張 杰，沈安江，胡安平，周進(jìn)高，佘 敏，韓明珊

1 中國石油杭州地質(zhì)研究院；2 中國石油集團(tuán)碳酸鹽巖儲(chǔ)層重點(diǎn)實(shí)驗(yàn)室

0 前 言

巖石薄片鑒定是地質(zhì)學(xué)研究和油氣勘探的重要手段，傳統(tǒng)薄片圖像分析方法主要依賴專家在顯微鏡下進(jìn)行肉眼觀察，工作量大、效率低、受專家主觀經(jīng)驗(yàn)影響大等特點(diǎn)大大制約了薄片鑒定的應(yīng)用和發(fā)展。碳酸鹽巖在油氣勘探中的作用舉足輕重，全球近50%的油氣資源分布在碳酸鹽巖中，近60%的油氣產(chǎn)量來自于碳酸鹽巖［1］。碳酸鹽巖薄片鑒定在油氣勘探中發(fā)揮了重要作用。近年來，在機(jī)器學(xué)習(xí)尤其是深度學(xué)習(xí)領(lǐng)域，智能圖像識(shí)別技術(shù)已取得重大突破，并應(yīng)用于各個(gè)領(lǐng)域。在圖像識(shí)別技術(shù)快速發(fā)展的當(dāng)下，人工智能薄片鑒定是必然的發(fā)展趨勢(shì)［2-3］。但由于結(jié)構(gòu)組分復(fù)雜，碳酸鹽巖薄片智能鑒定至今仍未有明顯突破。

目前國內(nèi)外關(guān)于薄片智能鑒定的研究大多著眼于礦物識(shí)別、算法選擇，很少從圖像準(zhǔn)備、建立標(biāo)簽到機(jī)器學(xué)習(xí)、統(tǒng)計(jì)定名等方面進(jìn)行系統(tǒng)性研究，沒有將巖石學(xué)特征和深度學(xué)習(xí)有機(jī)結(jié)合，識(shí)別的準(zhǔn)確率并不高，故而推廣應(yīng)用進(jìn)展緩慢。本文系統(tǒng)論述了薄片智能鑒定研究現(xiàn)狀、薄片智能鑒定主要內(nèi)容和碳酸鹽巖薄片智能鑒定的研究方法，并探討了碳酸鹽巖薄片人工智能鑒定存在的問題和發(fā)展方向，以期為碳酸鹽巖薄片人工智能鑒定提供新的思路。

1 薄片人工智能鑒定研究進(jìn)展

人工智能（Artificial Intelligence）簡(jiǎn)稱AI，由斯坦福大學(xué)的John McCarthy 在1956年的Dartmouth 學(xué)會(huì)上首次提出［4］。John McCarthy 被稱為“人工智能之父”，他認(rèn)為人工智能應(yīng)該是交互式的。人工智能包括人工先驗(yàn)知識(shí)+智能學(xué)習(xí)，機(jī)器學(xué)習(xí)（包括深度學(xué)習(xí)）是研究對(duì)象智能化的重要手段［2］。1950年，Turing［5］提出“機(jī)器可以思考嗎？”的問題以及“圖靈測(cè)試”，由此開啟了機(jī)器學(xué)習(xí)的序幕。

機(jī)器學(xué)習(xí)的研究對(duì)象包括聲音、圖像、文本等信息載體，而薄片智能鑒定主要是基于圖像處理的深度學(xué)習(xí)［6］。近年來，圖像處理技術(shù)在各個(gè)領(lǐng)域的應(yīng)用不斷深入，巖石圖像的分類和信息提取得到了較大的發(fā)展，神經(jīng)網(wǎng)絡(luò)模型及各類數(shù)值分析方法逐步引入到巖石薄片的圖像處理和智能識(shí)別的研究工作中［7］。由于地層中巖石類型多樣，礦物成分復(fù)雜，而且經(jīng)歷了不同程度成巖蝕變的影響，因此薄片人工智能鑒定研究在不同類型巖石中進(jìn)展不一。目前，薄片人工智能鑒定在火成巖和碎屑巖中進(jìn)展較大，主要是基于顯微鏡下薄片照片，實(shí)現(xiàn)礦物的智能識(shí)別［8-9］、巖性識(shí)別等［10］，部分實(shí)驗(yàn)準(zhǔn)確度均超過90%［11］。目前人工智能薄片鑒定主要是對(duì)礦物、孔隙進(jìn)行識(shí)別，包括對(duì)常見礦物在晶形、光性特征、紋理、顏色、元素組成等方面的差異進(jìn)行識(shí)別，以及對(duì)部分生物化石顆粒進(jìn)行識(shí)別［12-15］。

