Fred_V

Les dernières nouvelles sur cet aspect.... au stade d'une exploration encore naissante. Merci à elasmo pour l'accès à quelques séries de photos. Vous verrez en suivant le lien suivant, et en choisissant l'icône Fossile, un essai de détection / classification entre ancilla et ampullariidae. Il s'agit ici de quelque chose que l’œil humain est capable de distinguer aisément (et de façon beaucoup plus efficiente que l'informatique), mais qui a pour vocation de commencer à expliquer ce que cette méthode permet de faire. Et, je l'espère, faire naître d'autres idées. https://ml.gameplay.asa-showroom.com/fr/index.php Toutes les réactions sont bienvenues. Bonne découverte

Merci Nico78 pour l'info sur l'école UniLasalle, je vais les contacter. Pour la partie analyse sur lames minces, nous avons déjà un peu d'expérience en histologie, mais je ne suis pas persuadé que les différents types de réseaux de neurones que nous avons testés soient appropriés ici. Les commentaires de 73? incitent également à être très prudent dans la capacité à démontrer une capacité d'identification sans erreur même minimale. D'autre part, n'aider à l'identification que les personnes ayant pu faire une coupe est assez réducteur. Si certains d'entre vous ont des images de coupes je suis preneur pour au moins me faire un avis plus factuel. A suivre donc

En effet c'est pas gagné, pour deux raisons majeures: 1 l'analyse de l'image en machine learning, ne se fait qu'en 2D (et même pixel par pixel) alors que notre œil identifie une ou plusieurs structures 3D grâce à une aptitude à comprendre une perspective 2 la phase d'apprentissage nécessite beaucoup d'images de chaque classe......si par exemple vous avez 100 images de minéraux qu'on peut lui indiquer comme octaédre, système cublique et 100 autres qui n'en sont pas (ou mieux appartiennent tous à un autre système cristallographique) on peut essayer un entrainement sur la base de ces 100+100, et avec par exemple une dizaine d'images de chaque qui n'ont pas été utilisées pour l'apprentissage voir ce qu'est la prédiction par image. De plus il faut éviter des fonds d'images trop différents entre les jeux d'entrainement et ceux de tests car ceci influence fortement le résultat, quelque soit le 1er plan.

merci pour ce feedback, nous n'avons pas, pour l'instant, d'idée de valorisation, car en effet un quelconque outil pour être vendu doit garantir un certain niveau de qualité, et ceci, je le comprends un peu plus à chaque post sur ce forum, est loin d'être acquis. Nous sommes essentiellement en ce moment en train d'essayer de trouver des réponses (ou pas) à des challenges en Machine Learning et plus ces challenges sont proches d'un besoin (même non marchand) mieux c'est. Je comprends bien l'intérêt pour les compagnies d'exploration pétrolière d'essayer d'automatiser leurs diagnostiques de forage, et il est clair qu'un quelconque produit qui leur ferait gagner du temps ou qui améliorerait la qualité des prédictions les intéresseraient. L'industrie pétrolière n'est de toute façon pas notre cible en tant qu'entreprise, nous travaillons beaucoup plus avec les laboratoires académiques et les universités qui cherchent ou forment dans des domaines plus "développement durable" ou santé.

Oui tout à fait d'accord, et ensuite, à l'intersection entre les souhaits / envies / besoins et le faisable (plus ou moins facilement) on va peut - être trouver un sujet digne de faire quelques essais.

Bonjour Zunyite,votre mention du fait que ça ne devrait pas poser de problèmes pour les fossiles est encourageant, mais après avoir, grâce à Elasmo récupéré quelques images, il est clair pour nous, même ceci n'est pas si "facile" Pour revenir sur vos commentaires sur les minéraux, oui une détermination fine est certainement actuellement hors de portée, mais on doit pouvoir imaginer quelque chose à un niveau plus grossier (et dans ce cas effectivement il faut se poser la question à quoi ça sert si même une personne néophyte pourrait le faire visuellement......peut être un outil pédagogique ?) Pour la question de la qualité de l'image, je vais essayer ci dessous d'attacher deux résultats, dans un domaine non relié à ce forum, qui montrent que dans certains cas on arrive quand même à détecter et à reconnaitre qque chose avec certes une probabilité de détection et classification correcte qui décroit si l'image est de qualité médiocre Pour ce qui est des minéraux qui réfléchissent de façon différencier en fonction de la longueur d'onde de la lumière, là on a effectivement un vrai problème qui peut entrainer beaucoup de prédictions fausses.

C' est OK je viens de les récupérer merci. Je regarde ceci avec l'équipe ici et vous tiens informé.....avec sans doute des questions dans un premier temps.

désolé, le lien http ne semble pas exister (erreur 404), mais vous lui aviez peut-être donné une durée limitée et je 'n'ai pu essayer d'aller le récupérer que ce matin.

Super, si vous pouvez m'en indiquer l'adresse et si vous souhaitez logiquement protéger ceci via un mot de passe me l'envoyer via un autre canal, mon e-mail est frederic.viart@wanadoo.fr

Réponse pour elasmo, A priori on va essayer de s'adapter au format et à la résolution (nombre de pixels) des images. Nos expériences sur des éléments du vivant montrent que l'on peut même parfois pallier à une image partiellement nette (premier plan par exemple) et floue sur d'autres zones de l'image. L'algorithme ne donnant de toute façon qu'une probabilité que l'objet à classer ou localiser et classe sur l'image soit d'une certaine classe. Si l' image est très nette la probabilité est nettement supérieure à une image floue. La notion de quantité d'images pour une même classe est elle plus critique...mais nous n'avons pu encore tirer beaucoup de conclusions sur le nombre mini (et maxi) par classe, sans avoir essayé sur un domaine. Pour le transfert de fichiers, on peut essayer de passer par Wetransfer, ou sinon je peux demander à l'équipe de prévoir un espace accessible à distance avec sécurisation par mot de passe. A vous de me dire ce que vous préférez faire.

