草莓状黄铁矿在页岩中广泛分布,其形态特征及粒径大小等可作为指示氧化还原状态的环境指标。本文以鄂西宜昌地区鄂阳页1井水井沱组富有机质层段及岩家河组样品为研究对象,利用氩离子抛光-场发射扫描电镜技术,结合图像处理软件ImageJ,快速获取SEM图像中草莓状黄铁矿相关参数,并探讨其环境指示意义。结果表明,鄂阳页1井下寒武统剖面样品中黄铁矿赋存形式多样,包括草莓状黄铁矿集合体、团块状黄铁矿、黄铁矿自形晶及有机质中星点状分散的黄铁矿等。其中,草莓状黄铁矿作为最主要的赋存形式,其粒径(D)、微晶粒径(d)、D/d值以及微晶晶型等相关参数在垂向上呈现明显变化。岩家河组草莓状黄铁矿微晶晶型以八面体为主,水井沱组富有机质层段底部以五角十二面体及近球形为主,中部以八面体、立方体为主,上部以立方体、四面体为主,自下而上微晶圆度呈逐渐减小趋势,反映了还原性减弱的过程。水井沱组富有机质页岩中草莓状黄铁矿平均粒径为4.43 μm,中下部偏大,上部粒径偏小。草莓状黄铁矿微晶平均粒径为0.338 μm,剖面上自下而上呈现由大到小的变化趋势。D/d值在岩家河组样品中偏小,在水井沱组富有机质层段下部最大,上部逐渐减小。综合相关参数在剖面上的变化,在岩家河组与水井沱组底部环境突变的位置,草莓状黄铁矿更多反映突变前的环境状态,水井沱组富有机质层段上部偏氧化状态下草莓状黄铁矿粒径偏小,可能当时氧化还原界面仍位于水体中,且指示物源供给中含铁矿物丰度减小。

将深度学习模型引入地质图像分析中,可以大幅提高工作效率,增加研究定量化程度,开拓图像研究新领域。本文以上扬子鄂西地区下寒武统牛蹄塘组页岩的离子抛光扫描电镜图像为例,通过对图片二值化等预处理后,利用Mask-RCNN、FCN和U-Net 3种深度学习模型对页岩中主要矿物、有机质及孔隙等进行识别,比较运行时间与识别结果的准确度,讨论了不同深度学习模型在地质图像识别和处理过程中的适用性和差异性。并优选效果最优的U-Net模型与JMicroVision、Adobe Photoshop等通用图像处理软件识别结果进行孔隙识别对比。结果显示:FCN模型能够基本识别图像中的主要矿物、有机质与孔隙,但对颜色相近的组分和裂缝识别效果较差;Mask-RCNN模型可识别分割性强的主要矿物,但对分辨率较低的孔隙和裂缝识别效果较差;U-Net模型对主要矿物、有机质及孔隙识别效率大大提高,在页岩地质图像识别方面具有优势。相较于通用图像处理软件,U-Net模型识别速度提高了300多倍。基于深度学习U-Net模型识别结果,研究区牛蹄塘组页岩孔隙结构类型可分为矿物内圆状孔、矿物间随机不规则孔、有机棱角状孔和有机密集微孔。基于足够数量电镜图片识别得到的孔隙结构参数对于实际储层分类评价具有参考价值。本实验为基于深度学习的页岩扫描电镜图像识别与分析提供了范例,对提高地质图像研究工作效率和推进油气智能化具有一定的借鉴意义。