本文针对油气勘探中岩石样本识别和含油量测量问题，提出了基于深度学习的解决方案。
岩石分类问题： 针对岩石图像表观特征接近、数据量少的问题，采用了多模型融合的集成式深度学习模型。首先进行数据增强，包括图像切分、旋转、添加噪声等操作，并利用GAN网络生成新数据。然后，选择了EfficientNetv2、CvT和SwinTransformer三种高精度图像分类模型，通过图像切分和多模型投票的方式提高分类精度。最后，结合孪生神经网络进一步提高模型精度。最终，集成模型的准确率达到92.43%，平均用时0.45秒。
含油面积测量问题： 针对图像色彩复杂、岩石未充满全图等问题，采用了图像掩模和像素点统计的方法。首先，利用CURL神经曲线层去除图像噪点，然后通过RGB转HSV色彩空间转换提取含油部分（绿色和黄色）。接着，利用图像掩模将含油部分转换为黑白图像，通过遍历像素点统计白色像素占比得到含油面积百分比。对于岩石未充满全图的图像，先使用RemoveBg库进行抠图，去除背景干扰，再进行同样的处理步骤。最终，该方法能够准确测量岩石含油面积百分比。
研究结论： 本文提出的方法能够有效提高岩石分类和含油面积测量的准确性和效率，为油气勘探提供了一种新的技术手段。
