基于深度學習的碳酸鹽巖薄片人工智能鑒定方法研究

張 杰，沈安江，胡安平，周進高，佘 敏，韓明珊

1 中國石油杭州地質研究院；2 中國石油集團碳酸鹽巖儲層重點實驗室

0 前 言

巖石薄片鑒定是地質學研究和油氣勘探的重要手段，傳統薄片圖像分析方法主要依賴專家在顯微鏡下進行肉眼觀察，工作量大、效率低、受專家主觀經驗影響大等特點大大制約了薄片鑒定的應用和發展。碳酸鹽巖在油氣勘探中的作用舉足輕重，全球近50%的油氣資源分布在碳酸鹽巖中，近60%的油氣產量來自于碳酸鹽巖［1］。碳酸鹽巖薄片鑒定在油氣勘探中發揮了重要作用。近年來，在機器學習尤其是深度學習領域，智能圖像識別技術已取得重大突破，并應用于各個領域。在圖像識別技術快速發展的當下，人工智能薄片鑒定是必然的發展趨勢［2-3］。但由于結構組分復雜，碳酸鹽巖薄片智能鑒定至今仍未有明顯突破。

目前國內外關于薄片智能鑒定的研究大多著眼于礦物識別、算法選擇，很少從圖像準備、建立標簽到機器學習、統計定名等方面進行系統性研究，沒有將巖石學特征和深度學習有機結合，識別的準確率并不高，故而推廣應用進展緩慢。本文系統論述了薄片智能鑒定研究現狀、薄片智能鑒定主要內容和碳酸鹽巖薄片智能鑒定的研究方法，并探討了碳酸鹽巖薄片人工智能鑒定存在的問題和發展方向，以期為碳酸鹽巖薄片人工智能鑒定提供新的思路。

1 薄片人工智能鑒定研究進展

人工智能（Artificial Intelligence）簡稱AI，由斯坦福大學的John McCarthy 在1956年的Dartmouth 學會上首次提出［4］。John McCarthy 被稱為“人工智能之父”，他認為人工智能應該是交互式的。人工智能包括人工先驗知識+智能學習，機器學習（包括深度學習）是研究對象智能化的重要手段［2］。1950年，Turing［5］提出“機器可以思考嗎？”的問題以及“圖靈測試”，由此開啟了機器學習的序幕。

機器學習的研究對象包括聲音、圖像、文本等信息載體，而薄片智能鑒定主要是基于圖像處理的深度學習［6］。近年來，圖像處理技術在各個領域的應用不斷深入，巖石圖像的分類和信息提取得到了較大的發展，神經網絡模型及各類數值分析方法逐步引入到巖石薄片的圖像處理和智能識別的研究工作中［7］。由于地層中巖石類型多樣，礦物成分復雜，而且經歷了不同程度成巖蝕變的影響，因此薄片人工智能鑒定研究在不同類型巖石中進展不一。目前，薄片人工智能鑒定在火成巖和碎屑巖中進展較大，主要是基于顯微鏡下薄片照片，實現礦物的智能識別［8-9］、巖性識別等［10］，部分實驗準確度均超過90%［11］。目前人工智能薄片鑒定主要是對礦物、孔隙進行識別，包括對常見礦物在晶形、光性特征、紋理、顏色、元素組成等方面的差異進行識別，以及對部分生物化石顆粒進行識別［12-15］。

下文分別對薄片圖像人工智能鑒定在圖像準備與處理、建立圖像標簽以及深度學習等方面的研究進展進行論述。

1.1 圖像準備與處理方面的研究進展

薄片圖像主要來自偏光顯微鏡下的單偏光以及正交光照片，由于薄片圖像中所含礦物類型和數量多、結構復雜，當已有圖像不能滿足后續智能鑒定的需求時，需要對圖像進行處理，使用的主要方法有圖像分割、圖像處理等［16］，通過處理將其中礦物（包括礦物的特征和邊界）［17-18］、孔隙、組構等要素提取出來［19］，并進行孔隙度和滲透率分析［20］。

