Анализ изображений шлифов карбонатных обломочных пород с помощью систем на основе искусственного интеллекта

Основанные на технологии машинного обучения системы перспективны для единообразной обработки значительных объемов информации, в том числе изображений. Технологии «компьютерного зрения» широко применяются в различных областях — от управления транспортными средствами до научных исследований. В частности, в геологии существует опыт использования таких систем для диагностики горных пород (Marmo et al., 2005; Su et al., 2020; Baraboshkin et al., 2020; Попов и др., 2020; Jia et al., 2021; Ma et al., 2021; Li et al., 2022; Wu et al., 2022; Wang et al., 2023; Журавлев, Груздев, 2024) и определения органических остатков (Babenko, Telnova, 2022; Duan, 2023; Tetard et al., 2023). Кроме ускорения процесса обработки больших объемов исходных данных, системы на базе машинного обучения обеспечивают единообразие и воспроизводимость результатов, что особенно актуально в «описательных науках», к которым до сих пор относится геология.

Одной из частных задач, в решении которой представляется перспективным применение технологий машинного обучения и «компьютерного зрения», является задача оценки содержания обломочной компоненты в карбонатах по шлифам. При всей кажущейся простоте решение этой задачи традиционным методом (человек за микроскопом) крайне трудоемко, а результат сильно зависит от субъективных факторов. Это обусловлено сходным составом обломков и матрикса, а также сложной формой обломков. Первое затрудняет диагностику и проведение границ обломков, а второе вызывает проблему стереологической реконструкции.

Результат оценки содержания обломочной компоненты в карбонатах по шлифам может использоваться при диагностике и изучении карбонатных тур-

бидитов и других типов пород с неравномерным распределением литокластов. Важен этот параметр и для оценки пригодности карбонатной породы для анализа стабильных изотопов углерода и кислорода, а также других геохимических и микропалеонтологических исследований. Изотопно-геохимическая характеристика участка породы, на котором преобладают литокласты, будет характеризовать не столько условия формирования самих отложений, сколько условия формирования пород, слагающих литокласты. Поэтому выбор места взятия пробы на анализ может сильно влиять на результат. Предварительная оценка «плотности распределения» литокластов в образце может существенно помочь в обосновании такого выбора.

В данной работе предлагается один из возможных вариантов полуколичественной оценки содержания обломочной компоненты в карбонатах по шлифам.

нефаменского возраста из разреза на р. Изъяю (Груздев и др., 2023). Путем экспертной оценки коллекция разделена на два класса: без литокластов (литокласты отсутствуют или занимают менее 10 % площади изображения) и с литокластами (литокласты занимают более 30 % площади изображения) (рис. 1). Каждый класс представлен 61 микрофотографией размером 1000 x 1000 пикселей. Изображения с промежуточным содержанием литокластов (10—30 % площади изображения) в обучающую коллекцию не включались.

В качестве базовой модели взята предобученная модель классификации изображений Image Feature Print V2 (Apple Inc., 2017—2023). Данная модель приводит исходное изображение к размеру 360 x 360 пикселей и извлекает из него 768 характеристик, которые далее используются при машинном обучении (см. Журавлев, Груздев, 2024) (рис. 2).

Материал и методы

Для решения поставленной задачи была использована обучающая коллекция, представленная монохромными микроизображениями шлифов (фрагменты размером 0.6 x 0.6 мм с формальным разрешением около 0.6 мкм/пиксель) слабоизмененных карбонатных пород (рис. 1). Основу коллекции составили шлифы из нижней части карбонатных турбидитов сред-

Рис. 1. Примеры микрофотографий шлифов из обучающей коллекции

Fig. 1. Examples of thin section micrographs from the training dataset

Рис. 2. Схема построения модели классификации изображений шлифов карбонатных пород

Fig. 2. Scheme for building a model of image classification of carbonate rock thin sections

Обучение модели проводилось на охарактеризованной выше обучающей коллекции с использованием утилиты Create ML и фреймворка Core ML (Apple Inc., 2017—2023) (рис. 2). Фреймворк Core ML обеспечивает унифицированное представление для моделей различных типов, позволяющее использовать их в приложениях MacOS и iOS. Выбор в качестве платформы MacOS обусловлен высокой степенью ее программноаппаратной оптимизации для решения задач машинного обучения. Также модели могут быть использованы в приложениях Windows и Linux после конвертирования утилитой WinMLTools (Microsoft Corporation).

Результаты и их обсуждение

Обучение модели было осуществлено за 11 итераций. Достигнутая точность при обучении (training accuracy) — 100 %, при проверке (validation accuracy) — 91.7 %. Тестирование полученной модели на независимой выборке из 119 изображений показало точность 98 %.

