实例分割模型应用于托尔顿期海洋缺氧事件(T-OAE)黑色页岩孢粉相面积比的自动化量化分析

《Review of Palaeobotany and Palynology》:Instance segmentation model applied to automated palynofacies area-ratio quantification analysis for black shales of T-OAE

【字体: 大 中 小 】 时间:2026年09月21日 来源:Review of Palaeobotany and Palynology 1.7

编辑推荐:

   - YOLOv26模型应用于像素级孢粉相定量分析与分割。 - 有机颗粒掩膜分割的模型准确率达到94.1%的mAP@0.5。 - 自动提取HSV特征以实现客观的热变质指数评估。 - 模型将数小时的人工孢粉相定量工作缩短至数秒。 - 基于Web应用部署提供可持续的开源环境。 1

  

- YOLOv26模型应用于像素级孢粉相定量分析与分割。
- 有机颗粒掩膜分割的模型准确率达到94.1%的mAP@0.5。
- 自动提取HSV特征以实现客观的热变质指数评估。
- 模型将数小时的人工孢粉相定量工作缩短至数秒。
- 基于Web应用部署提供可持续的开源环境。

1. 引言

托阿尔海洋缺氧事件(T-OAE)发生于约1.82亿年前,以负碳同位素异常和广泛分布的黑色页岩沉积为标志,伴随重要的生物响应,如有机壁甲藻囊的"消失"现象和厌氧甲烷氧化(AOM)的占主导,这给传统孢粉地层学和古环境重建带来了局限(Hesselbo等,2000;Jenkyns,2010;van de Schootbrugge等,2005;Baranyi等,2016;Correia等,2017)。因此需要采用更为广泛的孢粉相方法,但该方法需要大量繁重的人工劳动。人工孢粉相定量和热变质指数(TAI)分析具有高度主观性且易受人为误差影响,操作人员需将单个孢粉体与实物参考片进行逐一比对,单个样品的完成通常需要5–6小时(Santos等,2026)。我们的Python脚本通过部署YOLOv26深度学习模型,对上传的显微镜图像即时检测并掩膜干酪根,同时提取HSV颜色特征进行客观TAI评分,从而现代化了这一工作流程。同时,该脚本完全实现了相对丰度计算、计数、面积计算和Tyson图生成的自动化,以94.1%的平均精度将数小时的人工劳动缩短至数秒。传统的目标检测方法主要依赖边界框,存在局限性且准确性不足,因其会统计背景像素和附着颗粒的部分区域(He等,2017;Lin等,2017)。而实例分割则可以为每个个体对象提供像素级掩膜,实现精确的形态学分析(面积、周长),并有效分离重叠的颗粒(He等,2017;Ren等,2015;Lou等,2026)。实例分割能够区分同一类别内的不同个体实例,提供像素级掩膜,这对于孢粉相分析中的准确定量至关重要(Lou等,2026)。本研究提出了一种新方法——自动化孢粉相面积比定量法(APAQ),提供了一个YOLOv26实例分割模型,用于识别和量化与T-OAE黑色页岩相关样品中的干酪根颗粒。该方法与自动化孢粉体识别领域的最新创新相一致,如ArtPOP项目(Sliwinska和Andrianov,2026)、Scampi系统(Martinsen等,2025;Wade等,2026)、数字生物地层学中的AI增强分析(Stefanowicz等,2023),以及Biostrat AI(Machado等,2024)和AVATARA-P(挪威大陆架管理局,2020)等工具,这些代表了自动化孢粉学和孢粉相研究的重要进展。ArtPOP专注于孢粉体和有机颗粒的通用识别,Scampi则展示了视觉变换器(Vision Transformer)和自监督学习在加速物种鉴定方面的能力,达到96%的匹配率(Martinsen等,2025;Wade等,2026)。与YOLOv8模型相关的最近研究包括开发用于识别微木炭和石松属孢子的模型,准确率达94.3%(Zhang等,2026),以及用于蜂蜜中花粉检测的模型,mAP达97.6%(Jofre等,2025)。在变质特征方面,Santos等(2026)使用YOLOv9 + Mask R-CNN模型实现了孢子着色指数(SCI)的自动化,准确率约为86%。目前尚无研究将带像素级掩膜的实例分割应用于完整的孢粉相分析体系。所有现有的YOLO应用仅使用边界框检测,无法提供定量孢粉相比例和Tyson三元图分析所需的形态测量精度。同样,鉴于任务的复杂性,还需要将此孢粉相方法区分于YOLOv10应用于下白垩纪单一指标甲藻囊物种识别的更具针对性的目标检测应用,以及基于YOLOv11的用于泥盆纪微孢子自动检测和鉴定的模型(Sanches等,2025;Lokteva等,2026)。另一个目标检测模型Pollen-YOLO(基于YOLOv11)仅针对青藏高原的几类化石花粉进行开发(Shi等,2026)。虽然这些研究解决了局部的生物地层问题,但其目标检测方法限制了其在更广泛古环境重建中的实用性。我们的模型旨在完全泛化适用于特定层位——奥地利北部钙质阿尔卑斯山Sachrang层T-OAE黑色页岩的独特孢粉相特征。该模型不完全适用于缺乏黑色页岩岩性的其他T-OAE盆地。除了其古环境学意义外,T-OAE黑色页岩在整个欧洲地区是重要的烃源岩,代表着石油勘探的主要目标(Batten,1996;McArthur,2019;Hesselbo等,2007;Littler等,2010)。孢粉相分析对该行业至关重要,因为它表征干酪根类型和热成熟度以确定源岩潜力(Batten,1996;Fonseca等,2018;Rosales等,2004)。重要的勘探层位包括波西多尼亚页岩(德国)、卡通页岩(法国)和喷气岩(英国)(Wignall和Maynard,2004)。APAQ框架的应用前景在于通过干酪根类型的自动定量来绘制欧洲各地盆地中烃源岩的空间分布和特征。在此背景下,本研究强调了YOLOv26框架在三种孢粉相类型分类中的应用,并利用该架构提供的独特像素级掩膜功能。该框架使用Python语言实现,基于开源代码https://github.com/ultralytics/ultralytics。

