石灰岩薄片分类换轻骨干：参数压到2.095M，六类准确率反升到91.11%
核心概要
石灰岩薄片分类改用压缩后的MobileNetV3骨干，把纹理增强与多级特征融合放进同一轻量网络。此前细粒碳酸盐岩的颗粒边界与泥晶基质在逐级下采样中被削弱，类间相似度高，人工镜下判读又依赖经验。在鄂尔多斯、新疆、西藏和小兴安岭采集的六类3600张图像上，该方法取得91.11%准确率，宏平均精确率、召回率与F1分别为91.28%、91.11%和91.12%，参数为2.095M。
深度剖析
石灰岩薄片分类不再依赖标准MobileNetV3的逐级单路下采样，而是把颗粒边界和纹理信息在多个通道阶段单独增强后再送入分类。 原始MobileNetV3以单路拓扑传播特征，连续下采样会不可逆地削弱颗粒边界、泥晶基质、孔隙和胶结物等细微纹理线索，加剧类间混淆。 在六类石灰岩验证集上，改进模型的正确分类数从基线的567张增至656张，误分类由153张降至64张，准确率从78.75%升至91.11%。
网络用简化倒残差块压缩骨干，把省下的容量交给纹理增强模块和多源特征互补模块。 标准MobileNetV3-Large堆叠15个倒残差块和8个SE注意力模块，参数与计算量偏大，且逐层递进表示缺少显式的跨尺度融合。 简化倒残差堆叠只用6个模块、0.332M参数和0.510G FLOPs，分别是标准倒残差堆叠的11.80%和43.38%。
纹理增强模块用边缘分支和纹理分支并行提取信息，再经全通道映射注意力按通道重新加权。 倒残差块的目标是构建轻量特征表示，本身缺少对岩石边缘和纹理信息的针对性增强，细粒判别特征表示不足。 该模块嵌入24、40、80、112和160通道五个阶段，全通道映射注意力的总开销约0.047M参数，占2.095M模型的2.23%。
多源特征互补模块把浅层纹理、中层结构和高层语义对齐到同一尺度后做门控融合。 只用最高层特征会丢弃浅层细节，而直接跨阶段拼接存在空间与通道错位并引入冗余。 在消融中，加入该模块后准确率从88.75%升至89.03%，最终完整流程达到91.11%。
启示与展望
该结果建立在鄂尔多斯、新疆、西藏和小兴安岭采集的六类石灰岩薄片图像上，原始1286张经区域裁剪扩充为每类600张、共3600张，按8:2划分为2880张训练和720张验证。评价针对泥岩、粒泥灰岩、泥粒灰岩、颗粒灰岩、内碎屑灰岩和漂砾灰岩六类，指标为宏平均。方法面向需要在轻量模型上完成碳酸盐岩薄片自动分类的研究与工程场景。
单模型在三个随机种子上的验证准确率在88.19%到89.44%之间波动，最终91.11%来自加权三模型集成与多尺度测试时增强。残余误差集中在泥岩、粒泥灰岩和泥粒灰岩之间，反映泥晶基质含量与颗粒支撑关系的渐变过渡。数据规模、按图块划分以及多模型多视图推理的部署开销被列为当前限制。