东京工业大学、米乐m6官方网站和统计数学研究所的联合研究小组使用人工智能 (AI) 对火山灰颗粒的形状进行识别和分类。
火山灰颗粒的形状为喷发类型等信息提供了线索，因此专家通过目视检查和量化形状（例如长宽比）进行了分析。然而，视觉辨别需要经验，而少数专家的处理能力是有限的。此外，在通过数值手段进行分类时，存在如何量化复杂形状的问题。
研究小组从伊豆半岛、三宅岛和冰岛收集的火山灰图像中选择了具有四种特征形状的颗粒，“块状”、“凿状”、“细长”、“圆形”，当他们训练人工智能时，他们能够以大约 92% 的准确度识别特征形状。接下来，对于具有模糊形状的粒子，经过训练的AI输出四种特征形状的概率（计算每个具有模糊形状的粒子对于四种形状中的每一种具有四种特征形状之一的概率）。我们发现，一个颗粒的四种特征形状的概率比可以看作是一个颗粒所包含的四种特征形状的组成比，并且还可以根据组成比（概率比）对难以判断的形状不明确的颗粒进行分类。目的是进一步提高准确性，并使分析火山灰成为可能，而无需专家在现场。
研究成果发表在英国科学杂志《科学报告（科学报告）”（在线发布日期：2018 年 5 月 25 日）。
这项成果得到了日本学术振兴会东京工业大学地球生命研究所特约研究员 Daigo Shoji、东京科学研究所（现为日本宇宙航空研究开发机构宇宙宇宙科学研究所）火山流体研究中心研究员 Rina Noguchi 以及日本地质调查局、米乐m6官方网站的支持活断层与火山研究部、日本产业技术研究院特别研究员 Shizuka Otsuki 和统计数学建模研究所 Hidetsu Hino 副教授的研究小组获得。
研究小组训练了一个卷积神经网络（一种试图表示大脑中神经元之间连接的神经网络的数学模型，人工智能的基础知识之一是学习图像中物体的形状和图案以确定该物体是什么）来学习火山灰颗粒的图像，并试图确定颗粒的形状。为了让神经网络能够学习，人类需要提供正确的答案（例如，颗粒的形状是矩形还是圆形），但对于火山灰等复杂形状，即使人类也很难确定正确答案。为此，课题组仅针对形状明确的颗粒进行神经网络训练，对于形状复杂、模糊的颗粒，将训练后的神经网络输出的各特征形状的概率（模糊的颗粒形状为特征形状的概率）视为单个颗粒所包含的形状的构成比，并根据该比值对颗粒进行分类。
颗粒的图像是通过从散布在玻璃上的火山灰下面照射光线来拍摄的，并为每个颗粒剪下图像。使用从伊豆半岛、三宅岛和冰岛收集的火山灰。当从这些颗粒图像中选择仅具有四种特征形状的颗粒（图1）并通过神经网络进行训练时，分类准确率约为92%。
然后，这个经过训练的神经网络用于输出所有粒子的四种形状中的每一种的概率，包括形状不明确的粒子（图 2）。尽管由于使用简单的神经网络和少量图像，这些值是不确定的，但它们通常很好地代表了粒子特征形状的概率。
 |
| 图 1：用于学习的特征形状火山灰颗粒示例。神经网络经过训练可以识别四种形状：块状、空心、细长和圆形。 |
 |
| 图 2：粒子图像示例和每种特征形状的概率。概率值对应于一个粒子中包含的每种形状的比例。 |
火山灰的形状是考虑火山如何喷发（岩浆粘度以及是否与水接触）的重要线索。然而，观察、识别和分类火山灰等复杂形状需要专家拥有先进的知识和经验。
此外，当偏远的火山发生喷发时，由于时间和距离的限制，将收集到的火山灰运送到研究机构进行火山灰分析的速度也受到限制。未来，如果能够创建一个即使在偏远地区也能适当共享火山灰图像的环境，并且可以使用人工智能分析火山灰的形状，那么无论确定火山灰形状的人的知识或经验水平如何，都可以客观、快速地获得有关喷发的信息。
近年来，在图像识别领域，AI在人脸识别等领域取得了不俗的成果。我们认为，使用这项技术，甚至可以从火山灰图像中立即提取各种信息。
现阶段，它使用简单的图像和神经网络，因此在实际使用中需要进一步改进。然而，在未来，如果我们能够了解火山灰的详细形状并使用高精度的神经网络，即使火山喷发时专家不在场，我们也能够快速分析火山灰。
出于这个原因，未来我们的目标是能够通过机器学习和捕获详细特征的图像（如图 3 所示）来识别火山灰颗粒的颜色和纹理（例如粗糙度）。此外，本研究中使用的基于标准形状的概率分类可能适用于对火山灰以外的具有复杂形状的物体和生物进行分类。
 |
| 图 3：可让您判断颜色和纹理的火山灰图像。未来，我们的目标是能够利用机器学习来分析火山灰，甚至可以从如此复杂的图像中分析火山灰。 |
已出版的杂志：科学报告
论文标题：使用卷积神经网络和概率对火山灰颗粒进行分类
作者：醍醐庄司、野口里奈、大月静香、日野秀逸
DOI：101038/s41598-018-26200-2