下文分別對(duì)薄片圖像人工智能鑒定在圖像準(zhǔn)備與處理、建立圖像標(biāo)簽以及深度學(xué)習(xí)等方面的研究進(jìn)展進(jìn)行論述。

1.1 圖像準(zhǔn)備與處理方面的研究進(jìn)展

薄片圖像主要來自偏光顯微鏡下的單偏光以及正交光照片，由于薄片圖像中所含礦物類型和數(shù)量多、結(jié)構(gòu)復(fù)雜，當(dāng)已有圖像不能滿足后續(xù)智能鑒定的需求時(shí)，需要對(duì)圖像進(jìn)行處理，使用的主要方法有圖像分割、圖像處理等［16］，通過處理將其中礦物（包括礦物的特征和邊界）［17-18］、孔隙、組構(gòu)等要素提取出來［19］，并進(jìn)行孔隙度和滲透率分析［20］。

圖像分割的方法較多，主要有梯度圖像、高斯平滑和局部加強(qiáng)［19］、濾波［21-22］、集成邊緣檢測(cè)和區(qū)域增長算法［23］等。Thompson 等［24］早在2001 年就曾通過提取圖像中礦物的紋理特征，從而識(shí)別出石英、長石、黑云母等10類礦物。

為了提高圖像識(shí)別精度而進(jìn)行的圖像處理方法較多，常用的有針對(duì)孔隙提取的多閾值方法［25］，提高圖像分辨率的對(duì)抗神經(jīng)網(wǎng)絡(luò)［2］，以及圖像紋理特征提取的聚類分割［26］等。

1.2 建立圖像標(biāo)簽方面的研究進(jìn)展

圖像標(biāo)簽是圖像中內(nèi)容的文本關(guān)鍵詞，建立標(biāo)簽是圖像智能識(shí)別中的關(guān)鍵環(huán)節(jié)。標(biāo)簽應(yīng)該具有排他性，也就是不同類型的標(biāo)簽所指代的對(duì)象不能有交叉含義，標(biāo)簽分類也要很明確，這樣才有助于后續(xù)的智能識(shí)別工作。巖石薄片圖像屬于多標(biāo)簽圖像［27］，針對(duì)圖像切割后形成的子圖像，需要對(duì)其中的內(nèi)容進(jìn)行標(biāo)注并建立標(biāo)簽。同類標(biāo)簽所指的對(duì)象應(yīng)該具有相同或近似的特征，需要通過監(jiān)督學(xué)習(xí)，進(jìn)行子圖像中研究對(duì)象的分類判識(shí)，并建立標(biāo)簽，劃分類型，以便后續(xù)深度學(xué)習(xí)并建立識(shí)別模型。陳釗民［27］提出了一種基于多標(biāo)簽圖結(jié)構(gòu)的多標(biāo)簽圖像識(shí)別方法，利用網(wǎng)絡(luò)結(jié)構(gòu)過濾出每個(gè)標(biāo)簽類別的特征激活向量，以解決建立標(biāo)簽工作量大的問題，合理并且高效地建立標(biāo)簽。只有建立合理的標(biāo)簽分類，才能有效應(yīng)用于后續(xù)的深度學(xué)習(xí)，然而目前針對(duì)巖石薄片圖像建立標(biāo)簽方面的研究較少。巖石薄片中的礦物、結(jié)構(gòu)組分類型多樣，同一標(biāo)簽需要綜合外形特征、內(nèi)部結(jié)構(gòu)、尺寸、顏色以及多種光性特征的照片進(jìn)行判別，造成目前標(biāo)簽分類和標(biāo)簽庫建立工作難以有效開展，也很難應(yīng)用于后續(xù)有監(jiān)督的學(xué)習(xí)以及智能識(shí)別。

1.3 深度學(xué)習(xí)方面的研究進(jìn)展

深度學(xué)習(xí)屬于表征學(xué)習(xí)方法的一種，通?；谏窠?jīng)網(wǎng)絡(luò)模型逐級(jí)表示越來越抽象的概念或模式［28］。深度學(xué)習(xí)分為無監(jiān)督的學(xué)習(xí)和有監(jiān)督的學(xué)習(xí)，在有監(jiān)督的圖像識(shí)別中，需要基于先驗(yàn)知識(shí)、標(biāo)簽和知識(shí)圖譜，通過建立深度學(xué)習(xí)模型，從而識(shí)別特定對(duì)象。

知識(shí)圖譜是深度學(xué)習(xí)重要的組成部分。20 世紀(jì)中葉，普萊斯等人首次提出了知識(shí)圖譜的概念［28］；2012 年，谷歌公司率先在搜索結(jié)果中加入知識(shí)圖譜的功能，目前知識(shí)圖譜已經(jīng)被各大搜索引擎普遍使用?；跇?biāo)簽分類建立合理的薄片圖像知識(shí)圖譜架構(gòu)是開展深度學(xué)習(xí)的基礎(chǔ)，也是保證智能識(shí)別效果的重要步驟。