圖像分割的方法較多，主要有梯度圖像、高斯平滑和局部加強［19］、濾波［21-22］、集成邊緣檢測和區域增長算法［23］等。Thompson 等［24］早在2001 年就曾通過提取圖像中礦物的紋理特征，從而識別出石英、長石、黑云母等10類礦物。

為了提高圖像識別精度而進行的圖像處理方法較多，常用的有針對孔隙提取的多閾值方法［25］，提高圖像分辨率的對抗神經網絡［2］，以及圖像紋理特征提取的聚類分割［26］等。

1.2 建立圖像標簽方面的研究進展

圖像標簽是圖像中內容的文本關鍵詞，建立標簽是圖像智能識別中的關鍵環節。標簽應該具有排他性，也就是不同類型的標簽所指代的對象不能有交叉含義，標簽分類也要很明確，這樣才有助于后續的智能識別工作。巖石薄片圖像屬于多標簽圖像［27］，針對圖像切割后形成的子圖像，需要對其中的內容進行標注并建立標簽。同類標簽所指的對象應該具有相同或近似的特征，需要通過監督學習，進行子圖像中研究對象的分類判識，并建立標簽，劃分類型，以便后續深度學習并建立識別模型。陳釗民［27］提出了一種基于多標簽圖結構的多標簽圖像識別方法，利用網絡結構過濾出每個標簽類別的特征激活向量，以解決建立標簽工作量大的問題，合理并且高效地建立標簽。只有建立合理的標簽分類，才能有效應用于后續的深度學習，然而目前針對巖石薄片圖像建立標簽方面的研究較少。巖石薄片中的礦物、結構組分類型多樣，同一標簽需要綜合外形特征、內部結構、尺寸、顏色以及多種光性特征的照片進行判別，造成目前標簽分類和標簽庫建立工作難以有效開展，也很難應用于后續有監督的學習以及智能識別。

1.3 深度學習方面的研究進展

深度學習屬于表征學習方法的一種，通?；谏窠浘W絡模型逐級表示越來越抽象的概念或模式［28］。深度學習分為無監督的學習和有監督的學習，在有監督的圖像識別中，需要基于先驗知識、標簽和知識圖譜，通過建立深度學習模型，從而識別特定對象。

知識圖譜是深度學習重要的組成部分。20 世紀中葉，普萊斯等人首次提出了知識圖譜的概念［28］；2012 年，谷歌公司率先在搜索結果中加入知識圖譜的功能，目前知識圖譜已經被各大搜索引擎普遍使用?；跇撕灧诸惤⒑侠淼谋∑瑘D像知識圖譜架構是開展深度學習的基礎，也是保證智能識別效果的重要步驟。

深度學習在薄片鑒定中的應用包括礦物識別、結構組分識別、巖石類型劃分等［6,11,29］，根據礦物識別、組構識別、內部紋理識別、孔隙識別等不同的研究目的，所使用的方法也不同。此外，由于巖石薄片圖像的特殊性，并非所有圖像智能識別領域的算法都能用于巖石薄片圖像智能識別［9,30-32］。薄片圖像人工智能識別所采用的主要方法見表1。

表1 人工智能領域與巖石薄片圖像人工智能識別相關的主要方法及特點（據文獻［33-44］）Table 1 Main methods and characteristics related to artificial intelligence recognition of rock thin section images in the field of artificial intelligence（cited from reference［33-44］）

