Face à la forte subjectivité de l'identification manuelle dans l'analyse actuelle des faciès des grès, ainsi qu'à la focalisation des méthodes traditionnelles d'analyse d'images sur des tâches isolées et leur manque de capacité quantitative systématique, une solution intelligente d’analyse fusionnée des images de lames minces basée sur un processus et des technologies a été proposée. En construisant un cadre d'analyse des faciès des grès comportant trois caractéristiques principales : composition, structure et porosité, un chemin standardisé d'interprétation des images de lames minces aux paramètres géologiques a été défini. En fusionnant l'apprentissage profond et le traitement d'images, le modèle Mask R-CNN a été utilisé pour une segmentation précise des particules détritiques, combiné au modèle MobileNet pour la classification des composants, et des algorithmes de traitement d'images ont été intégrés pour extraire systématiquement trois types de paramètres : composition, structure (incluant la granulométrie, le tri, l'arrondissement et les contacts entre grains) et porosité (surface des pores et diamètre des pores). La validation a été effectuée avec des échantillons de grès provenant de plusieurs bassins, montrant que : ① les résultats de l’analyse fusionnée concordent fortement avec l’identification manuelle sur les principaux paramètres, avec une meilleure objectivité et précision dans des cas complexes comme l’augmentation secondaire de quartz ; ② le cadre d’analyse des grès construit peut systématiquement produire un « corps de données faciologiques », réalisant un passage du descriptif qualitatif à l’interprétation quantitative.

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