Автоматическое распознавание и типизация коллекторов по томографическим изображениям на основе технологии компьютерного зрения

В геологических исследованиях анализ керна играет важную роль в определении физических и химических свойств горных пород. Однако, традиционные методы описания и типизации пород основаны преимущественно на визуальной оценке, требуют много времени и подвержены субъективным факторам. В данном исследовании рассмотрен альтернативный подход, объединяющий компьютерное зрение и рентгеновскую компьютерную томографию (КТ), для описания и типизации горных пород в исследованиях керна. На основе микротомографии стандартных образцов керна, была создана база данных с томографическими изображениями для различных типов коллекторов. Все изображения были размечены по различным признакам, распознаваемых на томографических снимках, включая название породы, основную текстуру, наличие трещин, сульфидизации и индивидуальные характеристики породы. Применяя глубокую нейронную сеть ResNet 50, удалось достичь точности классификации признаков на томографических изображениях около 98-99%. Полученные результаты могут быть использованы для расчленения пород по томографическим признакам и объединения их в устойчивые группы, называемые "томофациями". Использование компьютерного зрения для анализа и классификации томографических изображений керна обладает практическими преимуществами, такими как более полные данные о структурных и вещественных свойствах пород, автоматизация процесса описания пород, повышение эффективности и точности, а также снижение финансовых затрат. Дальнейшее развитие этой технологии может привести к созданию более сложных моделей и алгоритмов, расширению базы данных и улучшению точности и широты применения данного подхода.