Aufgrund der hohen Subjektivität der manuellen Identifikation in der aktuellen Sandsteinfaziesanalyse und der Tatsache, dass traditionelle Bildanalyseverfahren oft auf einzelne Aufgaben fokussiert sind und eine systematische quantitative Charakterisierung vermissen lassen, wird ein intelligentes Verfahren zur integrierten Analyse von Dünnschliffbildern vorgeschlagen, das Prozesse und Technologien umfasst. Durch den Aufbau eines Analysegerüsts für Sandsteinfazies mit den drei Hauptmerkmalen: Zusammensetzung, Struktur und Porosität, wird ein standardisierter Analyseweg von Dünnschliffbildern zu geologischen Parametern definiert. Durch die Integration von Deep Learning und Bildverarbeitungstechniken wird das Mask R-CNN-Modell für eine präzise Segmentierung klastischer Körner eingesetzt, kombiniert mit dem MobileNet-Modell zur Klassifizierung der Zusammensetzung, und Bildverarbeitungsalgorithmen werden integriert, um systematisch drei Parameterklassen zu extrahieren: Zusammensetzung, Struktur (einschließlich Korngröße, Sortierung, Rundung und Körnerkontakt) und Porosität (Porenfläche und Porendurchmesser). Die Validierung erfolgt anhand von Sandsteinproben aus mehreren Becken. Die Ergebnisse zeigen: ① Die Integrationsergebnisse stimmen hinsichtlich der Schlüsseldaten sehr gut mit der manuellen Identifikation überein und weisen in komplexen Situationen wie der sekundären Quarzvergrößerung eine bessere Objektivität und Genauigkeit auf; ② Das entwickelte Sandsteinanalysegerüst kann systematisch einen "Faziendatensatz" ausgeben und realisiert den Wandel von qualitativer Beschreibung zu quantitativer Analyse.

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