深度學(xué)習(xí)在薄片鑒定中的應(yīng)用包括礦物識(shí)別、結(jié)構(gòu)組分識(shí)別、巖石類型劃分等［6,11,29］，根據(jù)礦物識(shí)別、組構(gòu)識(shí)別、內(nèi)部紋理識(shí)別、孔隙識(shí)別等不同的研究目的，所使用的方法也不同。此外，由于巖石薄片圖像的特殊性，并非所有圖像智能識(shí)別領(lǐng)域的算法都能用于巖石薄片圖像智能識(shí)別［9,30-32］。薄片圖像人工智能識(shí)別所采用的主要方法見表1。

表1 人工智能領(lǐng)域與巖石薄片圖像人工智能識(shí)別相關(guān)的主要方法及特點(diǎn)（據(jù)文獻(xiàn)［33-44］）Table 1 Main methods and characteristics related to artificial intelligence recognition of rock thin section images in the field of artificial intelligence（cited from reference［33-44］）

巖石類型和礦物識(shí)別 許多研究者通過深度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法來識(shí)別石英巖、粉砂巖、黏土巖和碳酸鹽巖，已有的方法包括基于HSV、YCbCr或RGB 顏色空間，基于C-VGG16 的向量拼接法和交叉熵?fù)p失函數(shù)巖性識(shí)別方法，基于ResNeXt 技術(shù)的巖石薄片識(shí)別與分類模型等，通過這些方法實(shí)現(xiàn)各組分的分類和定量計(jì)算［6,29,43,45］。Aligholi 等［46］則采用色彩跟蹤方法，通過計(jì)算和比較單偏光與正交偏光模式下礦物的顏色變化實(shí)現(xiàn)了對(duì)礦物的分類和識(shí)別。多尺度分割的巖石影像礦物特征提取和分析方法利用了礦物圖像的光譜特征與礦物邊界、形態(tài)和紋理特征，在石英砂巖的礦物識(shí)別中效果較好［13］。此外，還有基于LeNet、GoogLeNet、ResNet、Unet、CNN-LSTM 等方法的神經(jīng)網(wǎng)絡(luò)算法［47］，均在識(shí)別礦物、區(qū)分巖石類型方面有較好的應(yīng)用。

孔隙識(shí)別 薄片孔隙識(shí)別針對(duì)的主要是鑄體薄片，目前這方面的研究方法較多，存在的問題主要是識(shí)別的精度和準(zhǔn)確性，這有賴于對(duì)像素的色調(diào)調(diào)節(jié)以及邊界處理。董少群等［25］應(yīng)用誤差校正和圖像細(xì)化結(jié)合的多閾值方法，來提取巖石鑄體薄片孔隙，基于像素色調(diào)的閾值、飽和積及小面積統(tǒng)計(jì)，通過粗提取、糾錯(cuò)、細(xì)提取3 個(gè)步驟來提高孔隙提取的準(zhǔn)確性。程國建等［31］通過將圖像分割為目標(biāo)和背景2 類，利用概率神經(jīng)網(wǎng)絡(luò)較好地識(shí)別了孔隙。Solymar 等［20］研究了丹麥上白堊統(tǒng)砂巖薄片照片的孔隙度和滲透率，通過分析不同倍數(shù)的圖像以及圖像處理，并分析局部孔隙度和滲透率，探討了不同倍數(shù)下孔隙度和滲透率的差異。

2 碳酸鹽巖薄片人工智能鑒定方法

前人關(guān)于薄片智能鑒定的研究主要集中在陸源碎屑巖、火成巖及變質(zhì)巖，而且主要是針對(duì)礦物、孔隙識(shí)別，關(guān)于碳酸鹽巖的薄片智能鑒定僅限于孔隙識(shí)別和孔隙度測(cè)定，缺乏針對(duì)碳酸鹽巖組構(gòu)的薄片智能識(shí)別綜合分析方法。碳酸鹽巖薄片圖像識(shí)別與其他圖像以及非碳酸鹽巖薄片圖像識(shí)別的差異主要表現(xiàn)在其礦物成分相對(duì)簡(jiǎn)單（常見礦物主要為方解石、白云石及少量文石），但結(jié)構(gòu)組分非常復(fù)雜（顆粒類型多、巖石結(jié)構(gòu)多樣、孔隙類型多樣），因此在圖像準(zhǔn)備和處理、標(biāo)簽庫建立、人工標(biāo)注、知識(shí)圖譜、深度學(xué)習(xí)以及統(tǒng)計(jì)和命名方面有特別要求。

