Um die hohe Subjektivität der manuellen Identifizierung in der aktuellen Analyse der Sandstein-Petrofacies sowie die Einschränkungen traditioneller Bildverarbeitungsmethoden, die sich oft auf einzelne Aufgaben konzentrieren und eine systematische quantitative Charakterisierung vermissen lassen, zu adressieren, wird ein intelligentes Fusions-Analyseverfahren für Dünnschliffbilder vorgeschlagen, das Prozesse und Technologien abdeckt. Durch den Aufbau eines Sandstein-Petrofacies-Analyse-Rahmens mit den drei Hauptmerkmalen: Zusammensetzung, Struktur und Porosität wird ein standardisierter Interpretationspfad von Dünnschliffbildern zu geologischen Parametern definiert. Durch die Fusion von Deep Learning und Bildverarbeitungstechniken wird das Mask R-CNN-Modell verwendet, um klastische Körner präzise zu segmentieren, kombiniert mit dem MobileNet-Modell zur Komponentenklassifikation, und ein Bildverarbeitungsalgorithmus-System extrahiert systematisch Parameter zu Zusammensetzung, Struktur (einschließlich Korngröße, Sortierung, Rundheit und Kornerkontaktverhältnisse) und Porosität (Porenflächenanteil und Porendurchmesser). Getestet an Sandsteinproben aus mehreren Becken zeigen die Ergebnisse: ① eine hohe Übereinstimmung der Fusionsanalyse mit der manuellen Identifikation bei Schlüsselparametern und bessere Objektivität und Genauigkeit unter komplexen Bedingungen wie sekundärer Quarzerweiterung; ② der entwickelte Analyse-Rahmen kann systematisch ein „Petrofacies-Datenvolumen“ ausgeben und ermöglicht so den Übergang von qualitativer Beschreibung zu quantitativer Analyse.

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