Classificació mineralògica automatitzada mitjançant fusió de dades hiperespectrals i inferència bayesiana aplicada a condrites carbonàcies
Resum Aquest treball presenta un sistema automatitzat per a la identificació mineralògica en seccions primes polides de condrites carbonàcies mitjançant imatges hiperespectrals a escala microscòpica. La proposta combina fusió de dades hiperespectrals, anàlisi bayesiana i aprenentatge profund per aconseguir classificació ràpida i precisa de fases minerals clau com piroxens, oliví, filosilicats, sulfurs i carbonats. En proves controlades el sistema assoleix una precisió global d'aproximadament 98,2 per cent i temps de processament d'uns 15 segons per imatge, superant en consistència i velocitat l'avaluació manual d'experts.
Introducció Les condrites carbonàcies conserven informació fonamental sobre els processos de formació primerenca del sistema solar. La identificació mineralògica detallada és essencial però tradicionalment laboriosa i subjecta a variabilitat humana. La imatge hiperespectral ofereix signatures espectrals riques que, combinades amb tècniques avançades de processament i models probabilístics, permeten automatitzar aquesta anàlisi i augmentar-ne la reproductibilitat i escala.
Metodologia general El sistema consta de quatre mòduls principals: adquisició i preprocessament de dades, fusió hiperespectral, classificació bayesiana i validació amb refinament iteratiu. S'integren a més extracció de textures amb xarxes neuronals convolucionals preentrenades i un llaç d'aprenentatge per reforç per optimitzar paràmetres segons errors detectats en validació.
Adquisició i preprocessament Les imatges hiperespectrals es capturen en el rang 350 a 1000 nm amb resolució espectral aproximada de 5 nm sobre seccions primes polides de meteorits representatius com Allende, Murchison i Orgueil. El preprocessament inclou correcció de corrent fosca, normalització espectral, registre espacial i emmascarament de regions no minerals per reduir soroll.
Fusió de dades hiperespectrals Cada corba espectral per píxel s'organitza en una matriu de dades i es redueix dimensionalment mitjançant Anàlisi de Components Principals mantenint les sis primeres components principals que expliquen més del 95 per cent de la variància. Aquesta representació condensada atenua la superposició espectral i fa manejable la classificació en un espai de baixa dimensió.
Classificació bayesiana i extracció de textures A l'espai de sis dimensions cada mineral es modela mitjançant una distribució gaussiana multivariant la mitjana i matriu de covariància de la qual s'estimen a partir de dades etiquetades. Aplicant el teorema de Bayes es calcula la probabilitat posterior de cada mineral donat el vector de característiques fusionades i s'assigna la classe amb major probabilitat. Simultàniament, una xarxa neuronal convolucional preentrenada com ResNet50 extreu característiques texturals que es concatenen a les components principals per enriquir la informació d'entrada del classificador bayesià.
Validació i refinament L'avaluació es realitza amb un conjunt de prova independent i s'empra una matriu de confusió per analitzar errors per fase mineral. Un llaç d'aprenentatge per reforç ajusta iterativament els paràmetres del classificador bayesià i realitza fine tuning de la CNN amb base en els senyals d'error, millorant la robustesa davant variacions en preparació de mostra i condicions instrumentals.
Disseny experimental L'estudi va utilitzar un conjunt de 100 imatges hiperespectrals dividides en 70 per cent per a entrenament, 15 per cent per a validació i 15 per cent per a prova. La veritat de terreny va ser establerta per petròlegs mitjançant microscòpia òptica i anàlisi amb microsonda electrònica. Les mètriques van incloure precisió de classificació per píxel, puntuacions F1 per mineral i temps de processament per imatge. Es va realitzar un assaig cec amb experts humans com a línia base.
Resultats El sistema va obtenir una precisió global d'aproximadament 98,2 per cent davant un rendiment mitjà humà proper a 92 per cent en les mateixes condicions de prova. Els temps de processament mitjans van ser de l'ordre de 15 segons per imatge. Les puntuacions F1 informades van ser altes per a piroxè, oliví i filosilicats, i lleugerament menors per a sulfur i carbonats, reflectint àrees de major superposició espectral.
Discussió La combinació de fusió espectral, inferència bayesiana i extracció de textures mitjançant CNN va mostrar sinergies clares: la PCA redueix soroll i dimensionalitat, la CNN captura patrons espacials que l'anàlisi espectral pur no detecta, i la classificació bayesiana aporta un marc probabilístic interpretable. Limitacions actuals inclouen la classificació de minerals molt de gra fi amb signatures pràcticament indistinguibles i la dependència d'una bona representativitat en el conjunt d'entrenament. Futures millores poden incorporar informació de polarització, tècniques d'augment de dades mitjançant models generatius i sensors amb major resolució espectral o espacial.
Aplicacions pràctiques i comercialització Aquest sistema és aplicable a laboratoris de meteorits, missions de retorn de mostres asteroidals, i al processament remot de col·leccions minerals. Comercialment pot integrar-se com a programari a mida per a centres de recerca i empreses que requereixin anàlisi mineralògica ràpida i escalable. Q2BSTUDIO, empresa especialitzada en desenvolupament de programari a mida i aplicacions a mida, pot adaptar i implementar solucions basades en aquesta tecnologia, integrant serveis d'intel·ligència artificial, ciberseguretat, serveis cloud AWS i Azure, i serveis d'intel·ligència de negoci. Oferim també IA per a empreses, agents IA i dashboards amb Power BI per a explotació i visualització de resultats.
Conclusió El sistema demostra que l'automatització de la classificació mineralògica mitjançant fusió hiperespectral, models bayesians i aprenentatge profund és pràctica, precisa i escalable. Implementat com a solució comercial per empreses tecnològiques com Q2BSTUDIO pot accelerar la recerca en meteorítica, donar suport a missions espacials i oferir valor afegit a sectors industrials i de materials mitjançant programari a mida, intel·ligència artificial, ciberseguretat, serveis cloud i anàlisi de negoci.
Paraules clau aplicacions a mida, programari a mida, intel·ligència artificial, ciberseguretat, serveis cloud aws i azure, serveis intel·ligència de negoci, ia per a empreses, agents IA, power bi
