现场岩屑图像采集通常采用湿样拍摄方式, 但光滑岩屑或清洗后的岩屑表面光洁度较高, 在外部光源照射下易产生反光现象, 影响成像质量。为解决该问题, 光源选型上采用了低角度漫反射白色复合光^[5], 并集成偏振光技术, 有效抑制了高对比度白色样品的过曝现象以及岩屑清洗后水膜引起的反光干扰, 显著提升了图像的清晰度与细节表现力。不同光源成像对比如图1所示。

图1

	Figure Option ViewDownloadNew Window
	图1 不同光源成像对比

在图像采集过程中, 由于岩屑颗粒大小不一, 堆积后难以处于同一平面, 容易因景深差异导致部分区域图像模糊。针对这一问题, 选用具备高图像稳定性、强传输能力及良好抗干扰性能的工业相机^[6], 其结构紧凑、坚固耐用, 便于安装, 支持长时间连续作业, 适应复杂恶劣的工作环境。经综合对比验证, 最终选用了高像素彩色面扫描CMOS工业相机, 满足岩屑图像精准采集的需求。不同设备成像对比图如图2所示。

图2

	Figure Option ViewDownloadNew Window
	图2 不同设备成像对比

在变焦或近距离拍摄过程中, 图像边缘容易出现轮廓失真现象, 从而影响后续的分类计算与识别精度。为直观说明该问题, 拍摄了同规格螺丝（型号、尺寸一致）进行对比实验（图3）, 结果显示存在“ 近大远小” 的透视畸变现象。为避免岩屑成像中出现类似问题, 提升图像的一致性与可比性, 镜头选型采用固定倍率的远心工业镜头^[7], 有效消除了透视误差, 确保成像清晰、比例统一, 更利于后续的分析与判识。

图3

	Figure Option ViewDownloadNew Window
	图3 同规格的螺丝不同镜头拍摄效果对比

不同设备即使采用相同型号的光源和相机芯片, 其成像特性仍可能存在一定差异（图4、图5）, 从而导致图像在色彩表现上存在偏差, 影响机器学习的效果以及岩屑颜色的准确定名。为解决该问题, 在数据处理过程中引入22色标准色卡进行相机成像颜色的自动校准, 有效消除了设备间的色彩差异, 确保不同设备采集图像的一致性, 提升模型的泛化能力和识别准确性。

图4

	Figure Option ViewDownloadNew Window
	图4 不同设备相同配件22色标准色卡拍摄对比

图5

	Figure Option ViewDownloadNew Window
	图5 不同设备相同配件岩屑样品拍摄对比

数据扩增主要通过裁剪、平移、旋转和缩放等操作实现^{[8, 9]}。在大多数情况下, 岩屑图像的采集具有固定性和分布均匀的特点。针对用于模型训练的原始岩屑图像数量较少的情况, 可先对岩屑图像进行裁剪处理, 构建更具多样性的数据集以满足后续训练需求。具体过程如图7所示, 岩屑图像的像素为5 496× 3 672, 图像中岩屑边缘部分容易因为现场操作失误出现岩屑未铺满从而导致漏出托盘底色的情况, 因此先对中间圆形区域取像素为2 400× 2 400的内接正方形, 以保证所截取区域内无托盘背景干扰, 使得视野内皆为岩屑。在2 400× 2 400像素的岩屑图片中进行随机裁剪, 随机裁剪得到小图依旧是均匀分布的, 可以从局部反映整体岩屑的岩性。但若裁剪尺寸过小则无法具有足够特征从而达不到反映整体图像的作用, 且因具有较大的偶然性, 可能会引入假岩屑而不利于模型的学习。经过多轮模型训练与效果对比, 最终确定采用像素为320× 320的岩屑小图作为模型输入, 图7中2 400× 2 400像素岩屑图片的4条箭头方向标识是为了更好地看出经过图片扩增后的岩屑小图与原图的对应位置。首先计算出安全区域（即确保缩放旋转等操作后不裁剪到边缘黑边）, 得到安全区域边界为（[r, 2 400-r], [r, 2 400-r]）。

图7

	Figure Option ViewDownloadNew Window
	图7 岩屑图片扩增过程

r=Smax×S12×2（1）

式中： r为安全区域与2 400× 2 400像素的内接正方形边长的最小距离; Smax为缩放系数的上限; S1为经过数据扩增后的边长。

在安全区域内随机选取一个点作为旋转中心C; 由于岩屑摆放无固定方向要求, 旋转角度A在[0° , 360° ]范围内随机选取; 同时, 缩放系数S在[0.8, 1.2]之间随机选取, 该区间范围根据岩屑颗粒大小不均的实际情况确定。随后, 利用选定的C、A和S对原始2 400× 2 400像素图像进行仿射变换, 令α =ScosA, β =SsinA, 生成对应的仿射变换矩阵 M^[10], 如公式（2）所示：