2. 材料与方法

2.1 样品采集与背景

研究的样品采集自Saubach组Sachrang层,层位划分根据Krainer和Mostler(1997)及Ebli等(1998)的资料进行修正。Sachrang层的大多数研究集中于地球化学领域(如Ebli等,1998;Neumeister等,2016;Neumeister等,2020),对微古生物内容的研究很少,对其他微体化石的提及也非常笼统(Krainer和Mostler,1997),对放射虫的记载也较少(Ebli,1997)。这些黑色页岩唯一的孢粉学记录来自Ebli(1991),由Dr. Ilse Draxler贡献。

2.2 样品制备与图像采集

样品经过标准孢粉学实验室处理,以将孢粉体从矿物中分离出来,通过化学处理(使用37% HCl和45–55% HF)去除碳酸盐和硅酸盐。流程从破碎岩石样品开始,然后洗涤以去除多余内容物并避免污染。使用盐酸(HCl)溶解碳酸盐,用蒸馏水中和以避免HCl的额外反应效应。随后使用氢氟酸(HF)溶解硅酸盐,再进行一轮相同的中和过程。在此中和阶段采用离心法。最后使用6–9毫升密度较高的ZnCl?重液直接在试管中分离孢粉体。如果在实验室处理的初始反应阶段后样品中仍存在矿物残留,则需要重复HF反应。具体而言,对30张孢粉相样品玻片进行了系统分析,使用两套光学显微镜系统,分别是Olympus BX51显微镜搭配U-TV0.5XC-3摄像头适配器和Zeiss Axiocam 105 Color相机,以及Nikon Eclipse 80i显微镜搭配Jenoptik ProgRes SpeedXT core 5数码相机。所有玻片均经过人工筛查以确保所有观察到的标本均被包含在内。从两套显微摄像头系统捕获的高分辨率图像经过动态合并以构建数据集的基础。由于所有图像在预处理后均具有相同的640 × 640像素尺寸,深度学习模型对硬件分辨率差异具有不变性。经像素级分割后共计2964个标注的图像被认为捕获了该岩相的所有相关特性以提高系统可靠性。深度学习模型的整个开发流程如图1所示。