2.1 圖像的準(zhǔn)備和處理

由于碳酸鹽巖中的主要礦物方解石和白云石在鏡下均為無色透明礦物，呈高級(jí)白干涉色，在不染色的情況下很難在鏡下進(jìn)行區(qū)分，也難以分辨石灰?guī)r和白云巖，因此對(duì)薄片制備、圖像獲取有特殊要求。

（1）薄片制備

由于需要染色，因此制片時(shí)不能蓋玻片。制片后用茜素紅+鐵氰化鉀混合液染色以區(qū)分方解石、白云石等礦物。為了進(jìn)行孔隙結(jié)構(gòu)刻畫和儲(chǔ)層研究，需要制作鑄體薄片。由于充注紅色樹脂易與染色后的方解石混淆，因此使用藍(lán)色樹脂進(jìn)行充注制成鑄體薄片。

（2）薄片圖像成像

與非碳酸鹽巖薄片圖像識(shí)別相同，在顯微鏡下照相（單偏光，不同旋轉(zhuǎn)角度下的正交光），或者使用全自動(dòng)薄片掃描系統(tǒng)獲取不同角度、不同光性的照片［33］，為后續(xù)智能識(shí)別提供足夠的素材。

（3）圖像預(yù)處理

首先通過圖像預(yù)處理調(diào)整放大倍數(shù)、色度、清晰度、邊界和分辨率等處理，實(shí)現(xiàn)圖像歸一化（將所有圖像歸一化到相同比例尺）、圖像去噪和增強(qiáng)，以提高識(shí)別效果。然后使用雙邊濾波算法去除圖像中的椒鹽噪聲，使用直方圖均衡化算法增強(qiáng)顆粒區(qū)域和背景區(qū)域的灰度差異，在保持所有原圖像特征統(tǒng)一的情況下，使圖像特征更加清晰、圖像噪聲影響更低［47］。

（4）圖像分割

由于薄片中的物質(zhì)成分、顆粒大小等通常存在差異，不同類型及不同尺度的薄片圖形需要采用不同的圖像處理方法進(jìn)行信息提取，圖像處理計(jì)算復(fù)雜，而且信息提取的精度不高、效率較低，無法獲得較為穩(wěn)定的計(jì)算結(jié)果，因此需要將原圖像分割成多個(gè)子圖像，從而進(jìn)行分類識(shí)別。碳酸鹽巖結(jié)構(gòu)組分中首先需要提取分割的是多種多樣的顆粒，而作為碳酸鹽巖中主要的顆粒，生物化石組分的分割提取并分類識(shí)別是主要內(nèi)容。分類流程主要包括設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)模型、訓(xùn)練模型，再將分割得到的子圖像送入訓(xùn)練好的模型，得到生物化石識(shí)別結(jié)果［41］。

2.2 建立標(biāo)簽庫

碳酸鹽巖結(jié)構(gòu)組分復(fù)雜，為了提高識(shí)別效果，深度學(xué)習(xí)需要有監(jiān)督的學(xué)習(xí)訓(xùn)練策略，這就要依賴于大量高質(zhì)量的帶標(biāo)簽樣本數(shù)據(jù)來進(jìn)行訓(xùn)練和優(yōu)化，需要由專家標(biāo)注巖石組分類別標(biāo)簽樣本，從而建立標(biāo)簽庫。所建立的標(biāo)簽庫中的每一類標(biāo)簽需要有專屬特征和排他性。目前還沒有針對(duì)碳酸鹽巖分類體系建立相應(yīng)的系統(tǒng)性圖像組分標(biāo)簽分類。本文根據(jù)后期圖像深度學(xué)習(xí)模型的要求，提出了碳酸鹽巖圖像中組分標(biāo)簽分類表，將碳酸鹽巖圖像元素分為顆粒、填隙物、孔隙、礦物等4大類，以便建立恰當(dāng)?shù)臉?biāo)簽分類并在圖像智能識(shí)別中應(yīng)用，具體內(nèi)容見表2。

The aim of this study is to measure the prevalence rate of undernutrition, risk of malnutrition and obesity in the Italian gastroenterological population suffering from acute, chronic and neoplastic disease.

表2 碳酸鹽巖薄片中主要組分標(biāo)簽分類表Table 2 Classification of major component labels in carbonate thin sections