巖石類型和礦物識別 許多研究者通過深度學習的卷積神經網絡算法來識別石英巖、粉砂巖、黏土巖和碳酸鹽巖，已有的方法包括基于HSV、YCbCr或RGB 顏色空間，基于C-VGG16 的向量拼接法和交叉熵損失函數巖性識別方法，基于ResNeXt 技術的巖石薄片識別與分類模型等，通過這些方法實現各組分的分類和定量計算［6,29,43,45］。Aligholi 等［46］則采用色彩跟蹤方法，通過計算和比較單偏光與正交偏光模式下礦物的顏色變化實現了對礦物的分類和識別。多尺度分割的巖石影像礦物特征提取和分析方法利用了礦物圖像的光譜特征與礦物邊界、形態和紋理特征，在石英砂巖的礦物識別中效果較好［13］。此外，還有基于LeNet、GoogLeNet、ResNet、Unet、CNN-LSTM 等方法的神經網絡算法［47］，均在識別礦物、區分巖石類型方面有較好的應用。

孔隙識別 薄片孔隙識別針對的主要是鑄體薄片，目前這方面的研究方法較多，存在的問題主要是識別的精度和準確性，這有賴于對像素的色調調節以及邊界處理。董少群等［25］應用誤差校正和圖像細化結合的多閾值方法，來提取巖石鑄體薄片孔隙，基于像素色調的閾值、飽和積及小面積統計，通過粗提取、糾錯、細提取3 個步驟來提高孔隙提取的準確性。程國建等［31］通過將圖像分割為目標和背景2 類，利用概率神經網絡較好地識別了孔隙。Solymar 等［20］研究了丹麥上白堊統砂巖薄片照片的孔隙度和滲透率，通過分析不同倍數的圖像以及圖像處理，并分析局部孔隙度和滲透率，探討了不同倍數下孔隙度和滲透率的差異。

2 碳酸鹽巖薄片人工智能鑒定方法

前人關于薄片智能鑒定的研究主要集中在陸源碎屑巖、火成巖及變質巖，而且主要是針對礦物、孔隙識別，關于碳酸鹽巖的薄片智能鑒定僅限于孔隙識別和孔隙度測定，缺乏針對碳酸鹽巖組構的薄片智能識別綜合分析方法。碳酸鹽巖薄片圖像識別與其他圖像以及非碳酸鹽巖薄片圖像識別的差異主要表現在其礦物成分相對簡單（常見礦物主要為方解石、白云石及少量文石），但結構組分非常復雜（顆粒類型多、巖石結構多樣、孔隙類型多樣），因此在圖像準備和處理、標簽庫建立、人工標注、知識圖譜、深度學習以及統計和命名方面有特別要求。

2.1 圖像的準備和處理

由于碳酸鹽巖中的主要礦物方解石和白云石在鏡下均為無色透明礦物，呈高級白干涉色，在不染色的情況下很難在鏡下進行區分，也難以分辨石灰巖和白云巖，因此對薄片制備、圖像獲取有特殊要求。

（1）薄片制備

由于需要染色，因此制片時不能蓋玻片。制片后用茜素紅+鐵氰化鉀混合液染色以區分方解石、白云石等礦物。為了進行孔隙結構刻畫和儲層研究，需要制作鑄體薄片。由于充注紅色樹脂易與染色后的方解石混淆，因此使用藍色樹脂進行充注制成鑄體薄片。

（2）薄片圖像成像

與非碳酸鹽巖薄片圖像識別相同，在顯微鏡下照相（單偏光，不同旋轉角度下的正交光），或者使用全自動薄片掃描系統獲取不同角度、不同光性的照片［33］，為后續智能識別提供足夠的素材。

（3）圖像預處理

首先通過圖像預處理調整放大倍數、色度、清晰度、邊界和分辨率等處理，實現圖像歸一化（將所有圖像歸一化到相同比例尺）、圖像去噪和增強，以提高識別效果。然后使用雙邊濾波算法去除圖像中的椒鹽噪聲，使用直方圖均衡化算法增強顆粒區域和背景區域的灰度差異，在保持所有原圖像特征統一的情況下，使圖像特征更加清晰、圖像噪聲影響更低［47］。

