余曉露,李龍龍,蔣 宏,盧龍飛,杜崇嬌

1.中國石化 油氣成藏重點(diǎn)實(shí)驗(yàn)室,江蘇 無錫 214126;2.中國石化 石油勘探開發(fā)研究院 無錫石油地質(zhì)研究所,江蘇 無錫 214126

碳酸鹽巖主要由方解石和白云石等碳酸鹽礦物組成,屬于化學(xué)巖及生物化學(xué)巖類[1]。目前,全球已知的油氣儲量中有40%以上來自碳酸鹽巖儲層[2]。在不同的沉積環(huán)境以及成巖相帶影響下,碳酸鹽巖不同的礦物成分和組構(gòu)形式造就了其巖相學(xué)和化學(xué)性質(zhì)的復(fù)雜性,也使其在油氣成藏過程中起著極為不同的作用[3]。因此,有必要對碳酸鹽巖進(jìn)行巖相學(xué)研究,通過分析碳酸鹽巖的結(jié)構(gòu)組分、構(gòu)造、儲集空間類型、成巖作用等特征,進(jìn)而研究其在成藏中的作用。

傳統(tǒng)的碳酸鹽巖巖相學(xué)分析主要通過偏光顯微鏡對巖石薄片進(jìn)行觀察,在獲得礦物組成、結(jié)構(gòu)和構(gòu)造特征等信息的基礎(chǔ)上,解釋沉積環(huán)境并推測復(fù)雜的沉積后蝕變歷史。在觀察過程中,除了協(xié)助礦物鑒定的染色法、協(xié)助定量估算的計(jì)數(shù)法以及陰極發(fā)光等技術(shù)[3]的綜合運(yùn)用之外,鑒定人員對薄片特征的描述和解釋主要依賴于自身經(jīng)驗(yàn)。因此,碳酸鹽巖巖相學(xué)的定性和定量分析嚴(yán)重受限于鑒定人員的主觀認(rèn)知水平。

1 圖像識別技術(shù)的引進(jìn)

近年來,伴隨著計(jì)算機(jī)和人工智能技術(shù)的快速發(fā)展,圖像處理科學(xué)在諸如人臉識別、醫(yī)學(xué)影像識別、自動(dòng)駕駛等眾多場景中都表現(xiàn)出良好的應(yīng)用效果[4-7]。在地質(zhì)學(xué)領(lǐng)域也涌現(xiàn)出大量對巖石薄片圖像的分析應(yīng)用。早期的研究多針對圖像中的某種特定目標(biāo),采用數(shù)字圖像處理方法來提取目標(biāo)對象的特征。巖石薄片圖像中的特定目標(biāo)通常為某種類型的礦物,例如以玄武巖中的橄欖石斑晶為研究對象,利用增強(qiáng)、變換等圖像處理方法獲取其尺寸、形狀等數(shù)據(jù)[8];或以砂巖中的石英碎屑為研究對象,利用多尺度分割方法將其與背景分離并計(jì)算含量、形態(tài)等特征[9]。除了礦物之外,目標(biāo)對象也可以為圖像中包含的其他特征,如采用二值化、去噪和腐蝕等圖像處理方法對砂巖中的孔隙進(jìn)行分割和計(jì)算[10],或利用去噪、分割等方法結(jié)合計(jì)算機(jī)圖形學(xué)算法,識別喉道并計(jì)算孔喉屬性[11]。

后期,隨著深度學(xué)習(xí)受到越來越多研究人員的重視與關(guān)注,產(chǎn)生了大量有關(guān)薄片圖像識別的研究,核心任務(wù)總體可定義為目標(biāo)分類和目標(biāo)分割兩種。

目標(biāo)分類是指根據(jù)圖像中包含的語義信息,利用算法對圖像類別進(jìn)行區(qū)分。基礎(chǔ)的分類任務(wù)是對巖石類別的劃分,如利用不同巖石類別之間較大的差異,對巖石薄片圖像進(jìn)行建模與分類[12]。進(jìn)階的分類任務(wù)是對巖石圖像中包含的某個(gè)子區(qū)域?qū)ο蟮膭澐?以礦物識別[13]和生物化石智能識別[14-15]為代表。針對某種具體的類別對象,可采用不同的模型,如將線性回歸模型、樹結(jié)構(gòu)模型、神經(jīng)網(wǎng)絡(luò)模型等眾多模型應(yīng)用于礦物分類[13]。也可以從不同的角度或尺度對目標(biāo)進(jìn)行分類。以生物化石為例,有微米級尺度的對海綿、有孔蟲、棘皮動(dòng)物等生物碎屑的分類識別[14],也有納米級尺度的對球狀、管狀、刺狀微體化石的分類識別[15]。

目標(biāo)分割是指將特定目標(biāo)區(qū)域從圖像中分割出來再進(jìn)行識別。與目標(biāo)分類相似,巖石薄片圖像中的分割對象也多集中于某種具體的子區(qū)域?qū)ο蟆＠缟皫r圖像中的顆粒與孔隙[16],碳酸鹽巖圖像中的礦物與孔隙[17],鮞粒與生物化石[18]以及某些特殊的成巖現(xiàn)象或巖石組分[19]等。由于目標(biāo)分割的難度整體高于目標(biāo)分類,為了提升分割的準(zhǔn)確率,一方面可以采用多個(gè)模型的實(shí)驗(yàn)來進(jìn)行比較和擇優(yōu),如利用離散卷積、人工神經(jīng)網(wǎng)絡(luò)和隨機(jī)森林創(chuàng)建不同模型進(jìn)行巖石薄片的分割和識別[18];另一方面也會設(shè)計(jì)一定的策略來提升模型性能,如通過語義特征、灰度特征和邊界特征相合并的方法,對通用型卷積神經(jīng)網(wǎng)絡(luò)分割方法進(jìn)行改進(jìn),以獲得更好的砂巖圖像顆粒分割結(jié)果[16]。

從不同圖像處理方法的性能來看,傳統(tǒng)的數(shù)字圖像處理技術(shù)在輸入—輸出都以圖像為特征的中-低級圖像處理任務(wù)(如圖像預(yù)處理、孔隙邊緣檢測)中具有更好的適用性和靈活性,而深度學(xué)習(xí)技術(shù)在以理解圖像為目的的高級處理任務(wù)(如化石識別、礦物類型識別)中表現(xiàn)出更好的視覺認(rèn)知能力。從研究對象來看,當(dāng)前研究多專注于對巖石薄片圖像中包含的一種或幾種信息特征的處理(如礦物識別、化石識別),缺乏對于整張圖像信息的全方位挖掘。事實(shí)上,專業(yè)巖礦鑒定人員在薄片尺度的巖相學(xué)分析是非常注重全面性和系統(tǒng)性的。在以巖石學(xué)、光性礦物學(xué)和結(jié)晶學(xué)為三端元的巖礦鑒定基礎(chǔ)理論框架中,巖石學(xué)搭建巖石分類、成分、結(jié)構(gòu)、構(gòu)造等骨架性特征,光性礦物學(xué)綜合各類礦物光性特征在偏光顯微鏡下的表現(xiàn),結(jié)晶學(xué)則對礦物外部形態(tài)與內(nèi)部結(jié)構(gòu)(即現(xiàn)象與本質(zhì))之間的聯(lián)系建立進(jìn)一步的認(rèn)識。因此,在偏光顯微鏡下對某一類巖石的描述、分類和命名過程中,從人眼到人腦,涉及信息提取和信息處理的神經(jīng)回路是一個(gè)復(fù)雜的認(rèn)知過程。如果將其降到二維并以圖像處理技術(shù)來模擬整個(gè)過程,并不是一個(gè)簡單的分類任務(wù)或圖像處理任務(wù)可以解決的。