下载:下载高分辨率图像(459KB)
下载:下载全尺寸图像

图1. 采样点位与检测模型开发流程图。

2.3 数据集描述

本项目使用的数据集包含564张高分辨率孢粉相和干酪根组合图像,经6位孢粉学专家在总计16个月内进行了验证。图像呈现复杂的图案特征并显示出多种干酪根类型的存在(AOM、植物碎屑和孢粉体),这与T-OAE沉积物中"甲藻囊消失"效应和AOM的主导地位相关。

训练数据集:400张图像,包含YOLOv26模型的实施,使网络能够针对目标特征进行训练,如小球藻的圆形度以及AOM和植物碎屑的弥散纹理特性。

验证数据集:82张图像,创建平衡的三类验证集,以便在训练阶段(300个epoch)进行实时性能检查和超参数调整,有助于减少过拟合。

测试数据集:82张图像;该数据集用于测试模型性能并评估其跨盆地泛化能力。

使用Ultralytics软件平台通过多边形标注方法对数据进行标注,创建用于实例分割的像素级掩膜真值数据,这与传统的边界框方法不同,可减少背景污染并提供精确的形态测量分析。所有图像均经人工审核以提供准确的分类学鉴定,使图像能够被分为四个主要类别(AOM、植物碎屑、孢粉体、背景),有助于避免由玻片伪影导致的假阳性结果。下图展示了其中一张图像及其标签以及创建的分割掩膜。

2.4 YOLOv26模型架构

为实现实时实例分割,选择YOLOv26模型,因其能够在不降低实时推理速度的前提下提供像素级精度。

主干网络(Backbone):模型采用跨阶段局部(CSP)网络架构,专为高效提取复杂显微纹理的层级特征而设计。CSP网络具有较低的计算负载,对形态特征(如小球藻的圆形度和AOM的典型不规则形状)具有高敏感性。

颈部网络(Neck,特征金字塔网络):包含颈部网络以促进多尺度特征融合,由于有机颗粒尺寸差异大,这一点至关重要。颈部网络实现了结构信息与语义信息的结合传输。

架构头(NMS-free和解耦头):为实现更快的推理速度,网络头采用解耦设计,即分类、边界框回归和掩膜生成在模型的并行分支中独立执行。为实现掩膜生成,采用类似ProtoNet的分支计算掩膜原型并生成实例系数,最终求和得到个体实例掩膜(M = σ(C·P))。

统一输入图像尺寸:为确保一致的图像处理,所有输入图像均处理为640 × 640像素的共同分辨率。该分辨率在保留区分Halosphaeropsis liassica群落与AOM颗粒的形态特征与保持推理速度之间取得平衡。

2.4.1 训练过程

模型训练使用我们的脚本'bora_toae_paly.ipynb'完成。为实现模型的适当收敛和优化,采用了以下参数和策略:

硬件规格:使用配备16GB GDDR6内存、计算性能为8.1 TFLOPS的Tesla T4 GPU进行训练。

学习率:学习率设为0.001,使用AdamW优化器配合余弦退火策略。该配置旨在在训练初期进行足够大的权重更新,并在后续训练阶段调整权重以达到全局最小值。

批量大小:批量大小设为16,以便优化GPU内存使用(Tesla T4 GPU),同时在每个训练轮次中包含多样化的孢粉相类别。

训练轮次(Epochs):模型训练持续300个epoch,其中可提前在50个epoch时停止,前提是模型在验证集上的性能不再提升。训练时长的选择旨在防止在特定的T-OAE数据集上过拟合,同时在验证集上获得稳定性能。