（4）圖像分割

由于薄片中的物質成分、顆粒大小等通常存在差異，不同類型及不同尺度的薄片圖形需要采用不同的圖像處理方法進行信息提取，圖像處理計算復雜，而且信息提取的精度不高、效率較低，無法獲得較為穩定的計算結果，因此需要將原圖像分割成多個子圖像，從而進行分類識別。碳酸鹽巖結構組分中首先需要提取分割的是多種多樣的顆粒，而作為碳酸鹽巖中主要的顆粒，生物化石組分的分割提取并分類識別是主要內容。分類流程主要包括設計卷積神經網絡模型、訓練模型，再將分割得到的子圖像送入訓練好的模型，得到生物化石識別結果［41］。

2.2 建立標簽庫

碳酸鹽巖結構組分復雜，為了提高識別效果，深度學習需要有監督的學習訓練策略，這就要依賴于大量高質量的帶標簽樣本數據來進行訓練和優化，需要由專家標注巖石組分類別標簽樣本，從而建立標簽庫。所建立的標簽庫中的每一類標簽需要有專屬特征和排他性。目前還沒有針對碳酸鹽巖分類體系建立相應的系統性圖像組分標簽分類。本文根據后期圖像深度學習模型的要求，提出了碳酸鹽巖圖像中組分標簽分類表，將碳酸鹽巖圖像元素分為顆粒、填隙物、孔隙、礦物等4大類，以便建立恰當的標簽分類并在圖像智能識別中應用，具體內容見表2。

The aim of this study is to measure the prevalence rate of undernutrition, risk of malnutrition and obesity in the Italian gastroenterological population suffering from acute, chronic and neoplastic disease.

表2 碳酸鹽巖薄片中主要組分標簽分類表Table 2 Classification of major component labels in carbonate thin sections

2.3 人工標注

專家人工標注是碳酸鹽巖薄片鑒定最關鍵的環節，也就是對碳酸鹽巖薄片圖像進行語義分割，標注的準確與否直接決定了后期監督學習識別的準確性。人工標注需要對圖像中所有要素進行提取并用不同符號加以區別，其標簽范圍應包括圖像的全部內容，以便后續從不同角度進行統計定名。以染色后的鮞?；規r薄片圖像為例，其中包含的主要組分為鮞粒、白云石、填隙物，每個組分都需要分別標注（圖1）。由于白云石化作用的影響，其中的白云石和鮞粒的標注范圍可能存在重合，有的鮞粒因為重結晶作用，內部結構不明顯。鮞粒和白云石二者標注區域的重合并不影響后續分別通過結構組分和礦物組分進行統計。在不關注填隙物成巖期次時，采用反選法將鮞粒、白云石標注區域以外的部分定義為填隙物。如果存在其他顆粒類型，還需要對內部結構進行刻畫，以區別鮞粒與其他顆粒。

圖1 碳酸鹽巖薄片染色照片與人工標注后的染色照片Fig.1 Dyeing photo(a)and manually annotated dyeing photo(b)of dolomitic oolitic limestone thin section

2.4 建立知識圖譜

在薄片圖像識別中，通過對薄片圖像中不同類型組構進行特征提取，建立標簽庫后，需要應用知識圖譜將各類標簽信息進行自然分類、關聯，以便查閱檢索。隨著現代圖像、圖譜分析技術和信息科學的發展，現在已經可以將薄片圖像轉化為圖譜信息，實現智能識別。具體來說，就是將碳酸鹽巖薄片圖像中不同類型的組構進行人工標注，建立標簽庫，將標簽庫中的標簽進行分類，建立圖像內容與標簽的映射關系，從而建立自然關聯，有助于后期解釋學習。后續巖性智能定名后，還需要建立巖性與標簽、不同組構及含量、孔隙等相互之間的關聯知識圖譜，或綜合礦物、顆粒類型、基質、膠結物、孔隙的巖相指紋圖譜，以方便查閱與調用。

