Classification d’images minérales de la zone minière du Katanga / RDC : Performances Comparées des Architectures de Machine Learning

Resumo

Résumé

Cette étude vise à comparer les performances de trois modèles de Machine Learning pour la classification d'images minérales : le Perceptron multicouche (MLP), les Réseaux neuronaux convolutionnels (CNN) et un modèle d'apprentissage par transfert basé sur VGG-16. L'objectif est d'identifier les techniques d'apprentissage automatique les plus adaptées à l'identification des minéraux. Pour cette analyse, nous avons pris en compte des paramètres clés tels que la taille des lots (batch-size), le nombre d'époques (epoch), la taille des filtres, la précision, les techniques d'interruption (dropout en cas d'overfitting) et la métrique de perte. Les trois modèles ont été entraînés sur un échantillon de 5 classes de minéraux (chalcopyrite, cobaltocalcite, cuivre natif, katangite et malachite). Chaque modèle a été entraîné durant 30 cycles avec des lots de 64 images. Les résultats montrent que le modèle basé sur le transfert learning avec VGG-16 a atteint 97,8 % de précision, surpassant le MLP (75 %) et le CNN (96 %). Ces performances soulignent l'importance de l'apprentissage profond pour le traitement d'images complexes et constituent une avancée pour l'exploration et l'identification des ressources minières.