Sedimentary petrology is the basis for most mineral and textural identification in sandstones. Automating mineralogical interpretation of an entire thin section image has many practical applications, including improved geological understanding, input of spatial distribution of mineralogy and grain size for petrophysical evaluations, and integration with 3D imaging modalities (micro-CT, nano-CT). We investigate the application of Convolutional Neural Network (CNN) based supervised semantic segmentation methods for predicting pixel-scale mineralogy using 2D RGB images of sandstones acquired by transmission light microscopy. Models were trained to interpret a simple binary pore-mineral (grain) segmentation and a 10-class segmentation (porosity, quartz, feldspar, rock fragments, carbonate grains, opaque grains, quartz cement, carbonate cement, clay cement, and hydrocarbons filling pores). For the 2-class classification framework to distinguish between pores and minerals, most models lead to satisfactory results with acceptable accuracy. For the 10-class classification framework, models trained with Deeplab V3+ Resnet-18 network yield more continuous results compared to those based on VGG networks. We conclude that the effectiveness of the models, in predicting a petrology class in a thin section, strongly correlates with the amount of labeled data available to train the model to interpret the class in question. Semantic segmentation models, based on CNNs, can produce encouraging results for a 10-class petrological classification framework of an entire thin section image and thus provide a complete scene understanding which is difficult to produce manually.

沉积岩石学是砂岩中大多数矿物和质地鉴定的基础。自动化整个薄片图像的矿物学解释具有许多实际应用，包括改进的地质认识，输入矿物学的空间分布和用于岩石物理评估的晶粒度以及与3D成像方式（微型CT，纳米CT）集成。我们研究基于卷积神经网络（CNN）的监督语义分割方法在使用透射光显微镜获得的砂岩的2D RGB图像预测像素级矿物学中的应用。经过训练的模型可以解释简单的二元孔隙矿物（颗粒）分段和10类分段（孔隙度，石英，长石，岩石碎屑，碳酸盐颗粒，不透明颗粒，石英水泥，碳酸盐水泥，粘土水泥和碳氢化合物填充孔隙）。对于区分毛孔和矿物质的2类分类框架，大多数模型以令人满意的精度得出令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。和碳氢化合物填充毛孔）。对于区分毛孔和矿物质的2类分类框架，大多数模型以令人满意的精度得出令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。和碳氢化合物填充毛孔）。对于区分毛孔和矿物质的2类分类框架，大多数模型以令人满意的精度得出令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。对于区分毛孔和矿物质的2类分类框架，大多数模型以令人满意的精度得出令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。对于区分毛孔和矿物质的2类分类框架，大多数模型以令人满意的精度得出令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。大多数模型以令人满意的精度产生令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。大多数模型以令人满意的精度产生令人满意的结果。对于10类分类框架，与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。与基于VGG网络的模型相比，使用Deeplab V3 + Resnet-18网络训练的模型产生的结果更为连续。我们得出的结论是，模型在预测薄薄的岩石学类别方面的有效性与可用于训练模型以解释相关类别的标记数据的数量密切相关。基于CNN的语义分割模型可以为整个薄截面图像的10类岩石分类框架产生令人鼓舞的结果，从而提供难以手动生成的完整场景理解。