基于結(jié)構(gòu)組構(gòu)的巖類學(xué)研究將碳酸鹽巖結(jié)構(gòu)劃分為4種類型:顆粒結(jié)構(gòu)、生物骨架結(jié)構(gòu)、晶粒結(jié)構(gòu)和殘余結(jié)構(gòu)[1],不同類型碳酸鹽巖的圖像特征多種多樣。顆粒結(jié)構(gòu)中的亮晶顆?；?guī)r前景(顆粒)與背景(亮晶膠結(jié)物)邊界對比度高,圖像特征統(tǒng)一,且礦物組成相對簡單,是最適合進(jìn)行像素級圖像分析的類型。因此,本研究聚焦于碳酸鹽巖中常作為油氣儲層的亮晶顆?；?guī)r,構(gòu)建了一套基于圖像的巖相學(xué)分析框架。通過該框架建立起從薄片圖像到巖石特征之間的映射關(guān)系,用于表示該類圖像特征及其中的目標(biāo)信息。并根據(jù)亮晶顆?；?guī)r的圖像特點(diǎn)設(shè)計(jì)了一系列相對合理有效的算法,對其中蘊(yùn)含的特征信息進(jìn)行提取。

2 亮晶顆?；?guī)r巖相學(xué)分析框架

亮晶顆粒灰?guī)r主要由顆粒和亮晶膠結(jié)物兩部分組成。顆粒機(jī)械沉積并形成骨架支撐,亮晶在粒間原始孔隙中以化學(xué)方式沉淀結(jié)晶并形成膠結(jié)物。粒徑小于0.03 mm的灰泥雜基由于極易重結(jié)晶且含量相對少,本研究中作弱化處理。亮晶顆?；?guī)r主要由方解石組成,且含量大于50%[20]。由于交代等成巖作用及機(jī)械混入作用的影響,其中還可能含有白云石、菱鎂礦、菱鐵礦等其他碳酸鹽礦物,石膏、重晶石等非碳酸鹽礦物,甚至石英、長石等陸源碎屑礦物。考慮其常見程度,對除交代成因白云石之外的其他礦物作弱化處理。

基于圖像的亮晶顆?；?guī)r巖相學(xué)分析框架,包含結(jié)構(gòu)組分特征和礦物組分特征兩部分。結(jié)構(gòu)組分特征是指對基本組分——顆粒和亮晶膠結(jié)物的描述和表征;礦物組分特征是指對組成礦物的鑒定和統(tǒng)計(jì)(圖1)。在結(jié)構(gòu)組分特征部分,由于亮晶膠結(jié)物多由干凈明亮的方解石晶體組成,圖像特征趨于相似,具有成因意義且圖像特征具明顯差異的碳酸鹽顆粒為研究的重點(diǎn)。首先,顆粒類型判識作為指示沉積環(huán)境、反映沉積旋回的重要標(biāo)志以及巖石分類命名的關(guān)鍵依據(jù),構(gòu)成結(jié)構(gòu)組分特征定性分析的基礎(chǔ);其次,顆粒含量統(tǒng)計(jì)及粒徑、形狀、接觸關(guān)系等形態(tài)學(xué)數(shù)據(jù),作為幫助推測沉積環(huán)境及成巖作用的輔助依據(jù),構(gòu)成結(jié)構(gòu)組分特征定量分析的支撐。在礦物組分特征部分,通過對染色圖像的分析,區(qū)分方解石與其他礦物,計(jì)算各自含量,實(shí)現(xiàn)對礦物組分的定性和定量表征。

圖1 基于圖像的亮晶顆粒灰?guī)r巖相學(xué)分析框架

3 亮晶顆?；?guī)r圖像分析

亮晶顆?；?guī)r圖像是巖石結(jié)構(gòu)與礦物組分信息的物質(zhì)載體,蘊(yùn)含豐富的圖像特征。以巖相學(xué)分析為目的,如何對目標(biāo)圖像設(shè)計(jì)合理的特征提取方法,并在此基礎(chǔ)上理解其中蘊(yùn)含的語義信息和挖掘有用的數(shù)據(jù),是本研究的重點(diǎn)。

數(shù)字圖像處理是指將圖像信號轉(zhuǎn)換為數(shù)字信號,并通過數(shù)學(xué)函數(shù)等對圖像中的像素信息進(jìn)行處理,如去噪增強(qiáng)、圖像復(fù)原與重建、形態(tài)學(xué)處理等[21],具有再現(xiàn)性好、處理精度高、適用面廣、靈活性高等優(yōu)點(diǎn)。

深度學(xué)習(xí)則是近年來在圖像識別領(lǐng)域有出色表現(xiàn)的主要研究方法,以卷積神經(jīng)網(wǎng)絡(luò)為代表,通過模擬人腦復(fù)雜的層次化認(rèn)知規(guī)律使機(jī)器獲得抽象概念的能力[22-23]。通常以原始數(shù)據(jù)作為輸入,能夠從大量訓(xùn)練數(shù)據(jù)中自動(dòng)學(xué)習(xí)圖像特征并完成指定的識別任務(wù)。

兩種技術(shù)的區(qū)別在于數(shù)字圖像處理不涉及對圖像內(nèi)容的理解,而深度學(xué)習(xí)使用計(jì)算機(jī)來模擬人類視覺,模擬的過程包括學(xué)習(xí)以及推理能力。因此,在亮晶顆?；?guī)r圖像分析即精細(xì)化表征的過程中,需要綜合運(yùn)用兩種方法來提取巖相學(xué)分析框架中包含的有意義信息。

3.1 基于深度學(xué)習(xí)的圖像特征提取

在亮晶顆?；?guī)r圖像的精細(xì)化表征過程中,深度學(xué)習(xí)主要用于結(jié)構(gòu)組分特征中顆粒類型的識別。根據(jù)邊緣和紋理特征,再綜合考慮成因、常見程度等因素,亮晶顆粒灰?guī)r中常見的碳酸鹽巖顆?？杀粍澐譃?種類型[1]:內(nèi)碎屑、生物碎屑、包粒、球粒和團(tuán)塊(圖2)。

