一种基于深度学习的高孔隙砂岩薄片孔隙识别的方法与流程

1.本发明主要涉及石油勘探领域，具体涉及一种用于高孔隙砂岩薄片孔隙图像语义分割的方法。


背景技术：

2.岩石薄片鉴定是石油勘探中不可或缺的工作之一。通过对岩石薄片的形态、结构、成分和性质等特征进行深入的研究和分析，可以帮助勘探人员确定储层的类型、岩性和成因，进而了解储层的物性、孔隙度和渗透率等参数，为勘探预测和开发设计提供科学、准确的技术支持。但从微观上来看，岩层则是由不同矿物质所组成的复杂集合体。而岩石孔隙度则是指岩石样品的孔隙空间容量与岩石颗粒体积容量的比值。地层的渗透率则是指在一定的压力下，石油水在地层岩石中的流动特性。地层孔隙结构、裂隙分布、粒度范围和排列方向等各种因素，都会对地层的孔隙程度、渗透率等因素产生影响。孔隙的结构特征主要影响油气水的储集能力和迁移能力。准确分析孔隙结构在石油的勘探，评价储层和油气产能预测具有重要意义。
3.传统的图像分割分析算法依据实现原理分为以下五类。1、根据图像阈值作为主要分割依据的方法，该类方法的目的是将图像中单个或一组像素的视觉特征值与预先设定阈值进行比较，根据像素值与阈值的大小关系作为分类依据；2、基于多评价指标的无监督分类方法，如lof算法，dbscan算法等；3、根据图像中物体边缘边界，如使用roberts算子，sobel算子分割目标区域；4、基于活动法分割目标区域，算法目标在于是被目标区域的边缘，切分目标边界；5、基于监督学习分割方法，如支持向量机和神经网络，然而，传统的图像分割算法多依赖于图像rgb低等级的特征信息，所以上述算法在图像rgb对比度较高的情况表现不佳。
4.近年来，随着深度学习技术的发展，语义分割开始被应用于岩石图像的分析和识别中。它具有自动化高效、准确性高、稳定性好等特点，可以大大提高岩石图像分析与识别的精度和效率，为石油勘探和开发提供更加全面、准确的技术支持。


技术实现要素：

5.针对上述问题，本发明基于微观高孔隙砂岩薄片图像数据，结合深度学习图像语义分割技术，分割高孔隙砂岩薄片细小颗粒，为实现高孔隙砂岩薄片图像孔隙提取提供一种切实可行方案。本发明区别于传统的方法，此发明通过语义分割方法消除了人工因素的干扰，具有更高的客观性和准确性，能够显著提升图像处理的速度和准确率。
6.本发明的目的是通过以下技术方案实现的：一种基于深度学习的高孔隙砂岩薄片孔隙分割方法，所述方法包括以下步骤：
7.1、可选地，所述深度学习模型的输出为待检测的高孔隙砂岩薄片图像中为孔隙和颗粒的概率。
8.2、可选地，所述对高孔隙砂岩薄片图像进行归一化处理，具体包括：将高孔隙砂岩
薄片图像进行图像预处理，采用图像降噪锐化操作来增强图像特征，抑制噪声的干扰；进行图像裁剪实现尺寸的归一化；进行旋转拼接操作扩充原始数据集。
9.3、可选地，所述标注方法还包括：将整个图像分为两类，一类是目标颗粒，一类是孔隙，选择需要标注的数据文件夹，制作图像分割的数据。
10.4、可选地，所述分割方法为deeplabv3+模型，可在分割模型的基础上重写编码层部分网络结构，优化模型参数减少了深度学习模型的时间消耗，实现模型轻量化。
11.5、本发明实现了一种基于深度学习的高孔隙砂岩薄片孔隙图像识别方法，本文方法一方面克服了传统染色识别方法精度低的问题，另一方面显著降低人工识别的成本和时间消耗。
12.本发明所产生的技术效果如下：
13.1、在公共数据集上对比，选取效果较好的deeplabv3+网络作为模型框架，针对语义分割网络参数量多且在恢复空间细节方面表现欠佳等问题，引入了轻量化特征提取网络，优化原模型xception特征提取网络的参数量；其次优化残差网络，减少损失函数分支中的激活层数，节省训练过程所花费的时间和各种内存开销；它还减少了损失函数分支中bn层的输入期望和概率分布的计算量，减少了深度学习模型的时间消耗，实现模型轻量化。
