Face au problème de la forte subjectivité de l'identification manuelle dans l'analyse lithofaciale des grès actuelle, et au fait que les méthodes traditionnelles d'analyse d'image se concentrent souvent sur des tâches uniques et manquent de capacité de caractérisation quantitative systématique, une solution intelligente d'analyse fusionnée d'images de lames minces englobant les processus et les technologies est proposée. En construisant un cadre d'analyse lithofaciale du grès comprenant trois principales caractéristiques : composition, structure et porosité, un chemin standardisé d'analyse est défini, allant de l'image de la lame mince aux paramètres géologiques. En fusionnant l'apprentissage profond et les techniques de traitement d'image, le modèle Mask R-CNN est utilisé pour une segmentation précise des grains détritiques, couplé au modèle MobileNet pour la classification de la composition, et un système d'algorithmes de traitement d'image extrait trois catégories principales de paramètres : composition, structure (y compris la granulométrie, le tri, l'arrondissement et les contacts entre grains) et porosité (fraction de pores et diamètre des pores). La validation a été effectuée avec des échantillons de grès de plusieurs bassins, les résultats montrent : ① une forte concordance entre les résultats d'analyse fusionnée et l'identification manuelle sur les paramètres clés, avec une meilleure objectivité et précision dans les cas complexes tels que l'augmentation secondaire du quartz ; ② le cadre d'analyse du grès construit permet la production systématique d'un "corpus de données lithofaciales", réalisant une transition du descriptif qualitatif à l'analyse quantitative.

traitement d'image;modèle Mask R-CNN;modèle MobileNet;apprentissage profond;analyse quantitative intelligente;lithofaciologie des grès