顆粒類型識別屬于典型的圖像分類任務(wù),基本流程分3個(gè)步驟:(1)制作碳酸鹽巖顆粒數(shù)據(jù)集,并針對數(shù)據(jù)特征設(shè)計(jì)一定的處理和增強(qiáng)策略,為后續(xù)的卷積神經(jīng)網(wǎng)絡(luò)提取圖像特征提供數(shù)據(jù)基礎(chǔ);(2)模型設(shè)計(jì)與訓(xùn)練,以ResNet50為例展示模型結(jié)構(gòu)的設(shè)計(jì),以及在實(shí)踐中探索出的提升模型準(zhǔn)確率的訓(xùn)練策略;(3)顆粒類型識別,基于訓(xùn)練好的模型對框選出的待測顆粒進(jìn)行識別。

3.1.1 制作碳酸鹽巖顆粒數(shù)據(jù)集

由巖礦鑒定專家篩選一批亮晶顆?；?guī)r薄片圖像,使用Labelme工具將其中特征典型的顆?？蜻x出來。按照指定的組分類型打上類別標(biāo)簽,然后將目標(biāo)區(qū)域都提取為單個(gè)圖像,便形成了顆粒分類數(shù)據(jù)集。由于本研究弱化了除交代成因白云石之外其他礦物的影響,主要組成礦物方解石和白云石的干涉色都統(tǒng)一呈現(xiàn)高級白,因此,可直接選用單偏光圖像來制作數(shù)據(jù)集。

由于存在圖像拍攝條件的差異,為了保證數(shù)據(jù)特征的統(tǒng)一性,可以通過歸一化、去噪、增強(qiáng)等方式對圖像進(jìn)行預(yù)處理。為了提升數(shù)據(jù)的泛化性,可以通過裁剪、旋轉(zhuǎn)、縮放和調(diào)換顏色通道等方法對數(shù)據(jù)集進(jìn)行增強(qiáng)。以上圖像預(yù)處理和數(shù)據(jù)增強(qiáng)策略均基于地質(zhì)學(xué)專家對亮晶顆粒灰?guī)r的鑒定經(jīng)驗(yàn)得出,并在后續(xù)的實(shí)驗(yàn)中被證明有效。

本研究中制作的碳酸鹽巖顆粒數(shù)據(jù)集總數(shù)為2 200張,按照0.8∶0.2的比例劃分訓(xùn)練集和數(shù)據(jù)集。

3.1.2 模型設(shè)計(jì)與訓(xùn)練

通過對比ResNet、DenseNet、InceptionNet、MobileNet等經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)模型(表1),發(fā)現(xiàn)識別準(zhǔn)確率最高的為具有50層網(wǎng)絡(luò)結(jié)構(gòu)的ResNet模型。

表1 卷積神經(jīng)網(wǎng)絡(luò)各模型特征對比

對ResNet50的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了改進(jìn)(圖3),模型的第一部分為卷積層、批標(biāo)準(zhǔn)化處理層和最大池化層,第二到第五部分為內(nèi)含多個(gè)卷積層的殘差塊,在最后一個(gè)卷積層之后以全局平均池化層代替平均池化層,再連接全連接層,并在每個(gè)卷積層之后都連接ReLU神經(jīng)元激活函數(shù)。模型主體部分殘差塊包含兩種不同的結(jié)構(gòu)單元,殘差塊Ⅰ為改變維度的卷積殘差塊(Convolutional block),輸出維度相對于輸入維度增加一倍;殘差塊Ⅱ?yàn)椴桓淖兙S度的恒等殘差塊(Identity block),輸出和輸入維度一致。殘差塊內(nèi)通過快捷連接來實(shí)現(xiàn)同等映射,避免了隨著網(wǎng)絡(luò)層數(shù)加深出現(xiàn)的學(xué)習(xí)退化現(xiàn)象,在保護(hù)信息完整性的同時(shí)能大大提升準(zhǔn)確率,這也是殘差網(wǎng)絡(luò)的核心思想所在。模型中改進(jìn)的CNN+GAP結(jié)構(gòu)通過對卷積層輸出特征空間信息的歸納來減少模型參數(shù)和計(jì)算成本,從而降低過擬合風(fēng)險(xiǎn),同時(shí)提高泛化能力。

圖3 改進(jìn)的ResNet50卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

ResNet50模型以分辨率224×224的輸入圖像為基準(zhǔn)。經(jīng)過用于特征提取的卷積層和用于特征處理的全局平均池化層之后,在全連接層實(shí)現(xiàn)與輸出目標(biāo)之間的映射,再經(jīng)過Softmax分類器,將特征向量輸出為計(jì)算出的每種顆粒類別的概率值。

在模型訓(xùn)練過程中需要設(shè)置一定的策略,將模型權(quán)重參數(shù)初始化為[0,1]區(qū)間的正態(tài)分布隨機(jī)數(shù),初始學(xué)習(xí)率設(shè)置為0.001,并采用了梯度下降策略。同時(shí)在全連接層添加Dropout操作以降低過擬合,以上策略經(jīng)過實(shí)踐驗(yàn)證均適用于碳酸鹽巖顆粒識別任務(wù)。經(jīng)過多次訓(xùn)練和調(diào)優(yōu)之后,對于目前所劃分的5個(gè)類別顆粒的綜合識別準(zhǔn)確率最高可達(dá)95%。

3.1.3 顆粒類型識別

將待測亮晶顆?；?guī)r圖像中的未知顆粒框選出來生成多個(gè)子圖像,經(jīng)過預(yù)處理之后送入訓(xùn)練好的模型。經(jīng)過前向計(jì)算查找輸出特征向量中的最大值,便為對應(yīng)的顆粒識別結(jié)果。待所有顆粒的子圖像識別完畢,即完成整張亮晶顆?；?guī)r圖像中的顆粒識別。

3.2 基于圖像處理的特征提取

在亮晶顆?；?guī)r圖像的精細(xì)化表征過程中,數(shù)字圖像處理主要用于獲得結(jié)構(gòu)組分特征中的顆粒含量和顆粒粒徑、形狀、接觸方式等形態(tài)學(xué)數(shù)據(jù),以及礦物組分特征中的礦物含量。具體可以歸納為3點(diǎn):(1)基于去噪、增強(qiáng)等圖像復(fù)原技術(shù)進(jìn)行預(yù)處理,輸出改進(jìn)質(zhì)量的圖像;(2)基于閾值法進(jìn)行圖像分割,再結(jié)合數(shù)學(xué)形態(tài)學(xué)后處理提取顆粒區(qū)域,通過進(jìn)一步計(jì)算輸出顆粒含量及顆粒形態(tài)學(xué)數(shù)據(jù);(3)基于對染色圖像的色彩空間處理,計(jì)算并輸出礦物含量。

3.2.1 圖像預(yù)處理

通過適當(dāng)?shù)膱D像預(yù)處理改善圖像質(zhì)量,更有利于后續(xù)圖像分割和處理。經(jīng)過實(shí)驗(yàn)驗(yàn)證,雙邊濾波算法和自適應(yīng)直方圖均衡化算法[21]適合亮晶顆?；?guī)r圖像的預(yù)處理?；陔p邊濾波算法的圖像去噪,在采樣時(shí)不僅關(guān)注像素在空間距離上的關(guān)系,也兼顧像素之間的相似度[21],因此既能較好去除圖像中細(xì)小的椒鹽噪聲,也能使顆粒邊緣得到良好保存?；谧赃m應(yīng)直方圖均衡化算法的圖像增強(qiáng),通過計(jì)算圖像的局部直方圖和重新分布亮度來改變對比度[21],可以有效增強(qiáng)顆粒區(qū)域和背景區(qū)域的灰度差異。

