Pour répondre à la forte subjectivité de l'identification manuelle dans l'analyse pétrographique actuelle des grès, ainsi qu'à la limitation des méthodes traditionnelles de traitement d'images qui se concentrent souvent sur une seule tâche et manquent de capacité systématique de caractérisation quantitative, une solution intelligente d'analyse fusionnée des images de lames minces est proposée, englobant les processus et les technologies. En construisant un cadre d'analyse pétrographique du grès comprenant trois grandes caractéristiques : composition, structure et porosité, un chemin standardisé d'interprétation des images de lames minces aux paramètres géologiques est défini. En fusionnant apprentissage profond et techniques de traitement d'images, le modèle Mask R-CNN est utilisé pour une segmentation précise des grains détritiques, combiné au modèle MobileNet pour la classification des composants, et un système d'algorithmes de traitement d'images extrait les paramètres relatifs à la composition, la structure (y compris la granulométrie, le tri, l'arrondissement et les relations de contact entre grains) et la porosité (aire de pores et diamètre des pores). Validé sur des échantillons de grès provenant de plusieurs bassins, les résultats montrent : ① une forte concordance entre les résultats d'analyse fusionnée et l'identification manuelle pour les paramètres clés, avec une meilleure objectivité et précision dans des cas complexes tels que l'agrandissement secondaire du quartz ; ② le cadre d'analyse construit permet de délivrer systématiquement un « volume de données pétrographiques », réalisant un passage du descriptif qualitatif à l'analyse quantitative.

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