《Applied Computing and Geosciences》：Automated Identification of Stylolites in Geological Whole-Core Images using Hybrid Deep Learning Networks
编辑推荐：
为解决碳酸盐岩储层中缝合线(Stylolites)与裂缝等结构-成岩特征人工识别耗时、主观性强的问题，本研究采用创新的混合深度学习框架，将YOLOv5目标检测与ResNeXt-50图像分类相结合，实现了对全岩心图像中五大类地质特征（缝合线、裂缝、水平/垂直岩心塞、完整岩石）的自动识别与分类，最终模型在未见数据上分类准确率达92%。该工作为地下流体（如H2、CO2、天然气）流动模拟提供了精准的地质特征数据支撑，推动了岩心分析向自动化、智能化转型。
在地球深部，岩石并非总是完整一块。在巨大的压力和漫长的地质时间里，一种被称为“缝合线”(Stylolites)的复杂结构在岩石中悄然形成。它们看起来像不规则的锯齿状缝合面，通常填充着黏土、黄铁矿等不溶于水的残留物，颜色比周围岩石更深。在油气田、二氧化碳封存或氢气地下储库中，这些微小的结构扮演着至关重要的角色：有时它们是阻挡流体流动的“屏障”，有时却又成为流体迁移的“高速公路”。因此，精确识别和表征岩心中的缝合线，是预测地下流体如何流动、评估储层性能的关键一步。
然而，传统的岩心分析依赖于地质学家在岩心库里手动观察、描述成千上万张岩心照片，这个过程不仅劳动强度大、耗时漫长，还难免带入个人主观偏差。尽管岩心扫描技术已实现数字化存档，但高效处理这些海量图像、自动提取地质信息的工作流程仍然欠缺。以往的研究多聚焦于利用机器学习识别裂缝，而对同样重要的缝合线的自动识别，几乎是一片空白。发表在《Applied Computing and Geosciences》上的这项研究，正是为了填补这一空白。研究团队开发了一套全新的混合深度学习工作流程，首次实现了对全岩心图像中缝合线和裂缝等特征的完全自动化识别与分类，将地质学家从繁重的肉眼判读中解放出来，为数字岩心分析树立了新标杆。
为开展此项研究，研究人员运用了多项关键技术方法。首先，研究数据来源于中东地区一个碳酸盐岩储层三口井的约150米岩心RGB照片。技术核心是一个两阶段混合框架：第一阶段，利用基于YOLOv5架构的目标检测模型，自动从包含多个岩心的原始图像中定位并裁剪出单个岩心段，实现背景去除和岩心区域提取。第二阶段，将裁剪后的岩心图像进一步分割成1827个小图块(300×300像素，对应6.2×6.2厘米)，并人工标注为缝合线、裂缝、水平岩心塞、垂直岩心塞和完整岩石五类。为解决数据不平衡问题，采用了翻转、旋转、亮度对比度调整等数据增强技术，将数据集扩增至约16000张图像。最后，使用在ImageNet数据集上预训练的ResNet-50和ResNeXt-50两种卷积神经网络(CNN)架构，在增强后的数据集上进行微调，以完成最终的图像分类任务。训练中采用了dropout和自适应学习率调度等正则化技术以防止过拟合。
研究结果
3.1. 自动岩心段检测
YOLOv5模型成功实现了对原始全岩心图像中岩心段边界以及水平、垂直岩心塞位置的自动检测与框选。该模型的损失函数、精度和mAP_0.5曲线在约120个训练周期后趋于稳定，未出现过拟合迹象，表明其检测性能可靠，为后续分类任务提供了高质量的预处理数据。
3.2. 分类
3.2.1. 预训练网络的准确性
直接应用在ImageNet上预训练的ResNet-50和ResNeXt-50模型到岩心分类数据集，初始验证准确率分别为63%和78%。但两者均在约150个周期后出现验证损失上升，表明存在过拟合，需要进行网络调优。
3.2.2. 网络调优
通过对预训练网络进行微调，并结合动态学习率调整与dropout正则化，有效抑制了过拟合。调优后的ResNet-50和ResNeXt-50模型在验证集上的准确率分别提升至80%和92%，其中ResNeXt-50在约250个周期后达到稳定，性能更优。对ResNeXt-50的混淆矩阵分析显示，模型对“完整岩石”和“垂直岩心塞”的分类非常准确（正确率>99%），而“缝合线”和“裂缝”之间存在一定的误判（例如，部分裂缝被误判为缝合线），这主要是由于两者在二维岩心图像中视觉特征相似所致。
结论与意义
本研究成功开发并验证了一套基于YOLOv5目标检测与ResNeXt-50图像分类的混合深度学习工作流程，首次实现了对碳酸盐岩全岩心图像中缝合线、裂缝等关键地质特征的自动化识别与分类。该方法的核心贡献在于：1) 全自动化：通过YOLOv5自动定位岩心，省去了繁琐的手动裁剪步骤，极大提升了处理效率；2) 高精度：微调后的ResNeXt-50模型在未见过的全岩心图像上取得了92%的最佳分类准确率，证明了深度学习在此类复杂地质图像识别中的强大能力；3) 解决实际难题：直接针对了常规岩心分析(CCAL)中劳动密集、主观性强、缝合线识别缺失的痛点，为地质学家提供了强有力的辅助工具。
这项研究的深远意义在于，它为地下储层表征，特别是涉及氢气、二氧化碳或天然气储存的流体流动模拟，提供了更准确、更客观的地质特征数据基础。自动化的分类结果可沿井深生成连续的“特征图谱”，快速指示缝合线、裂缝的发育层段，从而更好地评估其对储层渗透性各向异性的影响。尽管当前方法尚不能量化单个图块内的特征数量，但未来的工作可引入实例分割或语义分割技术来实现这一功能。总之，该研究标志着岩心分析向智能化、数字化转型迈出了坚实的一步，为地质科学的计算分析开辟了新的道路。