缓存(cache = True):用于将整个数据集加载到RAM中,以加快后续训练轮次的速度。

验证(val = True):定期在未见的验证数据上进行测试以评估当前模型性能。

输出格式(save_json = True, save_txt = True, plots = True):以JSON和文本格式保存预测结果,并生成训练曲线图。

为使模型更加鲁棒并能在其他盆地中不同保存状态下良好工作,使用bora.py脚本应用了一些数据增强技术:马赛克增强,将四张图片组合为一张。在360度范围内进行随机旋转。

亮度和对比度设置(± 0.2,p = 0.6)以及颜色设置(p = 0.4),用于模拟光照变化和热成熟度等条件的改变。模糊设置(不超过 3–5,p = 0.3)模仿显微镜失焦效果。纹理设置(p = 0.2–0.3)用于锐化边缘。此外,ISO 噪声设置(p = 0.2)引入典型的传感器颗粒感。

### 2.4.2 评估指标

使用检测范围和实例分割的指标全面衡量模型性能。

**精确率(π):** 衡量正确预测的孢子花粉相实例数占所有预测实例的比例。

**召回率(ρ):** 衡量正确预测的实例数占所有真实标注实例的比例。

**F 分数:** 衡量精确率和召回率的平均值。这些指标分别衡量模型最小化假负例和假正例的能力。

**平均精度均值(mAP@0.5 和 mAP@0.5-0.95)** 衡量不同 IoU 阈值下各类的 AP。mAP@0.5 对实例分割尤其重要,因为实例分割要求像素之间具有高重叠度。

**混淆矩阵** 包含各类的真实阳性(TP)、假阳性(FP)、真实阴性(TN)和假阴性(FN)。每类均生成混淆矩阵,以展示模型的分类性能详情。

### 2.5 软件架构与数据管道

我们的 APAQ 方法分为两个阶段,在一个模块化的基于 Python 的软件生态系统中实现,具体如下:(1)深度学习推理;以及(2)自动化定量分析与可视化(表 1)。

**表 1. 软件架构与数据管道的阶段**

| 脚本 | 主要功能 | 关键输出 |
|---|---|---|
| bora.py | 数据增强 | 增强后的图像/带标注数据集 |
| bora_toae_paly.ipynb | 模型训练 | model.pt(训练后的权重) |
| palynofacies_full.py | 定量分析与 TAI 及相对丰度计算 | palynofacies_results.csv,relative_abundance_log,tai_diagrams.png,summary_charts.png |
| tysonplot.py | 岩相映射 | tyson_ternary_plot.png |

**第一阶段:深度学习推理**(bora_toae_paly.ipynb)和数据增强脚本(bora.py):作为训练阶段运行,如(第 2.5 章)所述。

**第二阶段:定量分析与可视化**(palynofacies_full.py):在训练阶段结束后、模型可用于推理时启动。作为核心分析引擎,从深度学习模型推理输出中自动提取形态学和光谱特征。

**像素到微米标定:** 通过硬件依赖的标定流程,确保在分析过程中使用分析引擎计算绝对面积(μm2)时具有跨平台通用性和硬件兼容性。特别是,深度学习模型在标准的 640 × 640 像素输入图像上运行,以确保特征能够以与尺度无关的方式被检测,而后处理引擎"microscope.py"根据图像采集过程中使用的数据源执行实时坐标转换。值得注意的是,"microscope.py"脚本在后续流程中实现,允许为每台需要分析的显微镜设定独立的 μm/像素比值缩放常数(例如,Olympus BX51/Zeiss Axiocam 配置:10 倍放大时为 1.2403 μm/像素,20 倍时为 0.6202,40 倍时为 0.3101 μm/像素)。

**相对丰度:** 脚本计算各类的总面积总和,同时分别统计每张图像的个数,并返回两者的百分比。

**热演化指数(TAI):** 作为脚本的一项新功能,能够从分割出的孢子花粉体的 HSV(色相、饱和度、明度)剖面中自动估算热演化指数(TAI)。它计算分割掩膜中像素的平均色相(Hue)和明度(Value)。低明度(V)和较暗的色相对应于较高的热成熟度,定义为处于"未成熟"范围(黄色),直至"过度成熟"范围(黑色/死碳)。

