El proceso de identificación de minerales en secciones delgadas y la extracción de parámetros estadísticos de las mismas (e.g. conteo de puntos, grado de empaquetamiento, orientación de los granos, porosidad), es una labor extensa y que requiere de personal calificado para realizarse; recientes avances en el aprendizaje profundo (deep learning) y algoritmos ya cementados de procesamiento de imágenes y visión artificial (computer vision), son y serán en mayor medida soporte para esta labor en petrografía.

Este póster busca mostrar algunas de las técnicas de uso común en análisis de imágenes aplicadas a secciones delgadas (e.g. binarización, segmentación por colores, detección de bordes, detección de lineamientos y de elipses) además de mostrar otras en el estado del arte, las cuales hacen uso predominante de algoritmos de clustering y de redes neuronales artificiales (e.g. aprendizaje de transferencia, detección de bordes vía redes neuronales, segmentación semántica, algoritmos de clasificación, detección de objetos y clustering iterativo).

Con esto se busca mostrar la importancia de la apropiación de estas nuevas técnicas investigativas como técnicas adicionales al repertorio de análisis geológicos en el ámbito de la petrografía y mineralogía óptica; además de fomentar su distribución de manera libre y abierta a la comunidad geocientífica, dejando acceso al código abierto y libre para su modificación y mejoramiento.

  • Iván Eduardo Ferreira, Luis Hernán Ochoa
  • iveferreirach@unal.edu.co, lhochoag@unal.edu.co