Advances and availability of deep learning (DL) software have recently allowed the development, testing, and deployment of automated image classification schemes for sedimentary features from core images. The development of these methods is especially relevant for extracting useful geological features from otherwise unused core photographs. This paper demonstrates and tests the use of a DL workflow for the automated extraction of bioturbation data from a core photograph data set.The proposed workflow includes extracting image tiles from core photographs along a grid and referencing each tile with collected sedimentary data. Each labeled image tile is then used as a training and testing input for a machine learning algorithm. This method allows users to quickly generate thousands of labeled training images.To demonstrate and test this workflow, a data set was collected using PyCHNO™, an open-source software specifically designed to collect sedimentary data from core photographs. The resulting data set comprising 13,545 tiles of 128 × 128 pixel resolution is used to train a DL algorithm to automatically predict if a core photograph contains evidence of bioturbation. The trained model was able to predict whether or not an image demonstrated evidence of bioturbation with up to 88% accuracy.The workflow demonstrates one of many possible applications for automatically extracting biogenic or physical sedimentary structure data from core photographs. Models built using this approach can be used to “seed” wells from a given area or interval, which can therefore significantly increase the value of core photograph data sets with relative ease.

中文翻译：

---

应用深度学习从核心照片中识别生物扰动

深度学习（DL）软件的进步和可用性最近允许开发，测试和部署用于核心图像沉积特征的自动图像分类方案。这些方法的发展与从其他未使用的岩心照片中提取有用的地质特征特别相关。本文演示并测试了使用DL工作流程从核心照片数据集中自动提取生物扰动数据的方法。拟议的工作流程包括沿网格从核心照片中提取图像图块，并使用收集的沉积数据引用每个图块。然后，每个标记的图像块都将用作机器学习算法的训练和测试输入。此方法可让用户快速生成数千个带有标签的训练图像。为演示和测试此工作流程，使用开放源软件PyCHNO™收集了数据集，该软件专门设计用于从核心照片中收集沉积数据。所得的数据集包括13545张分辨率为128×128像素的图块，用于训练DL算法，以自动预测核心照片是否包含生物扰动的证据。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。一个专门设计用于从核心照片中收集沉积数据的开源软件。所得的数据集包括13545张分辨率为128×128像素的图块，用于训练DL算法，以自动预测核心照片是否包含生物扰动的证据。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。一个专门设计用于从核心照片中收集沉积数据的开源软件。所得的数据集包括13545张分辨率为128×128像素的图块，用于训练DL算法，以自动预测核心照片是否包含生物扰动的证据。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。所得的数据集包括13545张分辨率为128×128像素的图块，用于训练DL算法，以自动预测核心照片是否包含生物扰动的证据。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。所得的数据集包括13545张分辨率为128×128像素的图块，用于训练DL算法，以自动预测核心照片是否包含生物扰动的证据。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。经过训练的模型能够预测图像是否能以高达88％的精度显示出生物扰动的证据。工作流演示了从核心照片中自动提取生物或物理沉积结构数据的许多可能应用之一。使用这种方法构建的模型可用于从给定面积或间隔“播种”井，因此可以相对轻松地显着增加核心照片数据集的价值。