**自动报告:** 脚本生成 palynofacies_report.xlsx 报告文件,包含基于图像的统计数据以及 TAI 评估和 `summary_charts.png`。

**古环境分类**(tysonplot.py):该脚本使用 Tyson(1995)提出的标准三元图对样本进行地质分类。它确定 Tyson 岩相区域的确切像素坐标,并根据 3 个 Tyson 极点自动汇总相应的亚岩相类别。最终,提供盆地临近性和氧化还原条件的直接视觉分类。

## 3. 结果

模型性能分析使用测试数据集的图像进行。根据所选指标的信息,得出以下所有类别的模型有效性值:mAP@0.5 为 94.1%。模型在掩膜分割方面的有效性值为:综合精确率 93.1% 和召回率 92.1%。另一方面,mAP50-95(M) 为 82.8%,表征了不同有机化合物在像素级别上掩膜生成的质量。此外,基于类别特异性分析可以得出结论,孢子花粉体类别的模型有效性(mAP@0.5)达到了 98.7% 的优秀水平。

### 3.1 混淆矩阵分析

模型的有效性通过原始计数和归一化混淆矩阵来表征(图 3),掩膜分割的平均精度均值(mAP@0.5)为 94.1%。归一化混淆矩阵使模型在对照类"背景"和"孢子花粉体"类上实现了近乎完美的识别精度,两者各达到最高值 0.99,其次是植物碎屑为 0.91,沥青质有机质(AOM)为 0.85。原始混淆矩阵(图 3)提供了对这些值的更详细观察:例如,AOM 颗粒的真实阳性预测为 121 个,而 19 个为真实阴性或假阴性,即模型未能完全检测到 AOM 颗粒的情况。

"背景"标注类别(对照类别,模型在 89 个案例中正确识别了 88 个,精确度为 0.99)与矩阵中的"背景"类别之间存在关键差异,后者涵盖了所有颗粒漏检或不应存在颗粒时出现假颗粒检测的情况,其中 32% 的预测为 AOM 颗粒,结果证明实际上是玻片的背景部分。这些误识别大多由黑色页岩重叠外观引起,导致 AOM 颗粒的颗粒状和弥散状外观与玻片表面融合,或被不透明的植物碎屑遮挡。训练和验证期间的预测结果展示于(图 4)。

### 3.2 视觉性能分析

除了定量结果外,还进行了性能指标的视觉分析,以更好地理解 YOLOv26 模型的工作和性能(图 5、图 6、图 7)。以下部分提供了模型检测/分类能力的图形化详细分析,允许更深入地了解其优势以及进一步改进的方式。因此,视觉分析揭示了模型的一些运行特征:

**精确率-召回率曲线** 提供了模型根据置信度水平预测物体的能力洞察,即随着精确率提高、召回率降低的表现,并显示掩膜分割任务的平均 AP@0.5 得分高达 94.1%。此外,分析表明模型对两类微化石的检测效果几乎完美,即孢子花粉体(0.987)和背景对照类(0.983)。预测效果最差的是 AOM 类型(0.854)。

**精确率-置信度曲线** 证明预测精度取决于模型的确定性,在 1.000 置信度水平下所有三类均达到 1.00 的精确率值(图 5)。

**F1-置信度曲线** 帮助识别模型在检测真实有机颗粒的同时成功避免假阳性预测的最佳点,从而在掩膜阈值为 0.357 时获得 0.92 的理想 F1 分数(图 6)。

**召回率-置信度曲线** 展示了模型的敏感性。可以看出,正确检测真实标注与置信度阈值之间存在反向依赖关系——模型输出等于该物体属于特定类别的概率。掩膜在 0.000 阈值时达到 0.96 的最大敏感性。

**训练指标** 曲线在 300 个epoch的训练过程中绘制边界框、掩膜和分类损失,展示了良好的收敛性以及训练集和验证集上的下降趋势(图 7)。

## 4. 在孢子花粉岩相分析中的应用

APAQ 方法的应用标志着最后一步,即所开发的 YOLOv26 实例分割模型与定制的 Python 脚本共同生成高效的可视化地质输出。如图 8 所示,"palynofacies_full.py"作为中央处理组件,将分割结果的硬件特定分辨率(例如,10 倍放大时为 1.2403 μm/像素)进行标定,将像素掩膜转换为绝对面积测量值(μm2),公式如下:

$$\text{Area (μm2)} = \text{Pixel Count} \times \left(\frac{\mu m}{pixel}\right)^2$$