14.2、简化模型参数势必会造成精度的下降，为了弥补模型简化带来的精度损失，本发明引入注意力模块和改进mobilenetv2网络，以增强模型的识别准确度。
附图说明
15.图1是一种基于深度学习的高孔隙砂岩薄片孔隙图像识别方法流程图；
16.图2是高孔隙砂岩薄片镜下放大图；
17.图3是高斯模糊和锐化后对比图；
18.图4是数据集标注图；
19.图5是数据扩充后的薄片图像语义分割数据集图例；
20.图6是高孔隙砂岩薄片语义分割模型；
21.图7是分割效果对比图；
22.图8是训练准确率图。
具体实施方式
23.下面结合实施例对本发明进一步说明：
24.一种基于深度学习的高孔隙砂岩薄片孔隙图像识别具体实例方法，所述方法包括以下步骤：
25.步骤一：岩心颗粒为高孔隙纯净砂岩，平均孔隙度为40％左右的岩心样本，平均渗透率1118md，粘土矿物含量为11.2％，粒度范围在0.08-0.1mm之间。制作显微玻片时，从竖直方向切割岩心层，保留0.3毫米的制成薄片，灌入凝胶，加压，使凝胶侵入孔隙，等待胶结。并盖上盖玻片以便放置于显微镜下进行观察，胶结作用使凝胶充分进入孔隙便于后续观察。
26.在图像采集环节，首先通过高分辨率显微镜下观察高孔隙砂岩薄片内部颗粒和玻片的孔隙部分，按照孔隙的走向依次移动玻片的位置，同时通过镜头截取捕获高孔隙砂岩
薄片图像，按照上述流程对高孔隙砂岩玻片进行电子信息化。采集过程中分别采集图像标尺为500μm和200μm的高孔隙砂岩薄片图像，数据采集工作共计完成100个高孔隙砂岩玻片的2000张高倍显微照片的电子信息化，数据集分辨率为2560*1920。
27.步骤二：关于高孔隙砂岩图像背景信息复杂和图像尺度问题，本发明采用图像标准化的方式处理。在深度学习图像处理网络中，网络的输入输出格式大小有着严格要求，本发明所涉及数据集采用裁剪方法对原始2560*1920的原始图裁切为256*256大小送入网络训练。标准化处理后的图像，背景信息的复杂度缩小，目标分割颗粒的比重相对增加，因此图像标准化能够缓解背景信息复杂和图像尺度过大的问题。
28.为增强想要的信息特征，抑制不想要的多余特征，本发明采用图像降噪锐化操作对图像进行预处理。由于获取图像数据时会受到拍摄环境的外部影响和主观影响，通过图像去噪有利于制作干扰性小且更加清晰的数据集，从而可提高算法的性能。
29.图像去噪是图像处理、模式识别和计算机视觉领域的重点研究方向之一，本发明采用高斯滤波来实现高孔隙砂岩薄片的减噪过程。高斯滤波能够结合噪声检测中涉及的不确定性，过滤掉低频噪声，从而在平滑图像的同时使边缘更清晰。它由图像中每一个像素点与邻近位置上其他像素点加权平均得到的，高斯滤波对噪声进行了平滑处理，能够很好的抑制服从正态分布的噪声。二维高斯分布函数公式如下：
[0030][0031]
其中，x和y表示高斯窗口中心点到当前点的行列距离，g(x,y)为高斯窗口中位置(x,y)处的权值，σ2是高斯滤波器的方差，σ决定了平滑量，高斯核系数取决于σ的值，当σ变大时，均值周围允许的方差越多，而当σ变小时，均值附近允许的方差越少。因此，大的滤波器方差对于平滑图像是有效的，但同时它会破坏图像的边缘和重要结构。
[0032]
由于岩石薄片图像捕获时的光照环境和人工错误的因素，所获得薄片图像的质量有时并不理想，会影响模型性能。为了补偿这种影响，本发明采用增加高频分量来抑制低频分量，增强薄片图像岩石颗粒边缘的细节和轮廓，提高图像的边缘清晰度，从而达到图像锐化的目的，使图像的而一些细节信息以及边缘特征得到增益。进行高斯模糊和锐化后的岩石图像如图3所示，可看出其边缘特征更加清晰明显，目标物体的边缘分明。