3.2.2 圖像分割與后處理

采用圖像分割將顆粒從背景區(qū)域中分離出來,是后續(xù)定量計(jì)算的基礎(chǔ)。圖像閾值化分割是一種經(jīng)典且應(yīng)用廣泛的傳統(tǒng)圖像分割方法?；舅枷胧抢们熬昂捅尘暗幕叶戎堤匦圆町?通過設(shè)置合適的閾值,將圖像灰度劃分為兩個(gè)或多個(gè)灰度區(qū)間[21],因此,特別適用于亮晶顆?；?guī)r這類目標(biāo)和背景區(qū)域占據(jù)明顯不同灰度范圍的圖像。其中,基于Ostu算法的最佳全局閾值處理以對整幅圖像的執(zhí)行計(jì)算為基礎(chǔ),采用了類間方差最大化思想。通過方差計(jì)算尋找到合適的灰度級別,對兩個(gè)部分之間的方差取最大值給出最佳閾值[21],可以適應(yīng)含有較多暗色顆粒的亮晶顆?；?guī)r圖像,并且計(jì)算效率也明顯優(yōu)于模糊聚類、神經(jīng)網(wǎng)絡(luò)等新興圖像分割算法。實(shí)際上,二值化處理的結(jié)果會直接影響后續(xù)對顆粒的分析,考慮到碳酸鹽巖顆粒類型的多樣性和邊緣紋理特征的復(fù)雜性,二值化圖像的閾值選擇仍然需要經(jīng)過大量的實(shí)驗(yàn)和探索。

經(jīng)過Ostu算法分割的圖像通常存在大量噪聲,且顆粒區(qū)域與背景區(qū)域仍然相連接,邊緣不夠明顯,因此,還需要結(jié)合一定的數(shù)學(xué)形態(tài)學(xué)算法對圖像進(jìn)行后處理,如腐蝕、膨脹、開操作和閉操作等。腐蝕和膨脹都是數(shù)學(xué)形態(tài)學(xué)的基本運(yùn)算,屬于以集合為基礎(chǔ)的非線性操作。腐蝕的作用是縮小或細(xì)化二值圖像中的組成部分以去除多余的毛刺,膨脹作為腐蝕的對偶運(yùn)算,作用是通過增長或粗化二值圖像中的組成部分以去除輕微的缺損。作為對偶操作,開操作一般能平滑圖像中物體的輪廓,削弱狹窄的部分并去掉較細(xì)的突出物;閉操作除了平滑輪廓之外,通常會融合較窄的缺口,消除較小的孔洞并填補(bǔ)輪廓線中的斷裂[21]?？紤]到亮晶顆-?；?guī)r圖像中顆粒的差異性以及這類圖像的特殊性,在具體的實(shí)施過程中,需要針對圖像特征,綜合運(yùn)用多種數(shù)學(xué)形態(tài)學(xué)算法進(jìn)行去噪平滑處理。

3.2.3 顆粒含量及形態(tài)學(xué)數(shù)據(jù)計(jì)算

經(jīng)過對亮晶顆粒灰?guī)r圖像的一系列處理,將顆粒區(qū)域從原圖中提取出來并細(xì)化之后,便需要設(shè)計(jì)合適的形態(tài)學(xué)處理方法,對顆粒含量及顆粒形態(tài)學(xué)數(shù)據(jù)進(jìn)行進(jìn)一步計(jì)算。

(1)顆粒含量

設(shè)置合適的閾值對亮晶顆?；?guī)r圖像進(jìn)行二值化操作。完成一定的數(shù)學(xué)形態(tài)學(xué)處理之后,通過統(tǒng)計(jì)各顆粒區(qū)域所占的像素點(diǎn)個(gè)數(shù),計(jì)算顆粒區(qū)域面積與圖像總面積的比例,便可大致求得顆粒含量。

(1)

式中:Cp為顆粒含量,%;Sp為顆粒像素面積,μm2;St為總像素面積,μm2。

(2)顆粒形態(tài)學(xué)數(shù)據(jù)

亮晶顆?；?guī)r圖像在采集時(shí)一般會帶有由顯微鏡標(biāo)尺定標(biāo)確定的比例尺。因此,利用圖像識別方法計(jì)算顆粒形態(tài)學(xué)參數(shù)時(shí),首先需要以比例尺作為基準(zhǔn)換算出每個(gè)像素點(diǎn)代表的實(shí)際尺寸。

為了適應(yīng)碳酸鹽巖顆粒方向的隨機(jī)性和外形一定程度上的不規(guī)則性,設(shè)計(jì)了最小外接圓法和最小外接矩形法兩種方法,作為顆粒形態(tài)學(xué)參數(shù)計(jì)算的基礎(chǔ)。其基本原理是利用最小外接圓或最小外接矩形把顆粒區(qū)域包含在內(nèi),并確定最小外接圓的直徑或最小外接矩形的長短軸,然后根據(jù)不同顆粒的形狀特點(diǎn)及其在圖像中的位置特征,建立直徑或長短軸數(shù)值與實(shí)際顆粒之間的對應(yīng)關(guān)系,并獲得顆粒的形態(tài)學(xué)數(shù)據(jù)。

對于碳酸鹽巖顆粒粒徑,鑒定人員通常對照顯微鏡目鏡標(biāo)尺進(jìn)行測量?？紤]到可應(yīng)用性,建議在顆粒邊緣提取的基礎(chǔ)之上計(jì)算每個(gè)顆粒的最小外接圓或最小外接矩形,以最小外接圓的直徑或最小外接矩形的長軸近似作為顆粒的粒徑d。最小外接圓或最小外接矩形的選擇則視具體的顆粒類型而定。

在薄片中估計(jì)顆粒形狀,主要通過參考國家標(biāo)準(zhǔn)進(jìn)行。雖然以往也有學(xué)者曾提出對顆粒圓度進(jìn)行定量劃分[24],但在實(shí)際鑒定中卻多為簡單的定性劃分(圓/橢圓/次圓),且主要針對內(nèi)碎屑、包粒等顆粒進(jìn)行。

本研究對顆粒形狀的估算設(shè)計(jì)了兩種方案(圖4):一種是使用顆粒最小外接矩形的長寬比P1,越接近1則認(rèn)為顆粒形狀越接近圓形;另一種是計(jì)算顆粒面積與顆粒最小外接圓面積的比值P2,越接近1則認(rèn)為顆粒越接近圓形。如果根據(jù)統(tǒng)計(jì)得出整張圖像不同形狀顆粒的P1或P2范圍,便可設(shè)置合適的閾值對顆粒形狀進(jìn)行進(jìn)一步劃分。

圖4 顆粒形狀確定方法示意

由亮晶膠結(jié)物將碳酸鹽巖顆粒膠結(jié)起來是亮晶顆?；?guī)r的典型特征。膠結(jié)類型劃分為基底式、孔隙式、接觸式[20],相應(yīng)地,顆粒間接觸方式劃分為無接觸、點(diǎn)接觸、線接觸。