Merci pour votre soutien ...à l'idée ....et vos encouragements pour le travail à faire ! De ces quelques échanges, il me semble effectivement judicieux de commencer par quelques "classes" de fossiles, je retiens donc la proposition d'Elasmo. Celle de JeF dans un deuxième temps, car nos ressources ne sont pas illimitées, pour ce qui est à ce jour pour nous uniquement un travail de recherche appliquée. Étant nouveau sur ce forum, je ne sais pas quel mécanisme d'échange de données entre membres existe (si il y en a un) et si c'est l'usage ou pas de donner ses coordonnées mail / tel J'attends le prochain post avec intérêt pour statuer A bientôt

En effet, en lançant ce sujet, je me doutais que, d'une part je n'étais pas le premier à y penser et que d'autre part, la variabilité de l'aspect d'une roche (qui existe aussi dans le vivant, regardez par exemple les formes/coloris, textures des orchidées) était le principal obstacle à un progrès rapide. Donc, si quelque chose doit être lancé, il faut lui donner des objectifs très humbles et donc viser en première intention à une utilité pour grand débutant en minéralogie seulement. Ensuite le post de JeF est exact, ce type de système est conçu pour apprendre, même si dans un tel cas (et nous avons eu le même souci dans d'autres domaines) il faut avoir fréquemment accès à des "experts" pour que la base d'apprentissage augmente régulièrement par lot de nouvelles "notions" (en fait par des jeux d'images qualifiées qui modifient les paramètres du réseau de neurones. Et pour en rajouter, cet apprentissage n'est jamais terminé puisque l'humain ""expert" va ici, via l'obtention de données additionnelles non photographiques (chimiques, dureté...), cerner plus rapidement une classe donnée. A suivre donc.

réponse pour JeF s'appliquant en partie pour elasmo. La classification de l'image est apprise (c'est l'étape d'entrainement du réseau de neurones) et c'est cet apprentissage qui permet, ou pas, de différencier une image dite cible. (image non utilisée lors de l'apprentissage) D'autre part l'image est vue par le réseau de neurone de façon à la fois globale et détaillée, ce qui veut dire, que si on lui montre dans la phase apprentissage toute une série de photos de granits sur un bureau coloré en vert, et du basalte sur un bureau coloré en beige, il est fort probable qu' un basalte sur un bureau vert soit identifié comme du granit à 90% de niveau de confiance ! Donc si le quartz cristallin n'est représenté que sur dans une des combinaisons indiquées (par exemple isolé prismatique sur un fond neutre), seul ce cas a des chances d'être correctement reconnu ensuite. Pour les fossiles, même observation, on doit très certainement, moyennant assez de photos, apprendre un ou quelques cas mais il faut clairement faire quelques essais d'abord sur une quantité de photos d'un même type de fossile A, avec certaines d'un deuxième type B pour déjà voir si on peut distinguer A de B.

Merci Pablo pour cette proposition je vais regarder. Pour répondre à José, ici classification = identification d'une image comme appartenant à une classe ou à une autre, dans le cas où on n'en a que deux. Par exemple, hors contexte minéralogique, une abeille mellifère par rapport à un bourdon......un de nos derniers essais d'ailleurs. Toute photo soumise sera par contre classifiée entre ces deux classes, même si elle n'a rien à voir ! Si, avec peu de classes, on a une quantité d'images par classe suffisante, on doit arriver en principe à un niveau de prédiction correct. Si on étend ceci à un nombre de classes très important, on peut arriver ensuite à identifier nettement plus de types d'objet et on rajoute alors une classe "divers ou poubelle" pour les photos qui ont une plus forte probabilité d'appartenir à quelque chose de non connu par l'algorithme qu'à une quelconque classe connue.. Mais ce niveau d'efficacité est long à obtenir. SI vous avez des photos de différents minéraux, en avez vous une quantité importante par type ( plus de 50) ? Si oui on peut déjà essayer avec 2 types (ou classes ici)

Bonjour à toutes et tous, nous (start up impliquée dans du développement logiciel pour la recherche scientifique) sommes en train d'évaluer différentes méthodologies d'identification d'objet ou de classification grâce au traitement d’images via des réseaux de neurones. En consultant ce forum je me rends compte que le besoin d'identification de minéraux est une activité de communication inter membres très utile, mais il me semble qu'il serait intéressant d'évaluer les capacités (et certainement les limites) de l'identification de minéraux via du Machine Learning, et si le niveau de performance est suffisamment élevé de mettre ceci à disposition de la communauté. SI l'une ou l'un d'entre vous a déjà une ou des expériences dans ce domaine, je suis prêt à en discuter. Si de même certaines / certains d'entre vous ont des séries d'images qualifiées (c'est à dire classifiées de façon certaine) nous sommes preneur, a minima pour un essai entre 2 classes ou plus. Au plaisir de lire vos feedbacks Bonne journée à toutes et tous.