2.3 人工標(biāo)注

專家人工標(biāo)注是碳酸鹽巖薄片鑒定最關(guān)鍵的環(huán)節(jié)，也就是對(duì)碳酸鹽巖薄片圖像進(jìn)行語義分割，標(biāo)注的準(zhǔn)確與否直接決定了后期監(jiān)督學(xué)習(xí)識(shí)別的準(zhǔn)確性。人工標(biāo)注需要對(duì)圖像中所有要素進(jìn)行提取并用不同符號(hào)加以區(qū)別，其標(biāo)簽范圍應(yīng)包括圖像的全部?jī)?nèi)容，以便后續(xù)從不同角度進(jìn)行統(tǒng)計(jì)定名。以染色后的鮞?；?guī)r薄片圖像為例，其中包含的主要組分為鮞粒、白云石、填隙物，每個(gè)組分都需要分別標(biāo)注（圖1）。由于白云石化作用的影響，其中的白云石和鮞粒的標(biāo)注范圍可能存在重合，有的鮞粒因?yàn)橹亟Y(jié)晶作用，內(nèi)部結(jié)構(gòu)不明顯。鮞粒和白云石二者標(biāo)注區(qū)域的重合并不影響后續(xù)分別通過結(jié)構(gòu)組分和礦物組分進(jìn)行統(tǒng)計(jì)。在不關(guān)注填隙物成巖期次時(shí)，采用反選法將鮞粒、白云石標(biāo)注區(qū)域以外的部分定義為填隙物。如果存在其他顆粒類型，還需要對(duì)內(nèi)部結(jié)構(gòu)進(jìn)行刻畫，以區(qū)別鮞粒與其他顆粒。

圖1 碳酸鹽巖薄片染色照片與人工標(biāo)注后的染色照片F(xiàn)ig.1 Dyeing photo(a)and manually annotated dyeing photo(b)of dolomitic oolitic limestone thin section

2.4 建立知識(shí)圖譜

在薄片圖像識(shí)別中，通過對(duì)薄片圖像中不同類型組構(gòu)進(jìn)行特征提取，建立標(biāo)簽庫后，需要應(yīng)用知識(shí)圖譜將各類標(biāo)簽信息進(jìn)行自然分類、關(guān)聯(lián)，以便查閱檢索。隨著現(xiàn)代圖像、圖譜分析技術(shù)和信息科學(xué)的發(fā)展，現(xiàn)在已經(jīng)可以將薄片圖像轉(zhuǎn)化為圖譜信息，實(shí)現(xiàn)智能識(shí)別。具體來說，就是將碳酸鹽巖薄片圖像中不同類型的組構(gòu)進(jìn)行人工標(biāo)注，建立標(biāo)簽庫，將標(biāo)簽庫中的標(biāo)簽進(jìn)行分類，建立圖像內(nèi)容與標(biāo)簽的映射關(guān)系，從而建立自然關(guān)聯(lián)，有助于后期解釋學(xué)習(xí)。后續(xù)巖性智能定名后，還需要建立巖性與標(biāo)簽、不同組構(gòu)及含量、孔隙等相互之間的關(guān)聯(lián)知識(shí)圖譜，或綜合礦物、顆粒類型、基質(zhì)、膠結(jié)物、孔隙的巖相指紋圖譜，以方便查閱與調(diào)用。

2.5 碳酸鹽巖圖像深度學(xué)習(xí)

碳酸鹽巖不同結(jié)構(gòu)組分的內(nèi)部紋理特征不同（如鮞粒與有孔蟲），大小差別明顯（如鮞粒與豆粒），而且存在多期成巖作用（如海水期、大氣淡水期、埋藏期、熱液活動(dòng)期等）導(dǎo)致的復(fù)雜巖石結(jié)構(gòu)，因此在智能識(shí)別中所采用的方法與非碳酸鹽巖有所不同。碳酸鹽巖薄片圖像識(shí)別首先要區(qū)分巖石大類（顆粒結(jié)構(gòu)、生物成因巖、結(jié)晶碳酸鹽巖或混積巖），也就是區(qū)分沉積結(jié)構(gòu)是否保存，是否為顆粒支撐，以及是否存在大量非碳酸鹽礦物的混積沉積。區(qū)分巖石大類后，針對(duì)不同巖石結(jié)構(gòu)的識(shí)別，需要提取主要識(shí)別信息，借鑒次要識(shí)別信息，忽略不重要信息。如鮞粒存在薄皮鮞、同心鮞、放射鮞、復(fù)鮞、部分白云石化等，如果只是識(shí)別鮞粒，那么其內(nèi)部特征可以忽略。