2.5 碳酸鹽巖圖像深度學習

碳酸鹽巖不同結構組分的內部紋理特征不同（如鮞粒與有孔蟲），大小差別明顯（如鮞粒與豆粒），而且存在多期成巖作用（如海水期、大氣淡水期、埋藏期、熱液活動期等）導致的復雜巖石結構，因此在智能識別中所采用的方法與非碳酸鹽巖有所不同。碳酸鹽巖薄片圖像識別首先要區分巖石大類（顆粒結構、生物成因巖、結晶碳酸鹽巖或混積巖），也就是區分沉積結構是否保存，是否為顆粒支撐，以及是否存在大量非碳酸鹽礦物的混積沉積。區分巖石大類后，針對不同巖石結構的識別，需要提取主要識別信息，借鑒次要識別信息，忽略不重要信息。如鮞粒存在薄皮鮞、同心鮞、放射鮞、復鮞、部分白云石化等，如果只是識別鮞粒，那么其內部特征可以忽略。

碳酸鹽巖薄片圖像識別的關鍵在于非生物顆粒和生物化石提取、沉積結構提取。由于卷積神經網絡的3 個優勢（圖像分類、語義分割、目標識別）［48-49］，使得該技術在識別化石等碳酸鹽巖顆粒方面效果較好。用于碳酸鹽巖顆粒識別的經典卷積神經網絡模型有AlexNet、VGG、ResNet、InceptionNet等模型［47］，在針對化石顆粒進行的圖像分類、目標檢測和語義分割等多種圖像識別中均有較好的效果。Marchant 等［50-51］利用卷積神經網絡對有孔蟲實體化石的圖像集進行了分類和自動識別，但僅限于使用已有數據庫圖像進行化石識別，并未在實際生產環境中進行測試。該研究雖然只是針對實體化石，但是對于薄片下鑒定生物化石仍然具有借鑒和參考意義。Liu 等［41］利用深度卷積神經網絡對碳酸鹽巖薄片中的22 類顆粒（圖2），共3 萬多個化石和非化石顆粒圖像進行了識別分析，均取得較高的識別準確率。余曉露等［47］基于ResNet 卷積神經網絡生物化石分類方法，對有孔蟲等簡單的生物化石進行了識別，效果較好。也有研究者進行了孢粉及花粉類型的分類以及放射蟲的識別［52］。

圖2 碳酸鹽巖中主要的生物化石、非生物顆粒、礦物和孔隙（照片a—v引自文獻［41］）Fig.2 Main fossils,abiotic particles,minerals,and pores in carbonate rocks(photos a-v cited from reference［41］)

卷積神經網絡模型對一定尺度范圍內較為規則的形態具有較好的分類，對于超出閾值范圍具有相同物質成分而形態不一的物質的分類則精度不高，模型的泛化效果有限。有研究認為對碳酸鹽巖不同組構的顏色、形態、紋理特征等差異特征進行提取，將有助于對碳酸鹽巖進行巖石類型劃分和沉積相劃分［53］。如Patel 等［54］通過從石灰巖圖像中提取顏色、形態和紋理特征并輸入概率神經網絡（PNN），實現了對石灰巖的較好分類。此外，人-機結合的巖石顯微結構圖像系統分析方法利用圖像增強處理、非監督分類、圖像密度分割等方法，將顏色信息與紋理描述相結合，結合專家知識決策，提取巖石薄片中較為明顯的形跡特征信息，取得了一定的成效［55］。機器學習中的許多方法，如生成對抗網絡（GAN）［56-57］，3D 打印技術中的圖像信息提?。?8］，模仿生物神經網絡的結構和功能來智能識別礦物的人工神經網絡，與針對化學數據分類的隨機森林等都可以用于碳酸鹽巖圖像智能識別。