该方法对不规则颗粒尤为重要。例如,在正常计数中 AOM 仅占样本的 54.54%,但在微照片中按面积计算可高达 96.99%。同时,它还为每个分割出的孢子花粉体提取 HSV 颜色剖面,成功检测出从未成熟(TAI 1.30)到晚成熟(TAI 3.20)的成熟度范围,平均 TAI 为 1.97。该平均值表明整体状态为未成熟-早期成熟(早期生油阶段)(图 9)。

本研究中的最终解释关联通过定制的"tysonplot.py"脚本实现,该脚本负责生成 Tyson(1995)三元图(图 10)。各组的面积百分比使用以下公式进行归一化:

$$\text{Area\%} = \left(\frac{\text{Total Pixel Area of the Group}}{\text{Total Pixel Area of All Palynological Groups}}\right) \times 100$$

对于岩相分类,使用欧几里得距离方法的"classify_facies"函数自动确定样本落入 Tyson 标记的 9 个主要岩相区域(从 I 到 IX)中的哪一个,利用其角坐标平均值和类别百分比,公式如下:

$$\text{Distance}(d) = \sqrt{(\text{AOM}_{sample} - \text{C}_{AOM})^2 + (\text{Pal}_{sample} - \text{C}_{Pal})^2 + (\text{Phy}_{sample} - \text{C}_{Phy})^2}$$

随后将计算出的百分比值投影(绘制)到静态(基于像素的)Tyson 图像上的正确坐标,公式如下:

$$X_{pixel} = (\%AOM \times X_{aom\_corner}) + (\%Pal \times X_{pal\_corner}) + (\%Phy \times X_{phy\_corner})$$

该图展示了 180 个样本的分布。均值数据点为所有样本的总体平均值,计算后将均值点置于 IVb 区域(陆架至盆地过渡带 b)。报告表以(.xlsx)格式附在附录中。

## 5. 交互式 Web 应用

为了向研究人员和行业专业人士提供经过训练的 YOLOv26 孢子花粉岩相检测模型,而无需编程知识,使用 Gradio 创建了一个交互式 Web 应用,脚本开发为 `app.py`,包含所有第二阶段定量与可视化脚本(图 2)。Gradio 是一个用于快速部署和演示机器学习模型的开源 Python 库。完整的 Gradio 应用环境和脚本托管在 Hugging Face Spaces(https://huggingface.co/spaces/Bora9/paly)上,这是一个用于部署机器学习模型的强大云基础设施。此外,该应用被配置为渐进式 Web 应用(PWA)。用户只需通过浏览器访问独立 URL https://bora9-paly.hf.space/,即可直接在用户设备(桌面或移动设备)上使用。

---

**图 2.** Ultralytics 平台中的图像标注过程。展示了两个重要的孢子花粉体标注:Tasmanites 和 Halosphaeropsis liassica(左侧具有团块状形态),这对于区分 Halosphaeropsis 与 AOM 的簇群至关重要,因为它们具有相似的形态学特征。

**图 3.** 归一化混淆矩阵突出显示了真实类别标签(地面真实值)和模型预测的分类,原始混淆矩阵揭示了真实阳性的确切计数和特定错误类型。

**图 4.** YOLOv26 模型训练验证预测示例以及单张孢子花粉岩相图像的检测结果。

**图 5.** 精确率-召回率曲线展示了精确率与召回率随置信度阈值变化的平衡关系,以及在掩膜分割任务上 mAP@0.5 为 94.1% 的稳健性。它显示孢子花粉体实现了近乎完美的检测(0.987),其次是背景类(0.983)。植物碎屑达到了高精确率(0.938),尽管 AOM 由于其形态学复杂性给模型带来了更大的挑战(0.854)。精确率-置信度图通过展示更高的预测精度对应于更高的置信度来验证了上述发现,所有类别在 1.000 置信度水平下达到 1.00 的最大精确率。