碳酸鹽巖薄片圖像識(shí)別的關(guān)鍵在于非生物顆粒和生物化石提取、沉積結(jié)構(gòu)提取。由于卷積神經(jīng)網(wǎng)絡(luò)的3 個(gè)優(yōu)勢(shì)（圖像分類、語義分割、目標(biāo)識(shí)別）［48-49］，使得該技術(shù)在識(shí)別化石等碳酸鹽巖顆粒方面效果較好。用于碳酸鹽巖顆粒識(shí)別的經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型有AlexNet、VGG、ResNet、InceptionNet等模型［47］，在針對(duì)化石顆粒進(jìn)行的圖像分類、目標(biāo)檢測(cè)和語義分割等多種圖像識(shí)別中均有較好的效果。Marchant 等［50-51］利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)有孔蟲實(shí)體化石的圖像集進(jìn)行了分類和自動(dòng)識(shí)別，但僅限于使用已有數(shù)據(jù)庫圖像進(jìn)行化石識(shí)別，并未在實(shí)際生產(chǎn)環(huán)境中進(jìn)行測(cè)試。該研究雖然只是針對(duì)實(shí)體化石，但是對(duì)于薄片下鑒定生物化石仍然具有借鑒和參考意義。Liu 等［41］利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)碳酸鹽巖薄片中的22 類顆粒（圖2），共3 萬多個(gè)化石和非化石顆粒圖像進(jìn)行了識(shí)別分析，均取得較高的識(shí)別準(zhǔn)確率。余曉露等［47］基于ResNet 卷積神經(jīng)網(wǎng)絡(luò)生物化石分類方法，對(duì)有孔蟲等簡(jiǎn)單的生物化石進(jìn)行了識(shí)別，效果較好。也有研究者進(jìn)行了孢粉及花粉類型的分類以及放射蟲的識(shí)別［52］。

圖2 碳酸鹽巖中主要的生物化石、非生物顆粒、礦物和孔隙（照片a—v引自文獻(xiàn)［41］）Fig.2 Main fossils,abiotic particles,minerals,and pores in carbonate rocks(photos a-v cited from reference［41］)

卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)一定尺度范圍內(nèi)較為規(guī)則的形態(tài)具有較好的分類，對(duì)于超出閾值范圍具有相同物質(zhì)成分而形態(tài)不一的物質(zhì)的分類則精度不高，模型的泛化效果有限。有研究認(rèn)為對(duì)碳酸鹽巖不同組構(gòu)的顏色、形態(tài)、紋理特征等差異特征進(jìn)行提取，將有助于對(duì)碳酸鹽巖進(jìn)行巖石類型劃分和沉積相劃分［53］。如Patel 等［54］通過從石灰?guī)r圖像中提取顏色、形態(tài)和紋理特征并輸入概率神經(jīng)網(wǎng)絡(luò)（PNN），實(shí)現(xiàn)了對(duì)石灰?guī)r的較好分類。此外，人-機(jī)結(jié)合的巖石顯微結(jié)構(gòu)圖像系統(tǒng)分析方法利用圖像增強(qiáng)處理、非監(jiān)督分類、圖像密度分割等方法，將顏色信息與紋理描述相結(jié)合，結(jié)合專家知識(shí)決策，提取巖石薄片中較為明顯的形跡特征信息，取得了一定的成效［55］。機(jī)器學(xué)習(xí)中的許多方法，如生成對(duì)抗網(wǎng)絡(luò)（GAN）［56-57］，3D 打印技術(shù)中的圖像信息提?。?8］，模仿生物神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和功能來智能識(shí)別礦物的人工神經(jīng)網(wǎng)絡(luò)，與針對(duì)化學(xué)數(shù)據(jù)分類的隨機(jī)森林等都可以用于碳酸鹽巖圖像智能識(shí)別。

利用深度學(xué)習(xí)的算法不僅可以實(shí)現(xiàn)薄片圖像中生物化石等顆粒的智能識(shí)別，也可以實(shí)現(xiàn)礦物以及不同類型孔隙的智能識(shí)別（圖2），但一直以來研究進(jìn)展緩慢，而且沒有廣泛推廣應(yīng)用，關(guān)鍵在于沒有建立合適的目標(biāo)檢測(cè)模型以驗(yàn)證識(shí)別精度［47］。生成的模型需要結(jié)合人工標(biāo)注不斷調(diào)整校正優(yōu)化，同時(shí)需要建立碳酸鹽巖薄片圖像數(shù)據(jù)庫，增加樣本數(shù)量，引進(jìn)遷移學(xué)習(xí)的功能，拓展碳酸鹽巖薄片圖像人工智能識(shí)別的范圍和精度。

2.6 統(tǒng)計(jì)和定名

碳酸鹽巖薄片圖像的人工智能識(shí)別最終要實(shí)現(xiàn)不同結(jié)構(gòu)組分、礦物、孔隙等要素的含量統(tǒng)計(jì)，并依據(jù)巖石命名原則進(jìn)行定名，確定面孔率，建立碳酸鹽巖薄片鑒定表。

碳酸鹽巖的巖性定名多采用Folk［59］和Dunham［60］的分類，根據(jù)能否識(shí)別沉積結(jié)構(gòu)、是否為顆粒支撐以及顆粒含量、顆粒類型來進(jìn)行定名。從碳酸鹽巖薄片人工智能鑒定角度命名，需要明確命名組構(gòu)在圖像內(nèi)所占的面積，再結(jié)合沉積結(jié)構(gòu)能否識(shí)別，以及顆粒類型、粒徑大小等因素來進(jìn)行命名，見表3。