利用深度學習的算法不僅可以實現薄片圖像中生物化石等顆粒的智能識別，也可以實現礦物以及不同類型孔隙的智能識別（圖2），但一直以來研究進展緩慢，而且沒有廣泛推廣應用，關鍵在于沒有建立合適的目標檢測模型以驗證識別精度［47］。生成的模型需要結合人工標注不斷調整校正優化，同時需要建立碳酸鹽巖薄片圖像數據庫，增加樣本數量，引進遷移學習的功能，拓展碳酸鹽巖薄片圖像人工智能識別的范圍和精度。

2.6 統計和定名

碳酸鹽巖薄片圖像的人工智能識別最終要實現不同結構組分、礦物、孔隙等要素的含量統計，并依據巖石命名原則進行定名，確定面孔率，建立碳酸鹽巖薄片鑒定表。

碳酸鹽巖的巖性定名多采用Folk［59］和Dunham［60］的分類，根據能否識別沉積結構、是否為顆粒支撐以及顆粒含量、顆粒類型來進行定名。從碳酸鹽巖薄片人工智能鑒定角度命名，需要明確命名組構在圖像內所占的面積，再結合沉積結構能否識別，以及顆粒類型、粒徑大小等因素來進行命名，見表3。

表3 碳酸鹽巖薄片人工智能鑒定命名規則（據文獻［59-61］，有修改）Table 3 Denomination specification for artificial intelligence identification of carbonate thin sections（modified from reference［59-61］）

3 存在問題及發展方向

3.1 存在的問題

（1）目標檢測與語義分割

由于碳酸鹽巖存在從結構組分、礦物組分和孔隙3 種不同角度進行的標簽分類，加之白云石化作用的影響，在利用目標檢測和語義分割進行標注和識別時，3 種分類對象存在語義分割不明確的問題，例如：方解石填隙物/膠結物在結構組分上屬于填隙物/膠結物，而礦物成分為方解石；不同程度白云石化的鮞粒在結構組分上屬于鮞粒，而礦物成分為白云石。因此，需要從結構組分、礦物組分和孔隙3 個方面建立平行的標簽分類，從而避免語義分割不明確給后續統計和定名造成混亂。然而，對于存在白云石化、重結晶、溶蝕作用等多期成巖作用影響的碳酸鹽巖，如果在期次劃分和標簽確定中存在認知不統一，則在進行語義分割時很難進行明確區分。在確定標簽定義時，如果不能建立分類級別清楚的架構，容易導致后續識別出現大量的問題。

（2）含量統計和定名問題

碳酸鹽巖定名需要考慮不同顆粒和白云石的含量。由于成巖作用的影響，碳酸鹽巖顆?？赡芙洑v了改造，其標簽屬性是否可以不變？例如，鮞粒內部發生（部分）白云石化，統計鮞粒含量時，白云石是否去除？還是從結構組分角度和礦物組分的角度分別進行統計，例如鮞粒含量占60%，白云石含量占40%，則定名為白云質鮞?；規r（表4）？

表4 鮞粒碳酸鹽巖智能識別命名示例Table 4 Example of intelligence identification and namingof oolitic carbonate rocks

（3）顆粒碎片問題

由于薄片尺寸大小限制、切片原因、成巖改造以及碳酸鹽巖顆粒本身不完整等因素，薄片中所顯示的有些內碎屑顆粒、生物化石僅有碎片，無法顯示全貌，不僅導致語義分割的混亂，也會給智能鑒定帶來困難，需要碳酸鹽巖專業人員根據顆粒碎片的內部結構識別出顆粒類型，并劃分到對應的標簽類型中，再通過深度學習，尋找同類型顆粒碎片內部結構的共性特征加以鑒定。

（4）孔隙問題

孔隙的確定需要鑄體薄片，但是由于碳酸鹽巖中存在孤立孔、體腔孔、微小孔等環氧樹脂無法充注進去的孔隙，因此智能識別出來的孔隙比實際要少。另外，碳酸鹽巖的孔隙結構較為復雜、類型多樣，目前智能判別孔隙類型十分困難，缺少有效的方法（如粒間孔/粒間溶孔，粒內孔/粒內溶孔的區分），需要專業人員人工識別，建立特殊孔隙的標簽并應用到機器學習中，從而避免系統誤差。

