A aplicabilidade da análise computacional de imagens paleontológicas, vai desde do estudo da evolução de animais, plantas e microrganismos até a criação de simulações sobre o habitat dos seres de determinada época, podendo ser aplicada nos mais diversos nichos, como por exemplo na parte de exploração de petróleo. Nesta área existem diversos fatores a serem analisados a fim de minimizar os gastos atrelados ao processo de extração de petróleo. Uma destas análises é a do meio a ser explorado. Esta análise se dá de diversas formas: utilização de sondas, extração de amostras para avaliação de componentes petrofísicos, correlacionamento com logs de outros poços de perfuração, entre outras. Na parte de extração de amostras existem algumas áreas, que sobre a mesma amostra, fazem diferentes análises e para tanto utiliza-se a Tomografia Computadorizada (TC), a qual preserva a amostra e a disponibiliza para diversas análises. Com base nas imagens geradas pelo TC várias análises e simulações podem ser realizadas e processos, atualmente realizados de forma manual e exaustiva, podem ser automatizados. Um destes processos é o de identificação, extração, caracterização e classificação de microfósseis, o qual, a sua automatização, é o objetivo geral do trabalho.
A aplicação do estudo dos microfósseis na área petrolífera teve seu primeiro passo 1890 na Polônia apresentado por Josef Gryzbowski, mas foi na década de 1920 nos Estados Unidos, com a generalização do uso dos microfósseis para determinar a idade dos testemunhos retiradas das sondas de perfuração da industria petrolífera, que obteve-se um passo maior no desenvolvimento da micropaleontologia aplicada a esta área. No projeto atualmente em desenvolvimento estamos analisando um grupo específico de microfósseis, os foraminíferos bentônicos (Protoctistas microscópicos de dimensões variando entre 0,1 e 2,0 mm de diâmetro que possuem seu corpo envolto por uma carapaça de formatos variados), os quais vem sendo utilizados como bioindicadores. Esta classificação como bioindicadores implica que esse grupo possui algumas características: facilmente identificáveis, de fácil coleta, possuem ampla distribuição geográfica e/ou batimétrica, possuem características ecológicas e biológicas bem conhecidas e são muito sensíveis as menores variações do ambiente no qual estão inseridos. Outras informações sobre as principais características desse grupo podem ser encontradas em O PROTISTA FORAMINÍFERO, BIOINDICADOR AMBIENTAL: UMA ABORDAGEM PARA O ENSINO DE CIÊNCIAS E BIOLOGIA
Exemplos de foraminíferos. Isolados e digitalizados pelo Instituto Tecnológico de Micropaleontologia – itt Fossil
Para o estudo em questão, inicialmente as amostras contendo os microfósseis foram coletadas, digitalizadas em um Micro-CT operado pelo pessoal do Laboratório de Meios Porosos e Propriedades Termofísicas LMPT e renderizadas para uma melhor visualização.
Com o exemplar digitalizado, alguns algoritmos de visão computacional (filtros, morfologia matemática e segmentação) foram testados afim de montar um sequenciamento de métodos que permita a identificação dos microfósseis dentro das amostras. Alguns exemplos dos testes executados são apresentados abaixo:
Resultado da aplicação do método de contornos ativos
Detector de borda associado a um algoritmo de componentes conexos
Aplicação de um simples threshold sobre a imagem renderizada.
Referências, Datasets, Tutoriais e como Citar este Trabalho
- Veja nosso artigo Automated Microfossil Identification and Segmentation using a Deep Learning Approach na Marine Micropaleontology: https://www.sciencedirect.com/science/article/pii/S0377839819300830
- Veja também no nosso tutorial Artificial Intelligence & Paleontology: Use Deep Learning to search for Microfossils no TowardsDataScience: https://towardsdatascience.com/artificial-intelligence-paleontology-use-deep-learning-to-search-for-microfossils-18760bb30880
- O nosso dataset está em: http://www.lapix.ufsc.br/microfossil-segmentation/
Related Publications
-
Automated Microfossil Identification and Segmentation Using a Deep Learning Approach.
- 3D object recognition and classification: a systematic literature review. CARVALHO, L. E. ; VON WANGENHEIM, A. PATTERN ANALYSIS AND APPLICATIONS, v. First, p. 1-50, 2019. DOI: http://dx.doi.org/10.1007/s10044-019-00804-4
- Literature Review for 3D Object Classification/Recognition. CARVALHO, L.E.; VON WANGENHEIM, A. Florianopolis: Relatórios Técnicos do INCoD, INCoD/LAPIX.29.2017.E.01. [PDF] [DOI: 10.13140/RG.2.2.12899.25127]
- Revisão da literatura para algoritmos de segmentação 3D aplicados a imagens tomográficas. CARVALHO, L.E.; VON WANGENHEIM, A. Florianopolis: Relatórios Técnicos do INCoD, INCoD/LAPIX.28.2017.E.01. [PDF] [DOI: 10.13140/RG.2.2.33596.54407]
@article{CARVALHO2020, title = "Automated Microfossil Identification and Segmentation using a Deep Learning Approach", journal = "Marine Micropaleontology", volume = "158", pages = "101890", year = "2020", issn = "0377-8398", doi = "https://doi.org/10.1016/j.marmicro.2020.101890", url = "http://www.sciencedirect.com/science/article/pii/S0377839819300830", author = "L.E. Carvalho and G. Fauth and S. [Baecker Fauth] and G. Krahl and A.C. Moreira and C.P. Fernandes and A. [von Wangenheim]", keywords = "3D image Segmentation, Paleontology, Microfossil, Semantic Segmentation, Deep Learning", }
Possui graduação em CIÊNCIAS DA COMPUTAÇÃO e mestrado pela Universidade Federal de Santa Catarina (2012). Tem experiência na área de Ciência da Computação, com ênfase em Processamento Gráfico (Graphics) e Visão computacional. Atualmente está cursando o programa de doutorado em Ciências da Computação da Universidade Federal de Santa Catarina, na linha de pesquisa de Inteligência Computacional.