基于成像測井的裂縫智能識別新方法

李冰濤,王志章,孔垂顯,蔣慶平,王偉方,雷祥輝

(1.中國石油大學(北京),北京100000;2.中國石油新疆油田分公司勘探開發研究院,新疆克拉瑪依834000)

0 引 言

裂縫是巖石中由于構造變形或物理成巖作用形成的面狀不連續體[1]。在所有測井資料中,成像測井資料是最直接有效的裂縫識別資料。傳統的裂縫識別基于人機交互的手工拾取,費時費力,因此,近年來成像測井裂縫自動識別一直是比較熱門的課題,其中重要的一步就是圖像分割,然而目前常用的圖像分割算法均不夠精確。為了得到最準確的圖像分割結果,本文采用了圖像分割算法,Google DeepLabv3+[2],對新疆油田車471井區成像測井數據,進行了裂縫的識別,并用改進的霍夫變換實現了裂縫產狀的自動提取。

1 研究現狀

成像測井資料地質現象定性描述方面的研究較多[3-8],但這類研究對地質現象的識別目前主要是依靠人工解釋識別,效率低下。而成像測井資料的地質現象自動識別方面研究較少。楊緒海等[9]提出有效提取條紋背景噪聲的算法模型,實現了巖石裂縫特征的自動識別;薛國新等[10]提出一種基于多數投票規則的裂縫計算機自動識別方法;陸敬安等[11]提出用霍夫變換來自動識別成像測井中的裂縫;李茂兵等[12]將裂縫分3種進行識別,即斜交縫利用霍夫變換來識別,垂直縫和水平縫利用輪廓跟蹤和提取的方法來識別;王敏[13]提出基于小波多尺度分析和去噪的剩余曲線變化率進行裂縫識別,賴富強[14]提出改進的霍夫變換自動識別裂縫;張曉峰等[15]提出利用垂向的和橫向的小波變換組合識別裂縫;張程恩等[16]提出基于蟻群聚類算法的成像測井裂縫識別;張群會等[17]通過免疫規則建立了一個基于元胞自動機模型的成像測井裂縫自動識別模型;劉英明等[18]年提出成像測井圖像呈正弦地質構造自動拾取方法,劉文斌等[19]利用分水嶺算法對成像測井裂縫進行圖像分割,然后利用霍夫變換拾取裂縫參數。

上述方法要么沒有提取出裂縫區域,僅通過統計特征確定裂縫的存在;要么利用圖像分割提取出裂縫區域但不夠準確,對下一步的參數提取造成影響。本文利用目前最先進的基于深度學習的DeepLabv3+卷積神經網絡結構,對裂縫區域進行了準確提取,并采用霍夫變換對裂縫參數進行提取。

2 研究方法

2.1 語義分割

電成像測井裂縫自動識別一直是比較熱門的課題,其中重要的一步就是圖像分割。

常規圖像分類的深度卷積神經網絡,以圖像作為輸入,通過卷積、激活函數、池化和全連接層的運算,輸出一個包含每個類別標簽的概率的特征向量,代表圖像類別。

與圖像分類不同,語義分割對圖像中的每一個像素作出分類。然而,常規卷積神經網絡并不適用于密集預測的任務。首先,這些模型包含許多用于減小輸入特征的空間維度的層,最終產生缺乏清晰細節的高度抽象的特征向量。其次,全連接層在計算過程中具有固定的輸入規模和松散的空間信息。

因此,目前圖像分割模型一般采用編碼器解碼器結構(見圖1)。第1部分將信息編碼為壓縮向量來代表輸入,第2部分解碼器的作用是將這個信號重建為期望的輸出。

2.2 Google DeepLabv3+

DeepLab是Google公司于2015年提出的語義分割模型,其第4個版本DeepLabV3+于2018年提出并在3月13日開源,在Pascal VOC 2012和Cityscapes上取得了極好的效果。

DeepLabv3+借鑒了PSPNet[20]中的空間金字塔池化模型(SPP),和基于全卷積神經網絡的編碼解碼器模型[21-22]。DeepLabV3+進一步利用Xception模塊[23],將深度可分卷積結構(depthwise separable convolution)用到帶孔空間金字塔池化(ASPP)模塊和解碼模塊中,得到更快速有效的編碼解碼網絡(見圖2)。由此不僅可以利用ASPP多樣的感受視野有效提取圖像多尺度的上下文信息,并且在新的解碼器模塊中加入了編碼器中低層次網絡的特征,以重構精確的圖像物體邊界。

DeepLabv3+使用了其前一代模型DeepLabv3作為編碼器,其使用ASPP來提取不同尺度的卷積特征,而后在解碼器模塊中首先將編碼特征采用因子4進行雙線性上采樣,然后連接從主干網絡所輸出的對應的具有相同空間分辨率的low-level特征,連接后采用3×3的卷積核和因子4的雙線性上采樣來改善特征。

圖1 用于圖像語義分割的編碼器解碼器結構

圖2 編碼解碼網絡

圖3 DeepLabv3+整體架構(Chen et al.2018)