交并比(IoU)通過候選框與原標(biāo)注框的重合率,即交集與并集的比值來評價(jià)圖像分割的準(zhǔn)確率,在行業(yè)內(nèi)有廣泛應(yīng)用[25]。本研究對交并比概念進(jìn)行簡化,通過計(jì)算顆粒外輪廓最小外接圓或最小外接矩形之間相交區(qū)域與相并區(qū)域面積的比值,來確定兩個(gè)顆粒之間的接觸方式。如果比值很小,則認(rèn)為顆粒之間是點(diǎn)接觸;如果比值很大,則認(rèn)為顆粒之間是線接觸,但閾值參數(shù)的設(shè)置需視具體圖像而定。

3.2.4 染色圖像HSV色彩空間處理

對已使用茜素紅溶液染過色的亮晶顆?；?guī)r圖像(茜素紅會使方解石呈現(xiàn)紅色),基于HSV色彩空間提取紅色區(qū)域并進(jìn)行占比計(jì)算,便可完成簡單的礦物定量。計(jì)算機(jī)中的色彩空間圖像通常以R(Red)、G(Green)、B(Blue)三通道來描述,但這種顏色模型不太適用于對顏色的直觀描述?；谌祟愐曈X系統(tǒng)建立的HSV(Hue、Saturation、Value)模型,既可以感知圖片的亮度和色調(diào),又能夠表達(dá)色彩的明暗程度,更適用于對彩色圖像的直觀、準(zhǔn)確的描述[21]。

對染色圖像的HSV色彩空間處理主要分三步進(jìn)行:首先,將圖像從RGB色彩空間轉(zhuǎn)換到HSV色彩空間;其次,將HSV色彩空間圖像進(jìn)行可視化,并進(jìn)行顏色量化處理,將顏色空間劃分為若干個(gè)小的顏色區(qū)間;最后,結(jié)合一張或多張染色圖像,-分析出紅色在HSV色彩空間中對應(yīng)的小區(qū)間范圍,并統(tǒng)計(jì)顏色分布直方圖,通過計(jì)算小區(qū)間內(nèi)像素點(diǎn)的數(shù)量,即可求得被染為紅色的方解石含量。

4 應(yīng)用效果展示

為了驗(yàn)證以上圖像處理算法,并展現(xiàn)亮晶顆粒灰?guī)r完整的巖相學(xué)分析框架,我們選取了典型的亮晶顆粒薄片樣品來展示整個(gè)應(yīng)用過程。

對整個(gè)薄片樣品(順X井,6 646.67 m)進(jìn)行預(yù)覽后發(fā)現(xiàn)顆粒類型主要為內(nèi)碎屑,其次是包粒,在亮晶膠結(jié)物中混有少許灰泥,為典型的亮晶顆?；?guī)r類型。由于顆粒分布不均勻,需篩選出最能代表其結(jié)構(gòu)組分特征和礦物組分特征的區(qū)域作為示例進(jìn)行圖像采集,顯微鏡型號為ZEISS Axioplan2。

4.1 結(jié)構(gòu)組分特征提取

4.1.1 顆粒類型識別

顆粒類型識別為巖相學(xué)分析框架中結(jié)構(gòu)組分特征的定性表征部分,采用3.1節(jié)中提供的方法和流程完成。將實(shí)驗(yàn)亮晶顆?；?guī)r圖像裁剪為多張子圖像,經(jīng)過像素值歸一化處理之后,分別輸入到3.2.2節(jié)中訓(xùn)練好的模型中識別其中的顆粒類型。如圖5步驟一所示,綜合所有子圖像的識別結(jié)果,可知輸入圖像中的顆粒主要為內(nèi)碎屑和包粒。

圖5 亮晶顆?；?guī)r圖像結(jié)構(gòu)組分特征提取過程示例

4.1.2 顆粒含量及形態(tài)學(xué)數(shù)據(jù)計(jì)算

顆粒含量及形態(tài)學(xué)數(shù)據(jù)計(jì)算為巖相學(xué)分析框架中結(jié)構(gòu)組分特征的定量表征部分,采用3.2節(jié)中提供的方法和流程完成。根據(jù)實(shí)驗(yàn)圖像中主要顆粒(內(nèi)碎屑、包粒)的具體形態(tài)及紋理特征,在整個(gè)流程中需要對數(shù)字圖像處理方法進(jìn)行靈活運(yùn)用。

(1)顆粒含量計(jì)算

首先,對圖像進(jìn)行預(yù)處理操作,經(jīng)過圖像去噪和圖像增強(qiáng)處理之后的圖像如圖5b所示;然后,設(shè)置合適的閾值對圖像進(jìn)行二值化操作。圖5c-d展示了采用Ostu算法動(dòng)態(tài)調(diào)節(jié)閾值得到的結(jié)果,系統(tǒng)推薦的閾值是100(圖5e),最接近原圖像特征的分割結(jié)果。因此,將其設(shè)置為最佳閾值,即灰度值超過100的像素值置為0,低于100的像素值置為1。

考慮到圖像亮區(qū)域(顆粒區(qū)域)還存在一些比結(jié)構(gòu)元小的暗細(xì)節(jié),再對其進(jìn)行一次閉操作來削弱暗特征。這樣二值化時(shí)產(chǎn)生的空洞大多被填充,感興趣的目標(biāo)區(qū)域便被提取出來(圖5g),白色區(qū)域?yàn)轭w粒區(qū)域,黑色區(qū)域?yàn)楸尘皡^(qū)域。統(tǒng)計(jì)并計(jì)算白色區(qū)域所占像素點(diǎn)個(gè)數(shù)與圖像總像素點(diǎn)數(shù)的比值,即可估算出圖中的顆粒含量為71.1%。

(2)顆粒形態(tài)學(xué)參數(shù)計(jì)算

由于二值化圖像的白色區(qū)域有粘連并且噪聲較多,采用形態(tài)學(xué)濾波算法對二值化圖像迭代的進(jìn)行2次腐蝕和2次膨脹操作,再經(jīng)過8次開閉運(yùn)算,即可將圖5g中連為一體的顆粒區(qū)域分開,得到圖5h。

接著,在圖5h中查找每一個(gè)連通區(qū)域,使用Sobel算子提取每一個(gè)連通區(qū)域的外輪廓,并繪制最小外接矩形和最小外接圓,將計(jì)算得到的圓形框和矩形框疊加到原圖像上,分別得到圖5i和圖5j。

同時(shí),根據(jù)比例尺換算出每一個(gè)像素點(diǎn)的尺寸是1.72 μm,顆粒形態(tài)學(xué)參數(shù)即可通過像素點(diǎn)尺寸和與最小外接圓/最小外接矩形相關(guān)的幾何參數(shù)來計(jì)算獲得。

