--- title: "От фото керна к готовым данным: как ИИ убирает рутину из геологии - Холдинг Юзтех" description: "ИИ ускоряет документацию керна на 15-30% и снижает ошибки классификации на 10-15%. Как это работает на примере «Юзкерн»." canonical: "https://usetech.ru/blog/ot-foto-kerna-k-gotovym-dannym-kak-ii-ubiraet-rutinu-iz-geologii/" language: "ru-RU" --- # От фото керна к готовым данным: как ИИ убирает рутину из геологии Автор: Продуктовая команда «Юзкерн» Опубликовано: 04 сентября, 2026, 10:05 ИИ ускоряет документацию керна на 15-30% и снижает ошибки классификации на 10-15%. Как это работает на примере «Юзкерн». Поделиться Ещё недавно горнодобывающую отрасль относили к числу консервативных, темпы цифровой трансформации здесь были заметно ниже, чем в других секторах экономики. Но с середины нулевых ИТ‑инструменты стали обязательным условием конкурентоспособности. Сейчас технологии проникают даже в самые «полевые» процессы, например, в документацию и анализ керна. И это не про «галочку в цифровизации», а про реальную пользу: меньше рутины, больше точных данных и быстрее решения. ## Документация керна – экстремально трудоемкий и длительный процесс Керн – образец горной породы из буровой скважины. Для недропользователей керн – это источник критически важных данных: от него зависят оценка запасов, планы бурения и итоговая экономика проекта. При этом этап документации керна остаётся «узким местом» геологоразведки. Сам процесс документации до сих пор во многом остаётся «ручным»: геологи визуально изучают образцы, фиксируют цвет, текстуру, структуру, минералогический состав, трещиноватость и другие параметры, а затем вносят данные в бумажные журналы либо в специализированное ПО (АГР, Minevision). Такой подход серьёзно ограничивает скорость и масштабируемость работ. На практике квалифицированный специалист успевает проанализировать и описать 50–100 метров керна в день, тогда как одна буровая установка способна пройти 150–200 метров за сутки. В отдельных случаях ожидание результатов растягивается на недели и даже месяцы, если требуются сложные геохимические исследования. Из‑за этого возникает разрыв между получением керна и появлением первичной геологической информации, а значит, задерживаются управленческие решения. Не менее важный риск – человеческий фактор. Усталость, разный уровень опыта специалистов, текучесть кадров и субъективность восприятия могут приводить к ошибкам в интерпретации данных. Последствия бывают серьёзными: неверная геометризация руды, искажённая оценка запасов, неэффективное бурение, как итог, существенные финансовые потери или даже банкротство недропользователя. ## Каким должен быть идеальный цифровой помощник для геолога [Автоматизированный анализ изображений](https://usetech.ru/services/kompyuternoe-zrenie/) керна – прикладная задача, где компьютерное зрение и машинное обучение решают сразу несколько проблем: масштабирование обработки больших объёмов визуальных данных, стандартизацию классификации и обеспечение воспроизводимости результатов. В геологоразведке нужна не просто «быстрая картинка», а стабильная, повторяемая и технически контролируемая интерпретация, которую можно встраивать в производственные процессы и быть уверенным в результате. Ключевым фактором точности здесь становится качественная обучающая выборка. Модели обучаются на огромных объемах изображений керна из различных геологических условий и месторождений. Такой подход позволяет алгоритмам устойчиво распознавать породы даже в сложных и неоднородных разрезах, где текстуры, цвет и трещиноватость сильно варьируются из‑за локальных особенностях залегания. На практике это выражается в способности системы автоматически выделять отдельные столбики породы на фото, определять их глубину и классифицировать литологические типы с высокой степенью достоверности. С точки зрения архитектуры решения, задача делится на несколько последовательных этапов: - **Детекция объектов и сегментация.** На этом этапе алгоритмы компьютерного зрения выделяют керн на фоне ящика, отсекают посторонние элементы (шкалы, маркеры, упаковочные материалы) и нарезают изображение на отдельные фрагменты. - **Извлечение признаков и классификация.** Для каждого фрагмента извлекаются визуальные признаки (текстура, цветовые паттерны, структура), которые затем подаются на вход ML‑модели для определения литологического типа и ключевых характеристик. - **Привязка к глубине и геоданным.** Автоматическое определение глубины образца строится на сопоставлении визуальных меток, а также на согласовании с журналами бурения и ГИС. - **Валидация и поддержка принятия решений.