возможность визуально проверить, какие участки отнесены к тальку или тому/иному типу срастаний.
Практическая интеграция: решение должно встраиваться в существующий лабораторный пайплайн — от загрузки TIFF/PNG до экспорта отчёта.
Возможность адаптации: поддержка дообучения на новых типах руд или данных с другого микроскопического оборудования (transfer learning).

Функциональные требования

Обработка изображений:

Поддержка форматов высокого разрешения: TIFF, PNG, JPEG;

Автоматическая предобработка: нормализация освещения, шумоподавление, коррекция контраста, масштабирование для панорамных снимков;

Сегментация на уровне пикселей с сохранением морфологии включений.

Классификация и количественный анализ:

Выделение сульфидных фаз (светлые области) на фоне силикатной/оксидной матрицы (тёмные/серые области);

Классификация срастаний по степени замещения нерудной фазой;

Детекция талька как рассеянной тёмной фазы в нерудной матрице;

Расчёт площадей и процентных долей с учётом масштаба изображения.

Визуализация и экспорт:

Наложение цветовой маски на исходное изображение (интерактивный просмотр с зумом);

Таблица с метриками в интерфейсе и возможность экспорта в CSV;

Генерация краткого текстового заключения и экспорт итогового отчёта в PDF;

Опционально: веб-интерфейс на Streamlit/Gradio для удобного взаимодействия.

Пакетная обработка и логирование:

Обработка серий изображений без участия пользователя;

Логирование параметров анализа для обеспечения воспроизводимости.

Нефункциональные требования

Производительность: обработка одного панорамного изображения (до 10 000×10 000 пикселей) — не более 5 минут на рабочей станции с CPU/GPU.

Надёжность: корректная обработка «сложных» случаев — изображения с неравномерным освещением, царапинами, загрязнениями шлифа.

Точность:

Ошибка оценки доли талька — не более ±3% относительно экспертной разметки;

Точность классификации типа срастаний — не ниже 90% по F1-score.

Интерфейс: интуитивный для геологов без глубоких знаний в ML; возможность ручной коррекции маски (опционально, для режима active learning).

Безопасность: поддержка локального развёртывания для работы с конфиденциальными геологическими данными.

Дополнительные пожелания

Режим «экспертной проверки»: возможность для геолога отметить ошибочно классифицированные участки и добавить их в набор для дообучения.
Поддержка метаданных: учёт информации о масштабе изображения, условиях съёмки, типе рудного месторождения для контекстной адаптации модели.
Визуальные подсказки: отображение не только итоговой маски, но и «карты уверенности» модели (heatmap вероятностей) для спорных участков.
Интеграция с ГИС: экспорт результатов в форматы, совместимые с геологическими информационными системами (Shapefile, GeoJSON).
Документация: подробное руководство пользователя с примерами разбора типичных и пограничных случаев классификации.