①顆粒粒徑。計(jì)算圖5j中每一個(gè)圓形框的直徑,即可得到每一個(gè)圓形框中對應(yīng)的顆粒粒徑,其中,最大的顆粒粒徑占據(jù)216個(gè)像素點(diǎn),為371.5 μm,最小的顆粒粒徑占據(jù)81個(gè)像素點(diǎn),為139.3 μm。此處需要說明的是,由于最小外接圓的計(jì)算結(jié)果直接影響顆粒粒徑參數(shù),因此,在基于隨機(jī)增量法的計(jì)算過程中,統(tǒng)計(jì)時(shí)需要去除過大或過小的異常值,將出現(xiàn)頻率較高的直徑作為顆粒直徑。經(jīng)過實(shí)驗(yàn)驗(yàn)證,這種方法可以較好地匹配顆粒真實(shí)直徑。

②顆粒形狀。亮晶顆?；?guī)r中的內(nèi)碎屑和包粒多呈圓、次圓或橢圓形。此處采用3.2.3(2)節(jié)中的第一種方案,對圖5i中每一個(gè)顆粒最小外接矩形的長寬比(L/W)進(jìn)行了統(tǒng)計(jì)(此處的長寬比是指矩形長邊和短邊的比值,因此,長寬比一定大于等于1.0),并邀請具有多年巖礦鑒定的專家對不同顆粒形狀所對應(yīng)的閾值范圍進(jìn)行了觀察與設(shè)置:當(dāng)L/W≥1.5時(shí),對應(yīng)的顆粒形狀為橢圓形;當(dāng)1.2≤L/W<1.5時(shí),對應(yīng)的顆粒形狀為次圓;當(dāng)1≤L/W<1.2,對應(yīng)的顆粒形狀為圓形。如圖5k中顆粒的長寬比為1.06,判斷該顆粒形狀為圓形;圖5l中顆粒的長寬比為1.61,判斷該顆粒形狀為橢圓形。

③顆粒接觸方式。根據(jù)原始圖像特征,將亮晶顆?；?guī)r中顆粒之間的接觸方式簡化為無接觸、點(diǎn)接觸和線接觸。在圖5j的基礎(chǔ)上進(jìn)一步計(jì)算相鄰兩個(gè)最小外接圓之間的相交的部分,以紅色區(qū)域表示,計(jì)算相交面積與最小外接圓面積的比值(IoU)。同時(shí)邀請具有多年巖礦鑒定的專家,對不同顆粒接觸方式所對應(yīng)的閾值范圍進(jìn)行了觀察與設(shè)置:當(dāng)IoU=0時(shí),對應(yīng)的顆粒接觸方式為無接觸;當(dāng)0

4.2 礦物組分特征提取

巖相學(xué)分析框架中的礦物組分特征提取部分,采用3.2.4節(jié)中提供的方法和流程完成。

將亮晶顆?；?guī)r薄片樣品的蓋玻片揭下,進(jìn)行茜素紅染色處理之后,對同一區(qū)域再次拍照,獲得RGB色彩空間的染色圖像(圖6a),將其轉(zhuǎn)換到HSV色彩空間并進(jìn)行可視化處理之后獲得圖6b。統(tǒng)計(jì)HSV圖像的顏色分布直方圖,首先對目標(biāo)染色圖像進(jìn)行觀察,根據(jù)直方圖的特性統(tǒng)計(jì)分析出紅色在HSV色彩空間中對應(yīng)的數(shù)值范圍;然后將屬于該范圍的圖像區(qū)域提取出來,統(tǒng)計(jì)提取出來的像素點(diǎn)個(gè)數(shù),即可求得被染為紅色的方解石含量。圖6c中的白色區(qū)域表示被染為紅色的區(qū)域,根據(jù)統(tǒng)計(jì)結(jié)果,該圖像中方解石含量為95.4%。

圖6 亮晶顆?；?guī)r圖像礦物組分特征提取過程示例

4.3 應(yīng)用結(jié)果與人工鑒定對比

根據(jù)整個(gè)巖相學(xué)分析框架,融合圖像處理和深度學(xué)習(xí)技術(shù),對實(shí)驗(yàn)圖像組分特征進(jìn)行了分析(表2)。表2對比了專家的人工鑒定結(jié)果和本實(shí)驗(yàn)基于圖像的鑒定結(jié)果。由于砂屑屬于內(nèi)碎屑類別,鮞粒屬于包粒類別,因此,兩種方法對于顆粒類型的判斷和顆粒粒徑的計(jì)算基本保持一致。對顆粒形狀和顆粒接觸方式,人工鑒定方法為主觀描述,圖像分析方法為定量計(jì)算,雖然結(jié)果略有出入,但主要的顆粒形狀和主要的顆粒接觸方式仍保持一致。顆粒含量結(jié)果有一定出入,但差值小于10%,這與人工鑒定需要觀察多個(gè)視域,而圖像分析僅針對薄片樣品中最具代表性的區(qū)域有關(guān)。在礦物組分特征部分,兩種方法給出的數(shù)據(jù)也差別不大,雖然當(dāng)前的圖像分析方法暫時(shí)給不出人工鑒定對于方解石之外其他礦物組分的鑒定結(jié)果,但針對茜素紅染色的亮晶顆粒灰?guī)r圖像,基于圖像分析法定量區(qū)分方解石與其他礦物可以精確至小數(shù)點(diǎn)后1位,相對于人工估算方法而言仍然具有一定優(yōu)勢。

表2 亮晶顆?；?guī)r人工鑒定與圖像分析結(jié)果對比

關(guān)于顆粒類型與人工鑒定結(jié)果的差異,是標(biāo)簽制作不夠精細(xì)造成的。下一步有必要對顆粒標(biāo)簽進(jìn)行分級標(biāo)注,重新訓(xùn)練并進(jìn)行校正。

經(jīng)過測試,在I7-3.1GHz處理器、GTX1080顯卡(8 GB內(nèi)存)的硬件環(huán)境下,從輸入單張實(shí)驗(yàn)圖像到輸出所有的測試結(jié)果,系統(tǒng)的平均處理時(shí)間約為312 ms,大大優(yōu)于人工鑒定所耗費(fèi)的時(shí)間。

5 討論

本文以亮晶顆粒灰?guī)r為研究對象,通過一套較為完整的巖相學(xué)分析框架,建立起從巖石特征到薄片圖像之間的映射關(guān)系,并以深度學(xué)習(xí)為基礎(chǔ),結(jié)合數(shù)字圖像處理,設(shè)計(jì)了全流程的亮晶顆?；?guī)r圖像特征綜合提取算法。以順X井亮晶顆粒灰?guī)r薄片樣品為例,通過完整的圖像識別過程驗(yàn)證了各個(gè)特征點(diǎn)提取算法的有效性,并與人工鑒定報(bào)告進(jìn)行對比。結(jié)果表明,本文提出的框架能夠有效表征亮晶顆粒灰?guī)r中的有意義信息,提供的算法也能夠有效地提取這類圖像中的目標(biāo)信息。