M=αβ（1-α）x-βy-βαβx-（1-α）y（2）

式中： x和 y分别为C的横、纵坐标。

将随机选取的旋转中心C移动至左上角待裁剪岩屑小图的中心位置, 以此对原有的仿射变换矩阵进行位移调整, 得到修正后的仿射矩阵 M*, 如公式（3）所示; 利用 M*矩阵对图像执行仿射变换, 并裁剪出所需的岩屑小图, 裁剪过程中采用镜像填充方式处理边缘像素。通过上述步骤操作后, 最终获得像素为320× 320的岩屑小图（一个岩屑图像总计获得100张）, 从而实现训练数据的有效扩增。

M* =αβ（1-α）x-βy-x+S22-βαβx-（1-α）y-y+S22（3）

式中： S2表示经过数据扩增后的图片边长。

以鄂尔多斯盆地中生界碎屑岩储层为例, 颜色被归纳为4类, 而纹理则细分为6类, 具体分类标准与结果如表1所示。在实际录井过程中, 岩屑的命名遵循“ C+R” 规则, 其中“ C” 代表颜色, “ R” 代表岩性。为实现对岩屑图像颜色和纹理特征的智能识别, 将颜色分类与纹理分类作为两个独立的子任务进行处理。对这两个子任务均基于MobileNetV2^[11]网络提取的图像特征进行进一步分析, 具体来说, 首先利用MobileNetV2网络提取图像的深层特征, 然后针对颜色分类和纹理分类分别设计不同的处理流程, 最终输出各自分类的结果。通过这种方式, 模型能够高效地识别并分类岩屑的颜色和纹理特征, 为后续的岩性智能识别和自动命名提供可靠的数据支持。

表1

表1

表1 数据分类汇总 数据集 基于颜色分类 基于纹理分类 浅灰色细砂岩 浅灰色 细砂岩 浅灰色油迹细砂岩 浅灰色 细砂岩 深灰色粉砂质泥岩 深灰色 粉砂质泥岩 灰褐色油斑细砂岩 灰褐色 细砂岩 深灰色泥岩 深灰色 泥岩 灰白色中砂岩 浅灰色 中砂岩 灰色泥质粉砂岩 深灰色 泥质粉砂岩 黑色煤 黑色 煤 灰黑色泥岩 黑色 泥岩

表1 数据分类汇总

在油气显示特征提取方面, 主要通过荧光级别的统计与分类, 对识别出的岩屑荧光图像进行颜色成分分析, 计算不同荧光颜色的百分含量; 同时, 结合图像分割技术^[12], 提取典型荧光区域的颜色特征, 进一步计算不同荧光颜色（如浅黄、黄、深黄、褐等）在图像中的面积占比, 实现岩心含油面积的定量计算, 提升油气显示评价的客观性与精细化水平。

在图像特征提取后, 构建AI深度学习模型, 即多任务模型, 对岩屑图像进行智能识别。模型构建过程中, 已在长庆油田多个重点勘探区域累计完成36口井、共计15 316包岩屑样本的高精度图像采集, 涵盖气探井6口、油探井30口, 岩性包括砂岩、泥页岩、石灰岩等常见类型, 全面保障了样本的代表性与多样性。其中50%的样本用于训练集, 50%的样本用于验证集, 确保模型具备良好的泛化能力与识别稳定性。算法的基本架构包括输入层、模型层和输出层3部分。在输入层, 已标注与未标注的原始岩屑图像均为5 496× 3 672像素, 经过预处理后生成可用于模型训练的小图格式。在模型层, 首先利用已标注岩屑图像训练一个多任务学习驱动的岩屑图像分类模型; 随后使用该模型对未标注图像进行预测。在输出层, 将筛选后的高质量伪标签图像与原始标注图像合并, 重新划分训练集并迭代优化多任务模型, 实现对岩屑样品颜色、含油级别、含有物等关键岩性信息的智能化识别与分类, 并生成识别结果。在长庆油田累计15 000余包岩屑样本的实测验证中, AI智能识别模型整体识别准确率超过90%, 误判率和漏检率显著低于传统人工判读水平, 这一结果充分验证了模型在复杂地质条件下的可靠性与实用性。