Характер обучающей коллекции накладывает ограничения на использование полученной модели. Она пригодна для анализа изображений шлифов карбонатных пород, слабо измененных вторичными процессами. Применение модели к существенно перекристаллизованным разностям будет давать недостоверный результат.

Приложение полученной модели к изображениям шлифов реализовано через консольные программы. Они позволяют оценить вариации относительного содержания литокластов по профилю через изображение шлифа и построить «карту» распределения участков с литокластами на изображении (рис. 3). Для построения профиля изображение шлифа сканируется окном 0.6 x 0.6 мм с шагом 0.3 мм. В каждом горизонтальном ряду вычисляется доля случаев, когда в окне сканирования диагностирован «известняк с литокластами». Эта доля, выраженная в процентах, отображается на графике (рис. 3). Для построения «карты» изображение шлифа сканируется окном 0.6 x 0.6 мм с шагом 0.1 мм. В зависимости от результата классификации точке

в центре окна присваивается значение «известняк с литокластами» или «известняк без литокластов», которое отображается цветом на «карте» (рис. 3).

Очевидно, что применение модели к шлифам карбонатов с литокластами 0.6 мм в поперечнике и более (больше размера окна сканирования) даст недостоверные результаты. Таким образом, разработанная модель применима для тонко-, мелко- и среднезернистых обломочных карбонатов (по классификации Дмитриевой с соавторами (1968): детрит грубый (2—1 мм), крупный (1.0—0.5 мм), средний (0.5—0.25 мм), мелкий (0.25— 0.10 мм), тонкий (0.10—0.05 мм)) (Журавлев, Вевель, 2021). Следует отметить, что модель ориентирована на распознавание литокластов и в общем случае игнорирует биокласты и органические остатки.

На рисунке 3 приведен пример результата работы программ по панорамному изображению ориентированного большого шлифа, сделанного из циклита карбонатного турбидита. Верх изображения отвечает верхней части турбидита. На графике и »карте» шлифа видно градационное снижение «плотности распределения» обломочной разности известняка снизу вверх по циклиту. В случае карбонатных турбидитов «плотность распределения» литокластов характеризует распределение аллохтонной компоненты в породе. Следует отметить, что значение «плотности распределения» литокластов не равно содержанию литокластов в породе, хотя и связано с этой величиной. «Плотность распределения» литокластов показывает, насколько часто на определенной части шлифа встречаются участки с содержанием литокластов более 30 %.

Изучение кальцитурбидитов с помощью разработанной модели показало отчетливую градацию не только по размеру форменных элементов, но и по «плотности распределения» литокластов. Нижняя часть циклитов преимущественно литокластическая, а верхняя — биокластическая и пелитоморфная. Такое разделение отмечено даже в маломощных (первые сантиметры по мощности) циклитах. Таким образом, материал из нижней части кальцитурбидитов любой

Рис. 3. Пример применения модели классификации изображений к изображению шлифа карбонатного турбидита (поднятие Чернышева, разрез на р. Изъяю, средний фамен, сортама-ельская свита). Участки с литокластами на «карте» показаны желтым. График плотности распределения литокластов приведен после сглаживания LOESS

Fig. 3. An example of application of the image classification model to an image of a carbonate turbidite (Tchernyshev Uplift, Izyayu River section, Middle Famennian, Sortamael’ Formation). Areas with lithoclasts on the ‘map’ are shown in yellow. The distribution density plot of lithoclasts is shown after LOESS smoothing мощности содержит значительную аллохтонную примесь и мало пригоден для геохимических и микропа-леонтологических исследований.

Выводы

Разработанная модель позволяет проводить оценку «плотности распределения» обломочной компоненты в карбонатах по шлифам с достоверностью более 90 %. Получаемые в результате работы модели данные можно использовать для сопоставления с геохимической и другой численно выраженной информацией, а также для выбора на шлифе участков с наименьшим содержанием аллохтонной компоненты. Последнее целесообразно для планирования точечного геохимического или изотопного опробования и особенно актуально при изучении карбонатных турбидитов. Также этот параметр может быть полезен при оценке вероятности переотложения микрофоссилий.

Разработанная модель классификации изображений шлифов в формате Core ML и консольные приложения на ее основе доступны по запросу у авторов.

Исследования выполнены в рамках темы госзадания 122040600008-5 «Эволюция биоты и среды ее обитания как основа расчленения и геологической корреляции осадочного чехла Печорской плиты и ее складчатого обрамления». Авторы признательны рецензенту за конструктивные замечания, способствовавшие улучшению работы.