**图 6.** F1-置信度曲线在 0.357 阈值处识别出最佳性能平衡点,边界框的 F1 分数为 0.93,分割掩膜的 F1 分数为 0.92。召回率-置信度曲线展示了高模型敏感性,在 0.000 置信度水平下达到 0.97(边界框)和 0.96(掩膜)的最大召回率值。

**图 7.** 这些曲线代表 300 个epoch期间的训练和验证损失(box_loss、seg_loss、cls_loss、dfl_loss)。从两个轨迹随时间持续下降的情况来看,可以得出模型已充分收敛并泛化良好,且没有过拟合的结论。由于模型执行实例分割,评估指标基于边界框和掩膜定位进行计算。

尤其是,metrics/mAP50(B)和metrics/mAP50(M)的曲线在精确率为94.1%时达到峰值,这清楚地表明了在传统IOU阈值为0.50的条件下,对于花粉化石类型检测和分割的高精度。然而,metrics/mAP50-95(B)和metrics/mAP50-95(M)是IOU阈值在0.50到0.95之间计算的mAP的平均值。下载:下载高分辨率图像(274KB)下载:下载全尺寸图像图8. 花粉化石类型定量分析和面积比分析,由palynofacies_full.py脚本生成的结果。该脚本对15个样本的180张测试图像进行了有机组分(AOM、植物碎屑、孢粉体)基于面积(面积百分比)和基于数量的相对丰度比较定量分析。下载:下载高分辨率图像(257KB)下载:下载全尺寸图像图9. 通过180张测试图像中分割出的孢粉体的HSV(色相、饱和度、亮度)颜色轮廓显示的有机质热成熟度水平(从欠成熟到过熟)。下载:下载高分辨率图像(658KB)下载:下载全尺寸图像图10. 泰森三元图,显示了测试数据集图像的古老环境位置和相对丰度曲线。180张测试图像的结果显示,平均数据点为场区VII,代表在盆地或陆架环境中由远端弱氧-无氧条件形成。下载:下载高分辨率图像(264KB)下载:下载全尺寸图像图14. 在22 mm × 22 mm盖玻片上计算视野面积的框架。下载:下载高分辨率图像(452KB)下载:下载全尺寸图像图11. Web应用程序的用户界面,展示了模型即时检测和遮罩有机颗粒的能力,为用户提供模式识别过程的可视化确认。下载:下载高分辨率图像(374KB)下载:下载全尺寸图像图12. 展示了由'tysonplot.py'脚本从1张花粉化石类型图像生成的用户界面自动化泰森三元图。下载:下载高分辨率图像(399KB)下载:下载全尺寸图像图13. 显示了由`palynofacies_full.py`脚本生成的分割孢粉体HSV轮廓的频谱TAI预测结果。

6. 讨论

所获得的结果证实了使用YOLOv26进行实例分割任务以及在托尔恩阶(T-OAE)区段某些类型黑色页岩中自动化花粉化石类型分析的有效性。该模型的平均精确率(mAP@0.5)达到了94.1%,证明了将该模型作为花粉化石类型分析可靠工具的可能性。在处理此类图像时可能遇到的困难包括数据集的保存状况、AOM类别的形态多样性以及不透明/半透明植物碎屑的区分。在这两种情况下,精确率预计要高于98.2%,并且有可能通过创建两个类别(不透明和半透明)来提高植物碎屑的精确率。大量不透明植物碎屑与AOM颗粒重叠,这导致基于像素级遮罩面积的AOM精确率下降;该问题可通过使用双重标注来解决;首先,将重叠颗粒计为一个,然后进行单独标注。除了分析热蚀变指数外,用于确定有机质热成熟度的其他代用指标,如镜质体反射率(%Ro)和Rock-Eval热解(Tmax),应整合到模型的视觉属性中。混淆矩阵分析揭示了由于在噪声环境中难以区分物体而导致的问题,这是类似工作中存在的问题。通过添加"背景"类别并在数据集中的标注图像上进行标注,部分避免了该问题。