表3 碳酸鹽巖薄片人工智能鑒定命名規(guī)則（據(jù)文獻(xiàn)［59-61］，有修改）Table 3 Denomination specification for artificial intelligence identification of carbonate thin sections（modified from reference［59-61］）

3 存在問題及發(fā)展方向

3.1 存在的問題

（1）目標(biāo)檢測(cè)與語義分割

由于碳酸鹽巖存在從結(jié)構(gòu)組分、礦物組分和孔隙3 種不同角度進(jìn)行的標(biāo)簽分類，加之白云石化作用的影響，在利用目標(biāo)檢測(cè)和語義分割進(jìn)行標(biāo)注和識(shí)別時(shí)，3 種分類對(duì)象存在語義分割不明確的問題，例如：方解石填隙物/膠結(jié)物在結(jié)構(gòu)組分上屬于填隙物/膠結(jié)物，而礦物成分為方解石；不同程度白云石化的鮞粒在結(jié)構(gòu)組分上屬于鮞粒，而礦物成分為白云石。因此，需要從結(jié)構(gòu)組分、礦物組分和孔隙3 個(gè)方面建立平行的標(biāo)簽分類，從而避免語義分割不明確給后續(xù)統(tǒng)計(jì)和定名造成混亂。然而，對(duì)于存在白云石化、重結(jié)晶、溶蝕作用等多期成巖作用影響的碳酸鹽巖，如果在期次劃分和標(biāo)簽確定中存在認(rèn)知不統(tǒng)一，則在進(jìn)行語義分割時(shí)很難進(jìn)行明確區(qū)分。在確定標(biāo)簽定義時(shí)，如果不能建立分類級(jí)別清楚的架構(gòu)，容易導(dǎo)致后續(xù)識(shí)別出現(xiàn)大量的問題。

（2）含量統(tǒng)計(jì)和定名問題

碳酸鹽巖定名需要考慮不同顆粒和白云石的含量。由于成巖作用的影響，碳酸鹽巖顆?？赡芙?jīng)歷了改造，其標(biāo)簽屬性是否可以不變？例如，鮞粒內(nèi)部發(fā)生（部分）白云石化，統(tǒng)計(jì)鮞粒含量時(shí)，白云石是否去除？還是從結(jié)構(gòu)組分角度和礦物組分的角度分別進(jìn)行統(tǒng)計(jì)，例如鮞粒含量占60%，白云石含量占40%，則定名為白云質(zhì)鮞粒灰?guī)r（表4）？

表4 鮞粒碳酸鹽巖智能識(shí)別命名示例Table 4 Example of intelligence identification and namingof oolitic carbonate rocks

（3）顆粒碎片問題

由于薄片尺寸大小限制、切片原因、成巖改造以及碳酸鹽巖顆粒本身不完整等因素，薄片中所顯示的有些內(nèi)碎屑顆粒、生物化石僅有碎片，無法顯示全貌，不僅導(dǎo)致語義分割的混亂，也會(huì)給智能鑒定帶來困難，需要碳酸鹽巖專業(yè)人員根據(jù)顆粒碎片的內(nèi)部結(jié)構(gòu)識(shí)別出顆粒類型，并劃分到對(duì)應(yīng)的標(biāo)簽類型中，再通過深度學(xué)習(xí)，尋找同類型顆粒碎片內(nèi)部結(jié)構(gòu)的共性特征加以鑒定。

（4）孔隙問題

孔隙的確定需要鑄體薄片，但是由于碳酸鹽巖中存在孤立孔、體腔孔、微小孔等環(huán)氧樹脂無法充注進(jìn)去的孔隙，因此智能識(shí)別出來的孔隙比實(shí)際要少。另外，碳酸鹽巖的孔隙結(jié)構(gòu)較為復(fù)雜、類型多樣，目前智能判別孔隙類型十分困難，缺少有效的方法（如粒間孔/粒間溶孔，粒內(nèi)孔/粒內(nèi)溶孔的區(qū)分），需要專業(yè)人員人工識(shí)別，建立特殊孔隙的標(biāo)簽并應(yīng)用到機(jī)器學(xué)習(xí)中，從而避免系統(tǒng)誤差。

（5）染色問題

由于茜素紅+鐵氰化鉀混合液染色有時(shí)效，如果薄片照相時(shí)間過晚會(huì)導(dǎo)致染色效果下降，對(duì)識(shí)別效果影響較大；人工染色不均勻的問題也會(huì)影響判斷。

