ЦИФРОВОЙ ГЛАЗ ГЕОЛОГА: НЕЙРОСЕТЕВАЯ ОЦЕНКА КАЧЕСТВА И ДОСТОВЕРНОСТИ ИЗОБРАЖЕНИЙ КЕРНА ИНЖЕНЕРНО-ГЕОЛОГИЧЕСКИХ СКВАЖИН

Никифоров Николай Васильевич

Генеральный директор и основатель компании Soilbox, резидента «Сколково» и Московского инновационного кластера

Барабошкин Евгений Евгеньевич

Руководитель по развитию продукта DeepCore компании ООО «ДП», резидент «Сколково», редактор раздела «Программирование в геологии» на платформе Геовебинары, Ph.D. Сколтеха

Скачать статью

В статье рассматривается алгоритм автоматизации контроля подлинности изображений керна при инженерно-геологических изысканиях. Основной целью разработки является повышение точности и снижение риска ошибок, обусловленных человеческим фактором при ручной проверке фотоматериалов. Предложенный подход включает три последовательных этапа: автоматическое выделение керна на изображениях, формирование уникального цифрового отпечатка с использованием нейронных сетей и выявление дубликатов на основе сравнения визуальных признаков. Результаты производственной апробации демонстрируют высокую эффективность метода: точность обнаружения дубликатов достигает 97%, полнота – 95%. Применение технологии позволяет ускорить процесс проверки изображений более чем в тысячу раз, устранить субъективность оценки и существенно сократить трудозатраты. Метод реализован в виде промышленного программного решения, внедрённого в продукты компаний Soilbox и Digital Petroleum, и готов к масштабированию в крупных проектах с возможностью дополнительной калибровки на корпоративных наборах данных.

DOI: 10.58339/2949-0677-2026-8-1-48-60

УДК: 004:550.83

Финансирование: Нет информации

Ссылка для цитирования: Никифоров Н.В., Барабошкин Е.Е. Цифровой глаз геолога: нейросетевая оценка качества и достоверности изображений керна инженерно-геологических скважин // Геоинфо. 2026. Т. 8. № 1. С. 48–60. DOI:10.58339/2949-0677-2026-8-1-48-60

Статья в РИНЦ: https://www.elibrary.ru/item.asp?id=91676608

Ключевые слова: инженерно-геологические изыскания; инженерно-геологические скважины; керн; изображения керна; автоматизация контроля качества; контроль подлинности; компьютерное зрение; машинное обучение; нейронные сети; обнаружение дубликатов

Список литературы

Alzubaidi F. и др. Automated lithology classification from drill core images using convolutional neural networks // J. Pet. Sci. Eng. 2021. Vol. 197. Article 107933.
Fu D. et al. Deep learning based lithology classification of drill core images // PLOS ONE. 2022. Vol. 17. № 7. Article e0270826.
Baraboshkin E.E. et al. Deep convolutions for in-depth automated rock typing // Comput. Geosci. 2020. Vol. 135. Article 104330.
de Lima R.P. et al. Convolutional neural networks as aid in core lithofacies classification // Interpretation. 2019. Vol. 7. № 3. P. SF27–SF40.
Amiri E., Mosallanejad A., Sheikhahmadi A. CFDMI-SEC: an optimal model for copy-move forgery detection of medical image using SIFT, EOM and CHM // PLOS ONE. 2024. Vol. 19. № 7. Article e0303332.
Liang E. et al. TransCMFD: an adaptive transformer for copy-move forgery detection // Neurocomputing. 2025. Vol. 638. Article 130110.
Shankar V. et al. Evaluating machine accuracy on ImageNet // Proceedings of the 37th International Conference on Machine Learning. PMLR, 2020. P. 8634–8644.
Krupinski E.A. Current perspectives in medical image perception // Atten. Percept. Psychophys. 2010. Vol. 72. № 5. P. 1205–1217.
Langner R., Eickhoff S.B. Sustaining attention to simple tasks: a meta-analytic review of the neural mechanisms of vigilant attention // Psychol. Bull. 2013. Vol. 139. № 4. P. 870–900.
Parasuraman R., Riley V. Humans and automation: use, misuse, disuse, abuse // Hum. Factors J. Hum. Factors Ergon. Soc. 1997. Vol. 39. № 2. P. 230–253.
Warm J., Parasuraman R., Matthews G. Vigilance requires hard mental work and is stressful // Hum. Factors. 2008. Vol. 50. P. 433–441.
Mezghani M., Masrahy M. Digital sedimentological core description through machine learning // SPE Annual Technical Conference and Exhibition. Society of Petroleum Engineers, 2020. Article SPE-203341-MS.
Solum J.G., Narr W., Benson R. Accelerating core characterization and interpretation through deep learning with an application to legacy data sets // Interpretation. 2022. Vol. 10. № 3. P. SE71–SE85.
Fellgett M. et al. CoreScore: an ML approach to assess legacy core condition // Geol. Soc. Lond. Spec. Publ. 2022. Vol. 527. P. 137–151.
Xu S. et al. Intelligent recognition of drill cores and automatic RQD analytics based on deep learning // Acta Geotech. 2023. Vol. 19. P. 2313–2329.
Boiger R. et al. Direct mineral content prediction from drill core images via transfer learning // Swiss J. Geosci. 2024. Vol. 117. № 1. Article 8.
Starbuck C. Rock type classification based on petrophysical, geochemical, and core imaging data using machine and deep learning techniques // Appl. Comput. Geosci. 2022. Vol. 16. Article 100104.
Koeshidayatullah A. et al. FaciesViT: vision transformer for an improved core lithofacies prediction // Front. Earth Sci. 2022. Vol. 10. Article 992442.
Shvalyuk E. et al. Advanced quality control workflow for full-size core images: Enhancing machine learning training for geological applications // SPE Russian Petroleum Technology Conference. Society of Petroleum Engineers, 2025. Article SPE-226996-MS.
Baraboshkin E.E. et al. Core box image recognition and its improvement with a new augmentation technique // Comput. Geosci. 2022. Vol. 162. Article 105099.