在巖石學(xué)領(lǐng)域,相對于以探索巖石成因?yàn)槟康牡膸r理學(xué),以巖石分類和描述為目的的巖相學(xué)更適合作為圖像分析的應(yīng)用場景。巖礦鑒定專家在面向具體薄片對象時(shí),從人眼到人腦的活動(dòng)過程在邏輯上其實(shí)可以抽象為三個(gè)層次:(1)提取目標(biāo)薄片在顯微鏡下的全局特征,將巖石對象定義到具體類別;(2)設(shè)置邏輯合理的結(jié)構(gòu)層次,梳理出該類巖石對應(yīng)的巖相學(xué)框架;(3)對框架中包含的各類局部特征信息進(jìn)行觀察、判斷和描述,并完成組合和輸出。相應(yīng)地,專家經(jīng)驗(yàn)也可以抽象為在各個(gè)層次的各個(gè)任務(wù)中都能夠隨意調(diào)用的、大腦中已經(jīng)訓(xùn)練好的數(shù)個(gè)模型。以亮晶顆?；?guī)r薄片樣品的鑒定過程為例(圖7):首先,專家依次通過巖石大類分類模型將其劃分為沉積巖,通過沉積巖分類模型將其進(jìn)一步劃分為碳酸鹽巖,通過碳酸鹽巖分類模型再進(jìn)一步將其劃分為亮晶顆?；?guī)r;接著,專家調(diào)用大腦中儲存的亮晶顆粒灰?guī)r巖相學(xué)分析模型,并迅速制定相應(yīng)的薄片鑒定策略;最后便是執(zhí)行策略,包括鑒定顆粒種類并記錄顆粒的各項(xiàng)定性和定量特征,觀察記錄亮晶膠結(jié)物的各項(xiàng)特征,并進(jìn)一步通過染色溶液來區(qū)分方解石和其他碳酸鹽礦物等。完成所有觀察內(nèi)容之后,即可輸出相應(yīng)的薄片鑒定報(bào)告。

圖7 巖礦鑒定人腦活動(dòng)層次圖示例

然而,前人對巖石薄片圖像的分析研究多集中于某些特定類型的局部特征(如礦物/化石分類),忽視了對人類大腦活動(dòng)的全流程模擬,即缺乏對巖石圖像信息結(jié)構(gòu)層次的系統(tǒng)分析和對信息特征的深度挖掘;采用的方法也多為單一型算法或模型,這嚴(yán)重制約了巖石薄片圖像智能分析向真實(shí)場景的發(fā)展。相對而言,設(shè)計(jì)的基于圖像的亮晶顆?；?guī)r巖相學(xué)分析框架,是在方法研究與實(shí)際應(yīng)用之間搭建橋梁的一次有益嘗試。在對框架內(nèi)圖像特征信息進(jìn)行提取的過程中,一方面,利用卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)和推理能力來實(shí)現(xiàn)顆粒類型的識別;另一方面,針對不同的目的,靈活運(yùn)用數(shù)字圖像處理技術(shù)來計(jì)算獲得顆粒含量、粒徑、形狀、接觸方式以及方解石礦物組分的相對含量,使得整個(gè)圖像分析流程在規(guī)范性的同時(shí)兼具靈活性。相對于大型神經(jīng)網(wǎng)絡(luò)模型需要的算力而言,融合深度學(xué)習(xí)與圖像處理的方法對普通用戶更加友好?？傮w來看,本研究提出的“巖相學(xué)分析框架”結(jié)合“圖像分析算法”模式,可作為涵蓋流程與技術(shù)的亮晶顆粒灰?guī)r圖像信息挖掘模型,據(jù)此實(shí)現(xiàn)對這一類碳酸鹽巖的智能化、規(guī)范化、流程化鑒定。在面對其他具有統(tǒng)一特征的巖石類型圖像時(shí),也可參考這種模式,對圖像信息進(jìn)行全方位和系統(tǒng)性的挖掘。

本研究搭建的ResNet50網(wǎng)絡(luò)結(jié)構(gòu)以及訓(xùn)練出的超參數(shù),依賴于當(dāng)前典型類別的小規(guī)模數(shù)據(jù)集。在實(shí)際薄片鑒定過程中,由于碳酸鹽巖顆粒的形態(tài)及紋理特征變化復(fù)雜,并且很可能遭受后期成巖作用(如重結(jié)晶作用、白云石化等)干擾而改變或混淆其特征,因此,面向大規(guī)模巖石薄片樣本時(shí),當(dāng)前模型必定會面臨普適性下降的問題。本研究提供的預(yù)處理和數(shù)學(xué)形態(tài)學(xué)處理算法,以及推薦的閾值范圍,適用于最常見的內(nèi)碎屑和包粒?？紤]到碳酸鹽巖顆粒的多變性和復(fù)雜性,在面向具有不同特征的顆粒對象時(shí),需要設(shè)置其他更為合適的圖像處理方法和閾值。這些方法都屬于手工設(shè)計(jì)的特征提取算法,和深度學(xué)習(xí)模型的特征提取能力存在一定差距。如果能利用目標(biāo)檢測算法實(shí)現(xiàn)具有統(tǒng)計(jì)學(xué)意義的碳酸鹽巖顆粒的定位和分類,并進(jìn)一步計(jì)算形態(tài)學(xué)參數(shù),結(jié)果應(yīng)該會更為理想。另外,本研究設(shè)計(jì)的基于圖像的巖相學(xué)分析框架和提供的圖像分析算法,僅適用于亮晶顆?；?guī)r,在進(jìn)行其他類型碳酸鹽巖(如晶粒型碳酸鹽巖、粘結(jié)巖等)以及其他類型巖石(如碎屑巖)的分析時(shí),雖然可借鑒“巖相學(xué)分析框架”結(jié)合“圖像分析算法”這種模式,但必須根據(jù)具體的對象特征,來重新設(shè)計(jì)巖相學(xué)框架和具體的算法。

事實(shí)上,面對巖石這種自然界最復(fù)雜的固態(tài)多端元混合物,并不存在統(tǒng)一的巖相學(xué)分析框架適用于所有巖石類型,也不存在通用的卷積神經(jīng)網(wǎng)絡(luò)模型或圖像處理算法,能解決所有類型巖石的圖像分析問題。雖然關(guān)于巖石薄片圖像的研究與日俱增,但面向具體應(yīng)用時(shí)仍然受到極大的限制,其原因可以從巖石圖像特征和圖像識別技術(shù)兩個(gè)角度進(jìn)行分析。