[0033]
高孔隙砂岩薄片分割的目标是分割出岩石和孔隙，所以高孔隙砂岩薄片数据集的分割归根到底是一个二分类的问题。针对初始数据集使用标注颗粒的方式，将整个图像分为两类，一类是目标颗粒，一类是孔隙。选择需要标注的数据文件夹，制作图像分割的数据，完成标注后会形成一个标注区域，标注后的图像如图4所示，最后将标注的高孔砂岩岩石数据以标签存储。
[0034]
由于高孔隙砂岩薄片数据集获取困难且成本昂贵，因此本文对标注之后的图像通过偏光、旋转、拼接切割等方法扩充数据，在节省成本的同时还能提高泛化能力。最终得到3400张256
×
256大小的图像数据。部分岩石薄片图像语义分割数据如图5所示。
[0035]
步骤三：构建deeplabv3+的轻量化分割模型，deeplabv3+采用aspp替代深层池化层，在不增加训练参数的同时保留了更多的岩石颗粒边缘细节，从而提高了模型的整体性能，通过多尺度信息采样，增强了模型的鲁棒性；另一方面利用空洞卷积提取不同尺度的特征，在不损失信息的情况下，扩大了感受野，并有效扩展每个卷积输出的信息，其提取的特
征信息更加丰富且蕴含更多的全局特征。为了在速度和准确性之间找到一个好的平衡点，选用mobilenetv2网络作为提取特征的主干网络，以解决原xception网络参数庞大的问题，减少模型参数量，同时最大限度地减少准确性的损失。
[0036]
mobilenetv2主要是用inverted residuals和linear bottlenecks对输入图像进行特征提取，其中使用线性层可以避免信息丢失和破坏。它的非常重要的特点就是使用了深度可分离卷积和inverted resblock，整个结构都有inverted resblock组成。首先利用1
×
1卷积进行扩张，增加特征层通道数，然后利用3
×
3深度可分离卷积对每个通道进行特征提取，并且降低运算量，最后再利用1
×
1卷积进行压缩，把高维特征映射到低维特征空间去，从而提高通道数获得更多的图像特征。然后主干网络并联一个残差边，输入输出直接相接。特征提取整体网络结构如表1所示。
[0037]
表1特征提取网络结构表
[0038][0039][0040]
其中，input表示图像边长像素值的平方与通道数，表示每个特征层的shape；t为扩展因子，表示通道倍增系数；c表示输出通道数；n代表每层bottleneck的重复次数；s表示该模块针对于第一层卷积的步幅。
[0041]
由于高孔隙砂岩薄片数据集是一个图片矩阵，在模型进行训练时，随着深度的增加就会越困难。为了保留深层网络的深度，又可以获得更好的模型效果，在神经网络中引入残差块可以训练更深层次的网络结构。因此本发明采用残差网络优化分割模型，通过优化残差网络部分，降低了残差分支中对输入期望和方差的计算量。为简化网络参数和模型的训练耗时，本发明还采用了简化残差结构，这种简化后的残差网络减少了分支中的激活层数，节省了训练过程中的各种内存开销，还减少了残差分支中bn层的数量和方差计算，从而减少了深度学习模型的训练时间。其中deeplabv3+原模型参数量为41034394，最终经过优化原模型xception和简化残差之后的模型参数量为22130628。
[0042]
为了弥补模型优化带来的精度损失，故引入自注意力机制模块提高高孔隙砂岩薄片分割的准确率，将cbam加入到编码器的特征提取网络中。cbam为两个模块，包括通道注意模块和空间注意模块，前者关注点为输入的特征，后者重点关注要识别的相关区域，两个子模块相互串联形成，分别提高网络的通道和空间的重要性。
