智能钻探已成为地质勘探领域的研究热点和发展趋势。传统的现场岩心识别与编录主要依赖技术人员的经验，不确定性因素较多，而受限于现场条件，使用手机或相机拍摄自然图像是采集岩心信息最为便捷的方式。因此，有必要研究岩心图像的特征信息提取技术，并将其用于岩心类型及其他信息的识别与预测之中。通过搜集大量的岩心样本，采用薄片鉴定的方式确定岩心的类型和名称，然后在不同的光照、尺度条件下拍摄岩心图像，形成图像和名称标记相对应的卷积神经网络的训练数据集。为了解决数据增强和不同训练批次在不同测试数据集上产生的识别准确率的差异性问题，提出基于多训练模型的岩心联合识别方法，同时采用多个模型对图像进行识别，综合确定识别结果。选择8个数据集对模型进行测试，使用多模型(文中采用4个模型)联合识别的准确率比单模型无数据增强时最大提升20.34%，平均提升9.13%；比单模型有数据增强时最大提升4.41%，平均提升2.75%，对每个测试集的识别准确率均有明显提升，总的识别准确率达91.56%，有效避免了使用单模型识别时对部分数据集识别效果好，而对部分数据集识别效果差的问题。为了在现场快捷使用岩心识别模型，采用TensorFlow Lite框架研发了岩心识别手机APP，在现场直接通过手机拍摄图像，并进行识别。在河北省保定市博野县地热勘探中的测试结果表明，该APP的现场识别准确率可达85%,较实验室测试时有所降低，说明野外的拍摄环境与岩心状态比实验室测试时更加复杂，不过，其依然可以作为一个辅助工具为现场工作人员提供重要的参考。研究表明，通过选用更复杂的卷积神经网络、不断扩大岩心图像数据集、采用更有效的数据增强方法和策略、建立某个区域的专有岩心识别模型等手段，可以进一步提升岩心图像的识别准确率，为智能钻探的决策提供更有效的信息。

高辉,吴振坤,柯雨等.基于自然图像的钻探岩心识别[J/OL].煤田地质与勘探:1-8[2023-08-23].http://kns.cnki.net/kcms/detail/61.1155.P.20230822.1124.006.html