Казань, Республика Татарстан, Россия
Россия
Россия
ВАК 1.6 Науки о Земле и окружающей среде
УДК 55 Геология. Геологические и геофизические науки
УДК 550.34 Сейсмология
УДК 550.383 Главное магнитное поле Земли
ГРНТИ 38.15 Литология
ГРНТИ 38.39 Экспериментальная и техническая минералогия и петрография
ГРНТИ 37.01 Общие вопросы геофизики
ГРНТИ 37.15 Геомагнетизм и высокие слои атмосферы
ГРНТИ 37.25 Океанология
ГРНТИ 37.31 Физика Земли
ГРНТИ 38.01 Общие вопросы геологии
ГРНТИ 36.00 ГЕОДЕЗИЯ. КАРТОГРАФИЯ
ГРНТИ 37.00 ГЕОФИЗИКА
ГРНТИ 38.00 ГЕОЛОГИЯ
ГРНТИ 39.00 ГЕОГРАФИЯ
ГРНТИ 52.00 ГОРНОЕ ДЕЛО
ОКСО 05.03.01 Геология
ОКСО 05.00.00 Науки о Земле
ББК 263 Геологические науки
ББК 26 Науки о Земле
ТБК 6332 Минералогия. Петрография
ТБК 63 Науки о Земле. Экология
BISAC SCI SCIENCE
Петрографический анализ шлифов терригенных пород играет ключевую роль в изучении характеристик коллекторов, позволяя оценивать текстурно-структурные особенности и пористость, что необходимо для реконструкции условий осадконакопления и постседиментационных преобразований. Традиционный ручной анализ шлифов является трудоёмким и субъективным, что обуславливает необходимость его автоматизации. В настоящей работе предложен метод автоматизированного анализа участков шлифов песчаника с карбонатным цементом на основе глубокого обучения, сочетающий экземплярную сегментацию с использованием модели Mask R-CNN и семантическую сегментацию с применением SemanticFPN. Такой ансамблевый подход обеспечивает высокую точность сегментации, подтверждённую метриками Pixel Accuracy и IoU, и позволяет значительно ускорить обработку петрографических данных, повысить их объективность и воспроизводимость, что представляет практическую ценность для геологических и нефтегазовых исследований.
петрографический шлиф, сегментация зёрен минералов, петрография осадочных пород, глубокое обучение, искусственный интеллект
1. Гмид Л. П. Литологические аспекты изучения карбонатных пород-коллекторов // Нефтегазовая геология. Теория и практика. — 2006. — Т. 1. — С. 9.
2. Данилова Т. Е. Терригенные породы девона и нижнего карбона. — Казань : Плутон, 2008. — 436 с.
3. Морозов В. П. Учебно-методическое пособие к лабораторным занятиям по курсу «Литология». — Казань : Казанский университет, 2012. — 40 с.
4. Муслимов Р. Х., Абдулмазитов Р. Г., Хисамов Р. Б. и др. Нефтегазоносность Республики Татарстан. Геология и разработка нефтяных месторождений. Том 1. — Казань : ФЭН АН РТ, 2007. — 316 с.
5. Рыкус М. В. Карбонатная цементация в песчаных породах-коллекторах: обзор представлений // Нефтегазовое дело. — 2020. — Т. 18, № 5. — С. 15—26. — https://doi.org/10.17122/ngdelo-2020-5-15-26
6. Caeser H., Uijlings J. and Ferrari V. COCO-Stuff: Thing and Stuff Classes in Context // 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. — Salt Lake City, UT, USA : IEEE, 2018. — P. 1209–1218. — https://doi.org/10.1109/cvpr.2018.00132
7. Dabek P., Chudy K., Nowak I., et al. Grain segmentation in sandstone thin-section based on computer analysis of microscopic images // IOP Conference Series: Earth and Environmental Science. — 2023. — Vol. 1189, no. 1. — P. 012026. — https://doi.org/10.1088/1755-1315/1189/1/012026
8. Dell’Aversana P. An Integrated Deep Learning Framework for Classification of Mineral Thin Sections and Other Geo-Data, a Tutorial // Minerals. — 2023. — Vol. 13, no. 5. — P. 584. — https://doi.org/10.3390/min13050584
9. Gadhiya Ravindra and Kalani Nilesh. Deep learning architectures for semantic segmentation of 2D image: A review // 1st International Conference on Advances in Signal Processing, VLSI, Commenications and Embedded Systems: ICSVCE-2021. Vol. 2407. — AIP Publishing, 2021. — P. 020032. — https://doi.org/10.1063/5.0074633
10. González-Vargas T. and Gutiérrez-Castorena M. D. C. Brightness Values-Based Discriminant Functions for Classification of Degrees of Organic Matter Decomposition in Soil Thin Sections // Spanish Journal of Soil Science. — 2022. — Vol. 12. — https://doi.org/10.3389/sjss.2022.10348
11. He K., Gkioxari G., Dollár P., et al. Mask R-CNN // IEEE International Conference on Computer Vision (ICCV). — arXiv, 2017. — P. 2980–2988. — https://doi.org/10.48550/ARXIV.1703.06870
12. Kerr P. F. Optical Mineralogy. — McGraw-Hill, 1977. — 492 p. Kirillov A., Girshick R., He K., et al. Panoptic Feature Pyramid Networks // IEEE Computer Vision and Pattern Recognition Conference (CVPR). — Long Beach, CA, USA : arXiv, 2019. — P. 6392–6401. — https://doi.org/10.4 8550/ARXIV.1901.02446
13. Kirillov A., Wu Yu., He K., et al. PointRend: Image Segmentation as Rendering // IEEE Computer Vision and Pattern Recognition Conference (CVPR). — arXiv, 2020. — P. 9799–9808. — https://doi.org/10.48550/ARXIV.1912.08193
14. Leichter A., Almeev R. R., Wittich D., et al. Automated Segmentation of Olivine Phenocrysts in a Volcanic Rock Thin Section Using a Fully Convolutional Neural Network // Frontiers in Earth Science. — 2022. — Vol. 10. — https://doi.org/10.3389/feart.2022.740638
15. Lin T. Y., Maire M., Belongie S., et al. Microsoft COCO: Common Objects in Context // Computer Vision – ECCV 2014. — Cham : Springer International Publishing, 2014. — P. 740–755. — https://doi.org/10.1007/978-3-319-10602-1_48
16. Padilla R., Netto S. L. and Silva E. A. B. da. A Survey on Performance Metrics for Object-Detection Algorithms // 2020 International Conference on Systems, Signals and Image Processing (IWSSIP). — Niteroi, Brazil : IEEE, 2020. — P. 237–242. — https://doi.org/10.1109/iwssip48289.2020.9145130
17. Ren S., He K., Girshick R., et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks // IEEE Transactions on Pattern Analysis and Machine Intelligence. — 2017. — Vol. 39, no. 6. — P. 1137–1149. — https://doi.org/10.1109/tpami.2016.2577031
18. Su C., Xu S. J., Zhu K. Y., et al. Rock classification in petrographic thin section images based on concatenated convolutional neural networks // Earth Science Informatics. — 2020. — Vol. 13, no. 4. — P. 1477–1484. — https://doi.org/10.1007/s12145-020-00505-1
19. Wang H., Cao W., Zhou Y., et al. Multitarget Intelligent Recognition of Petrographic Thin Section Images Based on Faster RCNN // Minerals. — 2023. — Vol. 13, no. 7. — P. 872. — https://doi.org/10.3390/min13070872