[0043]
通道注意力模块分别采用最大和平均池化来压缩训练特征图的空间维度，由于最大池化只考虑最大的元素，忽略其他元素，所以保留了更多的图像背景信息。这两个特征传到一个共享网络中，以产生通道注意力。共享网络由一个多层感知器(mlp)组成，为减少参
数开销，隐藏层的激活大小设为其中r表示下降率。对输出的特征向量进行求和，过程如下：
[0044][0045]
其中，mc表示通道注意力，f表示特征，σ表示sigmoid函数，w1和w2表示权重矩阵，和分别表示平均池化和最大池化通道注意力层。
[0046]
空间注意力模块主要是对通道注意力的补充，其重点在于空间位置信息的获取，为了计算空间注意力，以串联后的通道注意力所获得的输出特征为输入，沿着通道维度，分别使用了平均池化与最大池化，分别表示为再将两个结果进行堆叠，得到输入特征层中各个特征点在0-1之间的权值。得到该权值之后，把权值乘以原来输入的特征层即可，过程如下：
[0047][0048]
其中，ms表示空间注意力，f表示特征，σ表示sigmoid函数，f7×7表示滤波器大小为7
×
7的卷积运算，和分别表示平均池化和最大池化空间注意力层。
[0049]
针对深度神经网络在特征图上进行提取时的冗余问题，本发明引入了ghost模块，通过一系列线性操作，从而获得更多的特征映射，既能降低模型的参数量，又能确保精度。利用ghost模块进行参数压缩比的计算，公式如下：
[0050][0051]
其中，rc表示输出通道数，n表示输入通道数，c表示输出通道数的倍数，k
×
k表示卷积核尺寸，s表示步长。
[0052]
最终高孔隙砂岩薄片语义分割模型如图6所示。
[0053]
为了评价模型结果的好坏，本发明采用iou(intersection over union)和pa(pixel accuracy)作为本模型的评价指标。
[0054]
背景部分在图像上覆盖了所有像素的很大比例，反映了分类模型的不平衡。因此选择对正负样本不平衡效果较好的dice函数来验证模型的准确性，能够更好应对二分类预测问题，相关公式如下所示：
[0055][0056][0057][0058]
其中iou表示模型对某一类别预测结果和真实值的交集与并集的比值，即交并比；pa指单独计算每一类中被正确划分的像素数与该类中像素总数之比；tp表示被正确分类为岩石颗粒的像素数；fp表示背景被错误分类为岩石颗粒的像素数；tn表示被正确分类为背景的像素数；fn表示岩石颗粒像素被错误地分类为背景像素的数量。
[0059]
深度学习语义分割的模型性能很大程度上受到网络参数设置的影响，在确定高孔隙砂岩薄片语义分割模型之后，本发明把构建的高孔隙砂岩薄片数据集的训练集和验证集按照9:1进行划分，模型训练的各种超参数如表2所示。
[0060]
表2训练模型超参数
[0061][0062]
由于高孔隙砂岩薄片数据集只分割岩石和背景，将num_classes的类别个数设置为2。atrous_rate变量是一个列表类型，它描述了aspp结构中2至4层的空洞卷积膨胀率，atrous_rate设置为[12,24,36]，aspp输出特征尺寸与输入之比设置为8，其原因在于，尽管采用了空洞卷积不会改变原始图像的最终尺寸，但当3
×
3空洞卷积的卷积核大于特征图大小时，实际相当于一个1
×
1卷积核，因此，需要控制aspp输出特征大小和输入的比例，使得输入特征大小与膨胀率最高的空洞卷积核相等。
[0063]
步骤四：将显微拍摄的高孔隙砂岩图像作为输入数据源，输入到本发明训练的模型中进行80次迭代，采用梯度下降法对模型训练，随着训练次数增加准确率收敛到92.61％，pa值为93.2％，iou值为90.2％。最终分割效果如图7所示，准确率收敛图如图8所示。