（5）染色問題

由于茜素紅+鐵氰化鉀混合液染色有時效，如果薄片照相時間過晚會導致染色效果下降，對識別效果影響較大；人工染色不均勻的問題也會影響判斷。

（6）圖像精度和放大倍數問題

由于薄片制作和成像設備精度、調焦等原因，薄片圖像可能存在精度不高的問題，會導致原始圖像中一些細小的礦物、孔隙、喉道的邊緣模糊而無法正常分割，如何精細刻畫圖像中目標組分的邊界并進行提取是碳酸鹽巖薄片圖像智能識別亟待解決的問題。許多碳酸鹽巖顆粒（如鮞粒/豆粒，粉砂/細砂/中砂/粗砂，砂屑/礫屑）需要根據大小進行識別、區分，因此智能識別時需要結合比例尺和放大倍數考慮顆粒類型。

（7）人工標注樣本問題

人工智能薄片鑒定需要人工標注與智能識別結合進行，深度學習需要依賴足夠多的人工標注樣本和標簽，目前樣本數量少、類別少、模型泛化能力不足的狀況難以支撐高吻合率的智能識別。

（8）算法問題

針對不同的結構組分，選用什么樣的算法能夠使得識別效果最優，仍然值得深入研究；深度網絡識別模型在準確性和快速性方面仍有改進空間。薄片智能識別在油氣勘探開發領域應用的重點是儲層研究，應當研發相應的算法并應用于儲層評價、成巖作用和沉積微相識別中［25］，從而形成一套基于智能薄片鑒定的定量、準確的儲層研究方法。

3.2 碳酸鹽巖人工智能研究的發展方向

碳酸鹽巖人工智能鑒定是碳酸鹽巖研究的必然趨勢，不僅應當立足于薄片鏡下圖像的識別，今后的發展還應包括：

（1）碳酸鹽巖宏觀和微觀圖像人工智能的綜合鑒定。不僅限于薄片偏光照片中的透明造巖礦物［62］，重礦物、瀝青等不透明組構、薄片的陰極發光照片、電子探針背散射照片等也需要通過反射光以及其他識別手段達到智能鑒定。CT、掃描電鏡、巖心掃描等實驗手段獲取的碳酸鹽巖圖像也是后續人工智能鑒定的重要內容，值得開展進一步的研究工作，以達到全面的碳酸鹽巖巖石類型、孔隙結構的人工智能鑒定。碳酸鹽巖沉積現象十分豐富，是判斷沉積環境并進行其他研究的基礎，因此碳酸鹽巖沉積構造圖像和沉積微相的人工智能識別是碳酸鹽巖研究智能化的重要內容。

（2）針對碳酸鹽巖的核心算法研究。由于碳酸鹽巖的特殊性，有必要建立基于碳酸鹽巖的深度學習算法，從而提升碳酸鹽巖識別智能化水平。

（3）碳酸鹽巖測井資料、地球物理資料的智能解釋。許多無巖石樣品的碳酸鹽巖資料分析耗費了大量的人工成本，測井資料和地球物理資料的智能解釋也是未來碳酸鹽巖智能識別的發展方向。

（4）建立碳酸鹽巖圖像數據庫。大數據背景下，不同地區碳酸鹽巖圖像數據庫的建立是必不可少的，包括薄片圖像數據庫、各項地球化學分析圖像數據庫以及沉積現象數據庫等［63］數據庫，這也是開展深度學習所需樣本的來源［7］，有助于提高后期識別吻合率。

由于碳酸鹽巖的復雜性，仍需要將地質人員專業知識與后期監督學習、建模有機結合，通過圖像切割和圖像處理手段提高智能識別精度，從而提高識別不同結構組分和顆粒類型的吻合率，向高效率、高分辨率、高精度、高準確度的方向發展。