为了实现实时监测,要求在确保地质一致性和地层顺序的情况下提供测试图像。根据APAQ方法开发的方法,第二阶段脚本允许从文件名中读取数字指标,因此可以按地层深度组织图像序列并生成相对丰度曲线。

所开发的模型误差范围为5.9%(包括分类、定位和遮罩边界、检测失败在内的总误差来源率),由于以下几个原因,该模型在宏观尺度的花粉化石类型和古环境分析方面具有统计稳健性和合理性。首先,必须考虑到在数据集创建过程中出色的数据质量,该过程历时16个月。其次,主观的手动孢粉学计数程序受到操作者疲劳和主观性的显著影响,因此没有人能够给出可能操作者误差的真实比率或保证100%的成功率。然而,YOLOv26模型在数学上呈现了误差范围,从而提供了改进的机会。此外,所研究区段中与T-OAE相关的主要花粉化石类型变化表明,在有氧和无氧花粉化石类型中,AOM与植物碎屑之间的体积差异估计可达30-50%,因此与5.9%的方差进行比较只是一个不影响区域模式识别的噪声,也不会导致相带的误判。

本研究仅使用了15个样本的178张图像来测试花粉化石类型分析引擎,以获得平滑的图形输出。为了遵循定量花粉化石类型标准化方案,开发出的自动化工作流程中包含了每个样本200-300个单个有机颗粒的建议。鉴于此,为了通过孢粉学成像捕捉到一张玻片上的所有信息,我们设计了一个成像过程,使用22 mm × 22 mm盖玻片的参数。使用1.2403 μm/像素的分辨率,系统每幅图像捕获3.18 mm × 2.38 mm的视野。为了避免数据丢失,包含了20%的空间重叠,分别得出2.54 mm和1.90 mm的步长。此矩阵优化结果产生9 × 12的网格,每张玻片包含108张显微照片(图14)。但对于平均且均质的样本,所选的代表性8-10张显微照片足以达到建议的300个颗粒计数。这可能会有所变化,如第2.6章所述。高质量图像处理的要求使得未来的开发中需要寻找可扩展的方法。特别是,使用电动显微镜和玻片扫描仪来维持模型运行是必要的,这对于模型的可持续性和系统开发至关重要,并应包括自监督学习算法以提高精度。

7. 结论

本研究展示了YOLOv26作为最先进的实例分割模型的能力,该模型通过我们开发的引擎实现了面积比定量和模式识别,从而实现了花粉化石类型分析的自动化。该系统显著消除了以往基于传统边界框的解决方案的缺点。此类方法由于边界框内包含背景像素,导致有机质定量不准确。所开发的方法专门针对解决托尔恩阶(T-OAE)沉积物中特有的问题,如颗石藻黑变和不充分的保存,这些都需要扩展分析。因此,提供了解决花粉化石类型分析问题的自动化定量方案。当前系统的实例分割遮罩平均精确率(mAP)达到94.1%,从而实现了泰森三元图所需的详细形态计量分析(面积和周长)。算法还提供了基于色相、饱和度和值(HSV)轮廓的引擎,用于计算客观的热蚀变指数(TAI)评分,并消除评估烃源岩潜力过程中的人类偏差。一个基于Gradio的Web应用程序,包括深度学习模型和脚本,已作为开放访问环境提供给行业专业人士和研究人员,以便进一步开发。相信所提出的解决方案将能够实现托尔恩阶盆地(如Posidonia页岩、Jet Rock和Schistes Carton)黑色页岩相段和井的更快更准确筛查,并为石油地质学和烃源岩潜力研究提供更多机会。

B. A?bulut | ?. Józsa
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号