[0064]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；在本发明的思路下，以上实施例技术特征之间也可以进行组合；本发明进行了详细的说明，非岩石领域的普通技术人员也可以进行操作。

技术特征：
1.一种基于深度学习的高孔隙砂岩薄片孔隙识别方法，所述方法包括以下步骤：步骤一：基于高孔隙砂岩薄片在高分辨率显微镜下进行数据获取；为原始高孔隙砂岩薄片切片图像在高分辨率显微镜下采集薄片样本，然后对高孔隙砂岩玻片进行电子信息化处理；步骤二：基于获得的薄片数据，进行图像去噪、标注和归一化处理，构建高孔隙砂岩薄片图像语义分割数据集；去噪为高斯滤波对噪声进行平滑处理；通过对高孔隙砂岩薄片进行数据归一化和标注处理的方式扩充构建数据集；步骤三：基于深度学习的方法，将标注的数据作为训练集和验证集进行深度学习模型的预测；其模型为deeplabv3+图像语义分割网络模型，输出结果为标注的岩石薄片颗粒区域部分；步骤四：将薄片数据放入训练好的模型中，输出孔隙分割结果，所述图像语义分割模型的输出包括待检测高孔隙砂岩薄片图像为颗粒的概率。2.根据权利要求1所述的基于深度学习的高孔隙砂岩薄片孔隙识别方法，其特征在于：步骤二中所述的：二维高斯分布函数公式如下：其中σ2是高斯滤波器的方差，x和y表示高斯窗口中心点到当前点的行列距离，g(x,y)为高斯窗口中位置(x,y)处的权值。3.根据权利要求1所述的基于深度学习的高孔隙砂岩薄片孔隙识别方法，其特征在于：步骤三所述的模型的评价指标，具体的相关系数公式如下：步骤三所述的模型的评价指标，具体的相关系数公式如下：步骤三所述的模型的评价指标，具体的相关系数公式如下：其中tp表示被正确分类为岩石颗粒的像素数；fp表示背景被错误分类为岩石颗粒的像素数；tn表示被正确分类为背景的像素数；fn表示岩石颗粒像素被错误地分类为背景像素的数量；pa指单独计算每一类中被正确划分的像素数与该类中像素总数之比；iou表示模型对某一类别预测结果和真实值的交集与并集的比值，即交并比；背景部分在图像上覆盖了所有像素的很大比例，反映了分类模型的不平衡。因此选择对正负样本不平衡效果较好的dice函数来验证模型的准确性，能够更好应对二分类预测问题。4.根据权利要求1所述的基于深度学习的高孔隙砂岩薄片孔隙识别方法，其特征在于：步骤二中：将岩石作为标注目标颗粒，将孔隙作为背景进行标签标注，主要目标为识别颗粒位置信息。5.根据权利要求1所述的基于深度学习的高孔隙砂岩薄片孔隙识别方法，其特征在于：步骤二中：主要为对高孔隙砂岩薄片图像进行高斯模糊锐化、裁剪、拼接等方式进行构建和扩充所需分割数据集。

技术总结
本发明涉及一种基于深度学习的高孔隙砂岩薄片孔隙图像识别方法，该方法包括：1、高孔隙砂岩数据在显微镜下的薄片数据获取；2、数据去噪、数据标注和数据扩充归一化处理；3、基于深度学习的方法，将标注的数据作为训练集和验证集进行深度学习模型的预测；4、将薄片数据放入训练好的模型中，输出孔隙识别结果。此种孔隙识别方法对地质勘探油气运移研究有着极为重要的作用，可促进对岩石层内部结构的研究，深化研究者对岩石孔隙结构的认识，能够显著提高油气田勘探开发工作效率。高油气田勘探开发工作效率。高油气田勘探开发工作效率。


技术研发人员：杜睿山 孟令东 宋健辉 付晓飞 王紫珊 李阳 李东 张桐 靳明洋 陈雨欣 周长坤 黄玉朋 井远光 李子扬 刘泽昭 程佳薪
受保护的技术使用者：黑龙江省飞谱思能源科技有限公司
技术研发日：2023.06.25
技术公布日：2023/9/23