三大類別巖石(巖漿巖、沉積巖、變質(zhì)巖)在復(fù)雜的地質(zhì)作用過程中既相互區(qū)別又相互轉(zhuǎn)化,體現(xiàn)到圖像特征上可以歸納為:(1)由于成因差異,造成不同類別、亞類、子類的巖石圖像之間存在明顯的類間差異,如三大巖典型圖像;(2)由于巖石圈演化過程中物質(zhì)的繼承性,使得某些不同類別和不同級別巖石的組成端元(礦物)類似,圖像之間存在一定的相似性和重疊性,如砂巖和變余砂巖的礦物組分基本重疊,某些頁巖和板巖、灰?guī)r和大理巖的圖像十分相似;(3)由于成巖過程中遭受各種影響因素的不確定性,造成同子類巖石圖像也存在類內(nèi)差異,以砂巖為例,不同的壓實(shí)強(qiáng)度、分選性、蝕變程度、孔隙發(fā)育程度等,甚至不同的制片方式,會使得砂巖圖像呈現(xiàn)完全不同的特征;(4)由于形成過程中無處不在的能量交換(如交代作用、蝕變作用),使得巖石圖像中某一類具體的局部特征也存在強(qiáng)烈的不確定性。以碳酸鹽巖中常見的內(nèi)碎屑和包粒為例,有的色暗,有的色亮,有的因重結(jié)晶作用或交代作用而色淺、邊界模糊,還有的因白云石化或溶蝕作用而破壞原結(jié)構(gòu)形態(tài)。當(dāng)面臨大規(guī)模巖石薄片圖像樣本時(shí),這些特征的出現(xiàn)是非常隨機(jī)的。因此,與人臉識別、醫(yī)學(xué)影像識別等針對某一特定類別的應(yīng)用場景不同,巖石薄片圖像識別屬于具有多層級多類別結(jié)構(gòu)的復(fù)雜應(yīng)用場景。對不同層級和類別結(jié)構(gòu)的巖石薄片圖像,需要設(shè)計(jì)不同的巖相學(xué)框架來對其中蘊(yùn)含的地質(zhì)信息進(jìn)行表征。在設(shè)計(jì)過程中,既要考慮其特殊性,又要考慮巖石特征的普遍性,同時(shí)還要考慮基于圖像技術(shù)的可實(shí)現(xiàn)性。因此,需要緊密融合巖礦鑒定專家與圖像識別專家的經(jīng)驗(yàn),這對研究人員提出了更高的要求。

巖石薄片圖像強(qiáng)烈的多變性和隨機(jī)性對圖像識別技術(shù)提出了新的挑戰(zhàn)。圖像領(lǐng)域的深度學(xué)習(xí)算法最適用于提取巖石薄片中復(fù)雜的組分和結(jié)構(gòu)特征,但面向巖石薄片圖像的深度學(xué)習(xí)算法面臨著許多困難。例如:(1)以往的深度學(xué)習(xí)大多在特征典型的數(shù)據(jù)集上驗(yàn)證模型性能,而且在方法設(shè)計(jì)時(shí)通常只考慮簡單場景的情形。這就很難驗(yàn)證模型在復(fù)雜場景中的性能,會嚴(yán)重制約圖像識別在現(xiàn)實(shí)場景中的應(yīng)用。(2)巖石薄片圖像數(shù)據(jù)集的樣本量小且制作難度高。數(shù)據(jù)集的數(shù)量和質(zhì)量會直接影響模型的訓(xùn)練效果,公共應(yīng)用領(lǐng)域較高的識別準(zhǔn)確率背后通常是以動(dòng)輒幾百萬上億的數(shù)據(jù)量為支撐。而制作巖石薄片圖像數(shù)據(jù)集時(shí),一方面,面對的特征類型非常多,如巖石類別、礦物類別、孔隙類別,以及不同類型巖石所具有的不同的全局特征和局部特征等。以每種具體特征類型為目標(biāo)的深度學(xué)習(xí)訓(xùn)練,都需要有對應(yīng)的數(shù)據(jù)集作為支撐。另一方面,巖石先天的復(fù)雜性使得每一種具體的特征都具有強(qiáng)烈的多變性。而且對這些變化的準(zhǔn)確識別和精確標(biāo)注大多數(shù)時(shí)候都需要依賴于專業(yè)人員,大大提升了制作數(shù)據(jù)集的難度。考慮到這些因素,在擴(kuò)充多類別高質(zhì)量巖石薄片圖像數(shù)據(jù)集的同時(shí),采用更加符合人類思維方式的策略來訓(xùn)練模型以提升識別能力,都將是巖石薄片智能識別研究中值得嘗試的重要方向。

6 結(jié)論

(1)針對亮晶顆粒灰?guī)r構(gòu)建了一套基于圖像的巖相學(xué)分析框架,包含結(jié)構(gòu)組分特征和礦物組分特征兩部分。結(jié)構(gòu)組分特征包含對顆粒種類、顆粒含量和顆粒形態(tài)學(xué)參數(shù)的定性和定量分析;礦物組成特征包含對方解石和其他礦物的定性和定量分析。通過巖相學(xué)分析框架建立起從巖石特征到薄片圖像之間的映射關(guān)系。

(2)融合深度學(xué)習(xí)和圖像處理,對亮晶顆?；?guī)r巖相學(xué)框架中的內(nèi)容設(shè)計(jì)了全流程的圖像特征綜合提取算法。采用卷積神經(jīng)網(wǎng)絡(luò)識別顆粒類型;采用數(shù)字圖像處理計(jì)算顆粒含量、粒徑大小、形狀和接觸方式以及方解石和其他礦物的相對含量。

(3)以順X井亮晶顆?；?guī)r薄片樣品為例,通過完整的圖像識別過程,驗(yàn)證了各個(gè)特征點(diǎn)提取算法的有效性,并與人工鑒定報(bào)告進(jìn)行對比。結(jié)果表明,本文提出的框架能夠有效地表征亮晶顆粒灰?guī)r中的有意義信息,提供的算法也能夠有效地提取這類圖像中的目標(biāo)信息,且整個(gè)圖像分析流程兼具規(guī)范性和靈活性。

(4)本研究提出的“巖相學(xué)分析框架”結(jié)合“圖像分析算法”模式,可作為涵蓋流程與技術(shù)的巖石薄片圖像信息挖掘模型,推廣至其他類型巖石薄片圖像的智能識別研究,但必須根據(jù)具體的對象特征來重新設(shè)計(jì)巖相學(xué)框架和具體的算法。

(5)巖石的天然屬性決定了不存在統(tǒng)一的巖相學(xué)分析框架適用于所有巖石類型,也不存在通用的深度學(xué)習(xí)或圖像處理算法適用于所有巖石薄片圖像。面向多層級多類別結(jié)構(gòu)的巖石薄片圖像,需要設(shè)計(jì)不同的巖相學(xué)分析框架和圖像分析算法,來表征圖像中有意義的地質(zhì)信息,緊密融合巖礦專家與圖像專家的經(jīng)驗(yàn),擴(kuò)充多類別高質(zhì)量巖石薄片圖像數(shù)據(jù)集,采用更加符合人類思維方式的策略來訓(xùn)練模型等,這將是推動(dòng)巖石薄片智能識別研究的有益嘗試。

利益沖突聲明/Conflict of Interests

所有作者聲明不存在利益沖突。

All authors disclose no relevant conflict of interests.

作者貢獻(xiàn)/Authors’Contributions

余曉露參與實(shí)驗(yàn)設(shè)計(jì);杜崇嬌、蔣宏完成實(shí)驗(yàn)操作;余曉露、李龍龍、盧龍飛參與論文寫作和修改。所有作者均閱讀并同意最終稿件的提交。

The study was designed by YU Xiaolu. The experimental operation was completed by DU Chongjiao and JIANG Hong. The manuscript was drafted and revised by LI Longlong and LU Longfei. All the authors have read the last version of paper and consented for submission.