（6）圖像精度和放大倍數(shù)問題

由于薄片制作和成像設(shè)備精度、調(diào)焦等原因，薄片圖像可能存在精度不高的問題，會(huì)導(dǎo)致原始圖像中一些細(xì)小的礦物、孔隙、喉道的邊緣模糊而無法正常分割，如何精細(xì)刻畫圖像中目標(biāo)組分的邊界并進(jìn)行提取是碳酸鹽巖薄片圖像智能識(shí)別亟待解決的問題。許多碳酸鹽巖顆粒（如鮞粒/豆粒，粉砂/細(xì)砂/中砂/粗砂，砂屑/礫屑）需要根據(jù)大小進(jìn)行識(shí)別、區(qū)分，因此智能識(shí)別時(shí)需要結(jié)合比例尺和放大倍數(shù)考慮顆粒類型。

（7）人工標(biāo)注樣本問題

人工智能薄片鑒定需要人工標(biāo)注與智能識(shí)別結(jié)合進(jìn)行，深度學(xué)習(xí)需要依賴足夠多的人工標(biāo)注樣本和標(biāo)簽，目前樣本數(shù)量少、類別少、模型泛化能力不足的狀況難以支撐高吻合率的智能識(shí)別。

（8）算法問題

針對(duì)不同的結(jié)構(gòu)組分，選用什么樣的算法能夠使得識(shí)別效果最優(yōu)，仍然值得深入研究；深度網(wǎng)絡(luò)識(shí)別模型在準(zhǔn)確性和快速性方面仍有改進(jìn)空間。薄片智能識(shí)別在油氣勘探開發(fā)領(lǐng)域應(yīng)用的重點(diǎn)是儲(chǔ)層研究，應(yīng)當(dāng)研發(fā)相應(yīng)的算法并應(yīng)用于儲(chǔ)層評(píng)價(jià)、成巖作用和沉積微相識(shí)別中［25］，從而形成一套基于智能薄片鑒定的定量、準(zhǔn)確的儲(chǔ)層研究方法。

3.2 碳酸鹽巖人工智能研究的發(fā)展方向

碳酸鹽巖人工智能鑒定是碳酸鹽巖研究的必然趨勢(shì)，不僅應(yīng)當(dāng)立足于薄片鏡下圖像的識(shí)別，今后的發(fā)展還應(yīng)包括：

（1）碳酸鹽巖宏觀和微觀圖像人工智能的綜合鑒定。不僅限于薄片偏光照片中的透明造巖礦物［62］，重礦物、瀝青等不透明組構(gòu)、薄片的陰極發(fā)光照片、電子探針背散射照片等也需要通過反射光以及其他識(shí)別手段達(dá)到智能鑒定。CT、掃描電鏡、巖心掃描等實(shí)驗(yàn)手段獲取的碳酸鹽巖圖像也是后續(xù)人工智能鑒定的重要內(nèi)容，值得開展進(jìn)一步的研究工作，以達(dá)到全面的碳酸鹽巖巖石類型、孔隙結(jié)構(gòu)的人工智能鑒定。碳酸鹽巖沉積現(xiàn)象十分豐富，是判斷沉積環(huán)境并進(jìn)行其他研究的基礎(chǔ)，因此碳酸鹽巖沉積構(gòu)造圖像和沉積微相的人工智能識(shí)別是碳酸鹽巖研究智能化的重要內(nèi)容。

（2）針對(duì)碳酸鹽巖的核心算法研究。由于碳酸鹽巖的特殊性，有必要建立基于碳酸鹽巖的深度學(xué)習(xí)算法，從而提升碳酸鹽巖識(shí)別智能化水平。

（3）碳酸鹽巖測(cè)井資料、地球物理資料的智能解釋。許多無巖石樣品的碳酸鹽巖資料分析耗費(fèi)了大量的人工成本，測(cè)井資料和地球物理資料的智能解釋也是未來碳酸鹽巖智能識(shí)別的發(fā)展方向。

（4）建立碳酸鹽巖圖像數(shù)據(jù)庫。大數(shù)據(jù)背景下，不同地區(qū)碳酸鹽巖圖像數(shù)據(jù)庫的建立是必不可少的，包括薄片圖像數(shù)據(jù)庫、各項(xiàng)地球化學(xué)分析圖像數(shù)據(jù)庫以及沉積現(xiàn)象數(shù)據(jù)庫等［63］數(shù)據(jù)庫，這也是開展深度學(xué)習(xí)所需樣本的來源［7］，有助于提高后期識(shí)別吻合率。

由于碳酸鹽巖的復(fù)雜性，仍需要將地質(zhì)人員專業(yè)知識(shí)與后期監(jiān)督學(xué)習(xí)、建模有機(jī)結(jié)合，通過圖像切割和圖像處理手段提高智能識(shí)別精度，從而提高識(shí)別不同結(jié)構(gòu)組分和顆粒類型的吻合率，向高效率、高分辨率、高精度、高準(zhǔn)確度的方向發(fā)展。