Angesichts der derzeit hohen Subjektivität manueller Identifikation in der Sandstein-Faziesanalyse und der Tatsache, dass traditionelle Bildanalysen oft auf einzelne Aufgaben fokussieren und eine systematische quantitative Charakterisierung vermissen lassen, wurde ein intelligentes, integriertes Analyseverfahren für Dünnschliffbilder vorgeschlagen, das Prozesse und Technologien umfasst. Durch den Aufbau eines Sandstein-Faziesanalyse-Rahmens, der drei Hauptmerkmale – Zusammensetzung, Struktur und Porosität – umfasst, wurde ein standardisierter Analysepfad von Dünnschliffbildern zu geologischen Parametern definiert. Mittels der Fusion von Deep Learning und Bildverarbeitungstechniken wird das Mask R-CNN Modell zur präzisen Segmentierung klastischer Körner verwendet, kombiniert mit dem MobileNet Modell zur Zusammensetzungsklassifikation, und ein Bildverarbeitungssystem extrahiert systematisch drei Parameterkategorien: Zusammensetzung, Struktur (einschließlich Korngröße, Sortierung, Rundheit und Kornerkontaktverhältnisse) und Porosität (Porenfläche und Porendurchmesser). Validiert an Sandsteinproben aus mehreren Becken zeigen die Ergebnisse: ① hohe Übereinstimmung zwischen fusionierten Analyseergebnissen und manueller Identifikation bei Schlüsselparametern, mit besserer Objektivität und Genauigkeit bei komplexen Fällen wie sekundärer Quarzvergrößerung; ② der entwickelte Sandstein-Analyse-Rahmen kann systematisch einen „Fazies-Datensatz“ ausgeben und realisiert den Paradigmenwechsel von qualitativer Beschreibung zu quantitativer Analyse.

Bildverarbeitung;Mask R-CNN Modell;MobileNet Modell;Deep Learning;intelligente quantitative Analyse;Sandsteinfazies