2.3 霍夫變換提取正弦曲線

霍夫變換[24]最初用來檢測直線,后來拓展到可以識別和檢測圖像空間的任意解析曲線。霍夫變換的原理是將特定圖形上的點變換到一組參數空間上,根據參數空間點的累計結果找到一個極大值對應的解,那么這個解就對應著要尋找的幾何形狀的參數。

由于正弦曲線y=Asin (ωx-φ)+y0中共有4個參數,其參數空間為4維,對應的霍夫變換計算量過于龐大,因此本文參考了鄒長春等[25]改進的霍夫變換快速檢測方法:首先,由于成像測井裂縫正弦曲線周期始終為圖像寬度,可確定參數ω。之后,再利用正弦曲線上半周期距離的2個點的中點的縱坐標為其基線的位置這個性質,利用與霍夫變換類似的多數投票機制,確定基線的位置,從而確定參數y(見圖4)。

圖4 確定正弦曲線基線位置y0的示意圖

如此,正弦曲線僅余2個參數待確定,此時再利用霍夫變換,求取振幅A和初相位φ。僅由A和φ建立霍夫變換參數空間,計算量大大減小。

3 實驗結果及討論

3.1 數據集

利用labelme開源工具,對新疆車47井區的成像測井圖像進行裂縫區域的標定,得到300張標注過的圖片,尺寸為286×278。之后選取240張圖片,輸入DeepLavbv3+模型進行訓練,剩余60張作為測試數據。

3.2 評價指標

圖像分割中通常使用許多標準來衡量算法的精度,通常是像素精度及IoU的變種,在眾多度量標準中,由于MIoU簡潔、代表性強,文中采用均交并比作為評價標準[26]。

均交并比(Mean Intersection over Union MIoU):語義分割的標準度量。計算2個集合的交集和并集之比,在語義分割的問題中,這2個集合為真實值和預測值。這個比例可變形為正真數比上真正、假負、假正(并集)之和。在每個類上計算IoU,之后平均。

(1)

式中,假設共有k+1個類(從L0到Lk,其中包含個空類或背景);pij表示本屬于類i但被預測為類j的像素數量。即,pii表示真正數,而pij,pji則分別為假正和假負。

3.3 DeepLabv3+提取裂縫

本文的Deeplabv3+模型使用TernsorFlow在Python3.6上搭建。同時使用指標MIoU進行性能評估。模型采用5個樣本的小批量進行訓練,以模型收斂更加穩定。學習率從0.0001開始,并在整個培訓過程中自動調整。訓練過程見圖5。最終模型在測試集上的MIoU達到83.2%,與Google用DeepLabv3+在Pascal VOC 2012數據集上得到目前所有模型最高84.56%的均交并比[2]相比,可認為是一個較為理想的結果。

圖5 損失函數值和均交并比隨訓練次數的變化曲線

圖6 DeepLabv3+模型預測結果(左側為成像測井原圖,右側為預測結果,紅色為分割出的裂縫區域)

保存測試集中MIoU最高的訓練模型對測試集成像測井圖像進行語義分割,其結果見圖6。圖6左側為成像測井原圖,右側為預測結果,紅色為分割出的裂縫區域。與簡單的圖像二值化,以及流行的的圖像分割方法如分水嶺算法[27]、Chan-Vese算法[28-30]、Random walker算法[31]和Morphological Snakes算法[32]相比,該模型可更準確地預測裂縫所造成的正弦曲線形狀的真實分布,即使不同極板之間圖像數據的空白部分,依然可以預測出連續裂縫區域,得到更加準確的圖像分割結果。此外,訓練出的模型相比傳統圖像分割也能夠準確忽略掉圖像中非裂縫黑色像素的噪音影響,相比傳統圖像分割,該模型具有更強的魯棒性。更準確的預測結果和排除噪音的影響,可以為下一步的霍夫變換減少計算量,并使其結果更加準確。

3.4 霍夫變換提取裂縫參數

利用霍夫變換求出裂縫的正弦曲線表達式之后,根據正弦曲線與裂縫的對應關系,裂縫傾向為正弦曲線y=Asin (ωx-φ)+y0中初相位φ對應的角度,可以通過下式獲得其余裂縫參數

(2)

式中,H為裂縫的高度;A為振幅;mHeight為圖像的像素高度;Dtop-bottom是成像圖對應的深度區間(文中為1 m);α為裂縫傾角;D為井眼直徑。對預測結果進行霍夫變換,提取的正弦曲線見圖8,其參數見表1。表1中序號對應圖8中序號。

圖7 不同圖像分割算法效果對比圖

序號振幅頻率初相位基線高度/m傾角/(°)傾向/(°)a460.01216590.3258.0337.6b360.0124191180.1943.5112.9300.0121493160.1638.7284.2c250.0124192870.1333.0112.9d660.0123372120.3560.261.2e200.0122201040.1127.9337.8200.0122392570.1127.9351.4f320.0124462330.1740.2138.6

4 結 論

利用DeepLabv3+模型進行成像測井裂縫的智能提取方法,相比傳統圖像分割方法,能夠準確地對裂縫區域的像素進行分割;而且模型訓練好之后對新的圖像進行預測操作簡便,速度快,降低人力成本;此外,能夠為之后的霍夫變換減少噪音影響,從而加速霍夫變換計算速度,并使其提取的參數更加準確。