** Результаты не выдаются как «окончательный вердикт», они служат структурированной первичной информацией. Геолог может быстро подтвердить или скорректировать классификацию, при этом система фиксирует и сохраняет оба варианта (автоматический и экспертный) для последующего дообучения. Важным элементом является бесшовная интеграция результатов в горно-геологические информационные системы (например, Micromine, Leapfrog GEO, «Геомикс») и в смежные аналитические системы. Не менее значима интеграция с данными ГГИС (геофизических исследований скважин). Это позволяет строить комплексные модели, где визуальная информация по керну согласована с физическими измерениями в стволе скважины. Таким образом, связка компьютерного зрения и машинного обучения здесь работает не как изолированный инструмент, а как часть единого потока данных. ## Как это реализовано в «Юзкерн» В [решении «Юзкерн»](https://usetech.ru/solutions/yuzkern/) описанный стек технологий реализован как промышленный инструмент для геологов. Алгоритмы компьютерного зрения автоматически выделяют фрагменты керна, определяют их глубину и формируют структурированные описания литологических характеристик. При этом система не заменяет эксперта, а служит интеллектуальным помощником, она берёт на себя рутину по первичной классификации и фиксации данных, а геологу предоставляет удобный интерфейс для валидации и уточнения результатов. [![Интерфейс Юзкерн](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-interfejs-1-627x1024.jpg)](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-interfejs-1-scaled.jpg) [![Разметка Юзкерн](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-interfejs-2-631x1024.jpg)](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-interfejs-2-scaled.jpg) Особенность «Юзкерн» в том, что модели изначально обучались на большой и разнообразной базе изображений керна. Это позволило добиться высокой устойчивости к вариативности условий съёмки (освещение, ракурс, фон) и к разнообразию пород. Кроме того, архитектура решения предусматривает возможность калибровки на корпоративных наборах данных заказчика. Если у компании есть свои эталонные описания керна, модель можно дообучить, чтобы она лучше учитывала локальные особенности разреза. [![Кодовая разметка керна](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-undefined-code-1024x887.jpg)](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-undefined-code-scaled.jpg) [![RQD разметка керна](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-undefined-rqd-1024x887.jpg)](https://usetech.ru/wp-content/uploads/2026/09/yuzkern-undefined-rqd-scaled.jpg) Интеграция с ГГИС и смежными системами реализована через стандартные форматы обмена и API, что позволяет встраивать платформу в уже существующие процессы без масштабной перестройки ИТ‑ландшафта. Отдельный блок функционала отвечает за автоматизацию отчётности. Система формирует первичные геологические журналы и выгрузки, которые затем можно использовать для построения моделей, оценки запасов и планирования дальнейших работ. ## ИТ-инструменты открывают новые горизонты для исследований Внедрение сервиса «Юзкерн» в процесс обработки и анализа образцов керна представляет собой большой цифровой шаг в сфере геологоразведочных работ, подтверждая это конкретными метриками. С помощью ИИ-инструмента производительность этапа документации повышается на 15-30% за счёт сокращения времени на ручное описание образцов и перенос данных. При этом скорость первичной обработки возрастает кратно: то, что раньше занимало дни ручного труда, система обрабатывает за минуты. Это позволяет синхронизировать поток данных с темпами бурения и не накапливать «завалы» необработанного керна. Точность результатов также выходит на новый уровень. За счёт стандартизации классификации и снижения влияния человеческого фактора доля ошибок при первичной интерпретации сокращается ориентировочно на 10-15%. Сегодня конкуренция в разведке и добыче жёстче, а цена ошибки – выше, чем когда‑либо. В таких условиях ИИ перестаёт быть просто удобным инструментом, он становится ключевым элементом инноваций в отрасли. Интеллектуальные помощники берут на себя самую рутинную и трудоёмкую часть работы – анализ и документирование керна, и делает это быстро, стабильно и воспроизводимо. ## Обсудить задачу. Для уточнения деталей вашей задачи, пожалуйста, воспользуйтесь контактной формой ## Информационная рассылка. Подпишитесь, чтобы быть в курсе новостей компании.