ИИ в Иннополисе: автоматический анализ горных пород по фото за секунды

Введение

В геологической разведке традиционно требуются дорогостоящие полевые исследования, лабораторный анализ образцов и длительные сроки получения результатов. Университет Иннополис (Россия) создал первый в стране полностью автоматизированный сервис, способный определить тип горной породы, её минералогический состав и наличие трещин или пористости по одной цифровой фотографии. Проект, названный RockVision, уже прошёл несколько этапов валидации и демонстрирует, как современные модели компьютерного зрения могут заменить часть тяжёлой полевой работы.

В статье разберём архитектуру системы, её точность и скоростные показатели, реальные кейсы применения в добывающей отрасли и перспективы дальнейшего развития.

1. Архитектура модели и инфраструктура

1.1 Выбор базовой сети

Для задачи классификации и сегментации горных пород команда Иннополиса использовала EfficientNet‑B4 в качестве backbone‑модели. По сравнению с ResNet‑50 она даёт на 12 % выше точность при 30 % меньшем числе параметров, что критично при работе на GPU‑кластере из 8 × NVIDIA A100.

1.2 Двойной режим вывода

RockVision обучается одновременно на двух задачах:

Задача	Выход	Метрика	Точность
Классификация породы (15 классов)	Softmax	Top‑1 Accuracy	94.2 %
Сегментация дефектов (трещины, поры)	Mask R‑CNN	mIoU	0.78

1.3 Данные и аугментация

• Размер датасета – 52 000 аннотированных изображений, собранных в пяти геологических регионах России (Урал, Сибирь, Кавказ, Кольский, Алтай).
• Разрешение – 1024 × 1024 px, RAW‑формат, сохранённые метаданные (гео‑координаты, глубина залегания).
• Аугментация – случайные повороты (±30°), изменение яркости (±20 %), имитация пыли и влаги, что увеличило объём тренировочного набора до 260 000 примеров.

1.4 Инференс‑инфраструктура

• Latency – 0.84 с на одном A100 при батче = 1.
• Throughput – 115 изображений/сек при батче = 8.
• Развёртывание – Docker‑контейнер с TorchServe, автоматическое масштабирование в Yandex Cloud через Kubernetes HPA.

2. Точность и сравнение с традиционными методами

2.1 Бенчмарк против экспертов‑геологов

Показатель	RockVision	Средний геолог‑эксперт*
Правильность определения породы	94.2 %	88.5 %
Выявление трещин (recall)	0.81	0.64
Время анализа одного образца	0.84 с	12‑15 мин

*Эксперты с более чем 10‑летним опытом, работающие в компании «Норильский никель».

2.2 Ошибки и их природа

• Смесь пород – 3 % ошибок, когда на фото присутствует более двух типов породы.
• Тёмные условия – при освещённости ниже 50 lux точность падает до 87 % (дальнейшее планируется решить с помощью HDR‑предобработки).
• Геологические аномалии – редкие минералы (например, монозит) не представлены в обучающем наборе, что приводит к «неопределённым» меткам.

3. Практические кейсы из отрасли

3.1 Оценка месторождений в Сибири

Компания «Алроса» интегрировала API RockVision в мобильное приложение полевых геологов. За первый месяц система обработала 4 200 фото, сократив время подготовки геологического отчёта с 3 дней до 4 часов. По результатам пилота удалось обнаружить 12 новых скважин с высоким содержанием алмаза, что повысило потенциальный доход проекта на ≈ $3,2 млн.

3.2 Мониторинг подпочвенных горных массивов

В рамках проекта «Сейсмо‑контроль» в Курской области RockVision используется в сочетании с дронами. Дрон делает серию снимков, модель автоматически выделяет зоны с повышенной пористостью, которые могут стать источником проседания грунта. За 6 месяцев система предупредила о 7 потенциальных обрушениях, что позволило своевременно укрепить инфраструктуру.

3.3 Образовательные программы

В Иннополисе модель включена в курс «AI в геологии». Студенты получают доступ к готовому пайплайну, проводят собственные эксперименты с аугментацией и сравнивают результаты с реальными лабораторными данными. По итогам 2023‑2024 учебного года более 80 % выпускников отметили, что практический опыт работы с RockVision повысил их конкурентоспособность на рынке труда.

4. Ограничения и план развития

Ограничение	Текущее решение	План на 2025 год
Низкая освещённость	Предобученный модуль HDR	Интеграция спектральных камер
Недостаток редких минералов	«Неопределено» в выводе	Расширение датасета до 120 000 изображений
Требования к GPU	1 × A100	Оптимизация под Intel Gaudi2, снижение стоимости до $0.12/инференс
Отсутствие 3D‑анализа	2D‑сегментация	Добавление стереофотографии и плотностных карт

Разработчики также планируют добавить мульти‑модальный ввод: совместный анализ фотографии и спектральных данных (FTIR, XRF), что позволит повысить точность определения химического состава до 98 %.

Итоги

Проект RockVision из Университета Иннополис демонстрирует, как современные нейросети могут трансформировать традиционную геологию:

• Скорость – менее секунды на одно изображение, что делает возможным «реальное время» в полевых условиях.
• Точность – более 94 % в классификации пород, что уже превосходит средний уровень эксперта‑геолога.
• Экономия – сокращение трудозатрат на 85 % и потенциальный рост доходов добывающих компаний на несколько миллионов долларов.
• Гибкость – открытый API, возможность интеграции с дронами, мобильными приложениями и образовательными платформами.

В ближайшие годы ожидается расширение функционала до 3‑D‑анализов и мульти‑спектральных данных, что позволит системе стать полноценным «цифровым геологом», способным работать в самых сложных условиях добывающей отрасли. Иннополис уже зарекомендовал себя как один из лидеров в области прикладного AI в России, а RockVision – яркий пример того, как академические исследования могут быстро перейти в коммерческие и социально значимые решения.