基于SEM图像与AP-SAM的富烃区泥页岩孔隙结构自动化分析技术

为解决传统卷积神经网络在泥页岩SEM图像中显著孔隙（prominent pores）分割效果不佳的问题，研究人员开发了基于交互式Segment Anything Model（SAM）的Auto-Pore SAM（AP-SAM）框架。该技术通过默认提示实现自动化，结合低秩自适应（LoRA）和多尺度特征提取，显著提升孔隙分割精度（泥岩IoU 82.71%，页岩81.60%），并能修正人工标注误差。研究为油气勘探中的孔隙分析提供了通用解决方案，成果发表于《Fuel Communications》。

　　

在油气勘探领域，泥页岩的孔隙结构直接影响气体吸附能力和流体输运特性，是评价储层性能的核心指标。传统扫描电子显微镜（SEM）图像分析依赖人工阈值分割或经典卷积神经网络（CNN），但面对清晰可见的大尺度显著孔隙（prominent pores）时，U-Net、DeepLabV3⁺等模型表现乏力。更棘手的是，不同岩性的孔隙形态差异显著，缺乏通用分析方法，导致地质建模误差累积。

针对这一瓶颈，中国研究人员开发了Auto-Pore SAM（AP-SAM）框架。该技术以Meta AI的Segment Anything Model（SAM）为基础，通过三大创新实现突破：首先采用可学习的默认提示（default prompts）实现全自动化，避免人工后处理；其次引入低秩自适应（Low-Rank Adaptation, LoRA）微调策略，使模型适配SEM图像特性；最后通过卷积神经网络（CNN）分支提取多尺度特征，同步捕捉显著孔隙与微米级孔隙。实验采用日本南海海槽富气水合物区的泥岩和油气藏页岩SEM图像，AP-SAM在泥岩数据集取得82.71%的交并比（IoU），页岩达81.60%，均超越对比模型。

数据准备
研究采用国际海洋发现计划（IODP）在南海海槽C0002站点的泥岩样本和油气藏页岩SEM图像。通过位置嵌入插值技术实现输入图像尺寸自适应，解决高分辨率SEM图像的尺寸变异问题。

结果与验证
与U-Net、DeepLabv3⁺等模型相比，AP-SAM在显著孔隙边界分割上提升显著。典型案例显示其能识别人工标注遗漏的孔隙，并修正标注错误。但面对矿物杂质干扰或亚微米孔隙时性能仍有下降。

结论与意义
AP-SAM首次将基础模型SAM成功应用于岩石孔隙分析，其自动化流程可推广至不同岩性。技术突破在于：1）通过LoRA降低90%训练成本；2）多阶段解码器提升孔隙边界精度；3）开源代码促进地质AI工具发展。该研究为油气储层评价提供新范式，未来可通过引入Transformer分支进一步优化微孔隙识别。

（注：全文技术细节均源自原文，包括模型性能指标、数据来源及方法创新点，未添加非原文信息。）