Dados do Trabalho

Título

SEGMENTAÇAO DA MATERIA ORGANICA PARTICULADA EM IMAGENS DE MICROTOMOGRAFIA DE RAIOS X DE AGREGADOS DE SOLO

Resumo

A distribuição espacial da matéria orgânica particulada (MOP) em agregados de solo tem influência sobre os mecanismos que determinam o aumento da estocagem e estabilidade do carbono neste meio. O uso da técnica de Microtomografia de Raios X (μCT) auxilia na investigação in situ de processos relacionados à decomposição e proteção física da MOP. No entanto, a segmentação da MOP em imagens de μCT é dificultada pela similaridade de tons de cinza associados às diferentes fases do solo (MOP, matriz e poros). Portanto, o objetivo deste trabalho é segmentar a MOP em imagens de μCT de agregados a partir de estratégias de machine learning. Construiu-se uma base de dados de fragmentos orgânicos segmentados para treinar uma rede neural de segmentação da MOP via deep learning. Para o treinamento das redes, considerou-se: o uso de um recurso de criação de dados artificiais (augmentation) e a mistura de dois conjuntos de imagens diferentes para diversificação dos dados de entrada. As redes neurais treinadas resultaram na segmentação parcial ou total dos fragmentos orgânicos nas imagens, com acurácia variando de 66 a 71%, e maiores valores de subestimação (de 29 a 34%) que de superestimação (de 18 a 24%). O recurso augmentation auxiliou na identificação da continuidade de alguns fragmentos orgânicos, enquanto a mistura de imagens não prejudicou o desempenho da rede e, em alguns casos, possibilitou a identificação de novos fragmentos. O método foi bem sucedido para a segmentação da MOP em 17 agregados, considerando não somente a morfologia externa mas também a estrutura interna de poros da MOP, sem a utilização de marcação química. Portanto, o método apresenta potencial para ser empregado em diferentes estudos que busquem avançar no entendimento do papel da estrutura do solo na proteção física do carbono, uma vez que a rede neural treinada pode ser adaptada e otimizada para a sua aplicação em diferentes conjuntos de imagens.

Palavras-chave

machine learning; deep learning; rede neural; processamento de imagens.

Instituição financiadora

CAPES: 88887.604380/2021-00

Agradecimentos

Esta pesquisa utilizou instalações do LNLS/CNPEM. A equipe da linha de luz [IMX] é reconhecida pela assistência durante os experimentos [IMX20180205].