在国家能源安全战略及油气资源高效勘探背景下,准确识别储层矿物组分对渗透率预测方面具有重要的影响。与地球物理测井等间接表征方法相比,岩石薄片更加直观的展示了矿物组分的分布,但常规的人工薄片鉴定方法存在耗时费力,且易受主观因素影响等问题。针对以上问题,本文基于显微镜下的砂岩薄片图像,提出了结合深度学习技术的矿物组分分割与识别方法,具体的研究内容如下: 1.针对传统UNet模型在处理砂岩薄片图像时存在边界模糊、细节损失和梯度消失等问题,提出优化的砂岩薄片图像语义分割方法(Res UNet-CBAM)。首先,该方法在UNet编解码结构中引入残差连接,增强深层语义特征的提取能力;其次引入结合混合注意力机制(CBAM),利用通道注意力和空间注意力协同强化矿物的关键特征和颗粒边界,从而提高砂岩矿物组分的分割精度;最后在实验室数据集上进行实验验证。实验结果表明,与传统UNet相比,Res UNet-CBAM在m IOU、Precision和Recall等指标上分别提升了4.25%、3.18%和3.64%,有效提高了砂岩矿物组分分割的精度。 2.针对语义分割结果存在相邻同类矿物粘连,导致矿物组分不能进行颗粒级识别与分析的问题,构建了基于改进Hybrid Task Cascade(HTC)的砂岩矿物组分实例级识别方法。首先,采用ECA-Res Ne Xt101作为特征提取网络,通过分组卷积(将输入通道划分为多组并行处理)和基数设计(32组)增强模型对矿物颗粒的特征表达能力;其次,采用AC-FPN优化特征提取金字塔,提升不同尺度特征的融合效率;最后,采用Res UNet-CBAM替换传统HTC的语义分支,增强矿物组分的语义信息表征能力。实验结果表明,该方法在m AP₇₅(62.5%)指标上较Mask R-CNN(58.9%)和Faster R-CNN(58.2%)有显著提高。验证了其在砂岩矿物组分识别任务中的有效性。 3.为了验证本文所提方法的有效性,设计并实现了砂岩薄片图像矿物组分分割与识别系统,系统主要包括图像预处理、图像分割、图像识别、结果导出和用户管理等功能模块,能够为储层矿物组分分析提供自动化、高效的工具。