Для решения проблемы высокой субъективности ручной идентификации в текущем анализе петрографии песчаника и ограниченности традиционных методов обработки изображений, которые часто сосредоточены на одной задаче и не обеспечивают систематическую количественную характеристику, предложено интегрированное интеллектуальное решение для анализа изображений тонких срезов. Построена рамочная модель анализа петрографии песчаника, включающая три ключевых характеристики: состав, структура и пористость, определяющая стандартизированный путь интерпретации от изображений тонких срезов к геологическим параметрам. За счет объединения методов глубокого обучения и обработки изображений с использованием модели Mask R-CNN для точного сегментирования обломочных частиц и модели MobileNet для классификации компонентов, а также системной интеграции алгоритмов обработки изображений для извлечения параметров состава, структуры (включая гранулометрический состав, сортировку, округлость и контактные отношения частиц) и пористости (площадь пор и диаметр пор), выполнена валидация на образцах песчаников из нескольких бассейнов. Результаты показали: ① высокая согласованность интегрированного анализа с ручной идентификацией по ключевым параметрам, а также превосходство в объективности и точности в сложных условиях, таких как вторичное увеличение кварца; ② построенная рамочная модель анализа способна системно выводить «объем данных петрографии», реализуя переход от качественного описания к количественному анализу.

обработка изображений;маска R-CNN;MobileNet;глубокое обучение;интеллектуальный количественный анализ;петрография песчаника