電阻率測井成像圖井壁裂縫智能識別與分割方法

夏文鶴，朱喆昊，韓玉嬌，楊燚愷，林永學，吳雄軍

（1. 西南石油大學電氣信息學院，四川成都 610500；2. 中國石化石油工程技術研究院，北京 102200）

0 引言

測井工程一直以來在油氣勘探開發領域不可或缺，是油氣安全、高效、經濟開發的保障。近年來，隨著大數據、人工智能、云計算等技術的快速發展［1］，油氣行業也逐漸開始推進智能化測井的進程［2］。結合大數據、人工智能等新興理論及技術，智能化測井技術有望實現復雜井況的準確分析，有效促進井筒穩定性智能閉環調控［3-6］。在井筒穩定性判斷過程中，井壁裂縫的分布、發育情況對判斷結果影響重大。而所有測井資料中，利用成像測井資料可以最直觀、有效地識別裂縫，故測井數據分析人員往往重點關注測井成像表征的裂縫狀況。目前利用測井成像進行井壁裂縫識別的過程異常繁瑣，資料分析和研究過程耗費巨大，往往伴隨著較大的時延，因此部分測井解釋專家嘗試借助人工智能的方式解決該問題。與傳統方法相比，成像圖中裂縫的智能拾取能有效減少人力消耗，快速提取裂縫區域并求取裂縫產狀。近年來，成像測井裂縫智能識別已成為測井解釋領域較熱門的發展方向［7-8］。李潮流等［9］提出了基于樣本塊的圖像填充算法，較為逼真地填補了電測井成像中空白條帶信息，使后續成像圖裂縫的智能識別方法具有可行性。閆建平等［10］根據裂縫在測井成像特征改進了霍夫變換，通過二維霍夫變換與投票機制相結合的方式，完成了固定周期的正弦曲線裂縫的自動檢測拾取任務。王熊等［11］利用成像測井圖像紋理特征提取的統計方法，識別火成巖的不同結構和構造，為利用測井圖像紋理識別地層構造提供了新的方向。

隨著計算機視覺技術的發展，研究人員開始結合圖像分割方法與數學模型識別井壁裂縫。張群會等［12］基于元胞自動機識別的圖像算法，提出成像測井裂縫自動識別的像素特征，建立了元胞自動機模型，初步實現了井壁裂縫圖像識別。Taiebi 等［13］在霍夫變換的基礎上引入方向濾波機制，由測井成像中提取裂縫。宋錦祥［14］結合圖像處理和知識推理技術模擬測井解釋專家的手工拾取過程，進行裂縫的自動拾取和類別判斷，取得了與手工拾取較接近的結果。但上述研究方式大多以裂縫形態擬合線建立數學模型，從圖中只能識別裂縫區域的主體形態，且實現過程中往往需要進行多次數據轉換，識別效率較低。另外，在實際鉆進過程中，由于鉆頭、掉塊等擠壓摩擦井壁，裂縫的形狀不一定呈標準的正弦曲線形，總會存在模型無法擬合的不規則實際裂縫，因此基于建立數學模型識別裂縫區域的方法在實際應用過程中效果欠佳，也難以用于其他類型井壁構造的識別。

本研究嘗試利用計算機視覺技術結合深度學習框架，創新構建了電阻率測井成像圖裂縫智能識別和分割專有網絡模型，不僅標注出裂縫區域大致的擬合線，而且智能識別出成像圖中井壁裂縫區域形態，在此基礎上，對完整區域進行分割、標注。在確保識別精度的前提下，大幅降低人工識別壁縫、洞的工作量，減少圖像分析研究耗時，有利于快速、準確地判斷井筒、井壁穩定性，為后續縫、洞構造智能定量評價提供技術支撐。

1 多尺度特征融合裂縫識別網絡結構

井筒可視為三維圓柱體，任一不與井軸垂直或平行的面與圓柱體相交的切面都是一個橢圓，井壁裂縫大多圍繞井眼周邊分布。本方法主要針對地層微電阻率掃描成像（Formation MicroScanner Image，FMI）中井壁裂縫區域的識別和分割標注。FMI通常是二維圖像，縱坐標為深度，橫坐標為電極方位，整個測井圖像是沿井壁正北方向依次向右展開［15-16］。

從計算機視覺的角度而言，FMI圖像的顯著特征往往與淺層特征相關聯，如顏色、紋理、邊緣位置等。目前利用人工主要識別裂縫的分布形態、輪廓等細節，這些信息在FMI圖像中即為顏色、紋理、異常區域寬度等信息［17-19］。FMI 成像中裂縫區域的智能識別和分割標注首先有效提取淺層特征，但若僅依靠淺層特征識別裂縫形態，當圖像出現較多干擾時往往誤差較大，故需要捕獲測井圖像的深層特征，并采用注意力機制細化井壁裂縫邊緣輪廓，去除干擾信息。本次研究的思路是構造多尺度特征融合模塊，將淺層與深層特征相結合，獲取更為精細、準確的裂縫識別和分割標注效果［20］。

1.1 FMI成像淺層特征提取網絡模塊

從圖像構成角度考慮，一幅測井成像圖一般由十幾萬甚至幾十萬個像素點構成，如果直接對圖像進行整體識別，需要同時將幾十萬組數據交付智能系統并行處理，過量數據將會導致計算機系統無法支持。智能處理方法一般采用截取圖像片段的分段處理方式，因此具有可行性。分段處理完成后，再將分段識別結果進行整合，等效實現對全圖的識別處理。另一方面，由測井解釋專家對成像圖進行分段研讀，分段關注圖中的紋理信息以獲取裂縫分布情況，這個過程實質上是一種抽象的截圖，基于此過程，本研究采取的截圖分析方法更加符合現場實際。

FMI圖像的寬度即為井眼周長，因此研究中單個電阻率測井裂縫圖形樣本的橫向尺寸取值與電阻率測井成像圖寬度一致，縱向尺寸定為190像素，并將經過了空白條帶填充的成像圖作為網絡的樣本輸入［21］（圖1）。

圖1 FMI成像裂縫形態樣本

目前大多采用Unet網絡的改進結構提取圖像的淺層特征［22］，提取效果較好。本次研究設計的淺層特征提取網絡模型由卷積層（Conv）、批量歸一化層（BN）、激活函數（ReLU）以及池化層（Maxpooling）組成（圖2）。其中所有卷積層的卷積核尺寸均為3×3，步長為1；最大池化層卷積核尺寸為2×2，步長為2，其他具體參數見表1，表中Padding為對圖像矩陣外圍補零數量。FMI成像具有淺層特征較豐富的特點，為充分挖掘、提取圖像淺層特征，采用兩個模塊串聯計算的方式，整體呈現下采樣過程。

表1 淺層特征提取模型參數

圖2 FMI 成像淺層特征提取模型

經訓練后淺層特征提取模塊各通道提取的結果見圖3。可見，該模塊已將原始的輸入圖像轉化為豐富的視覺特征信息，基本實現了從FMI成像提取裂縫區域位置、分布形態、連通狀況等較為明顯的淺層特征。同時，從提取結果可知，雖然通過淺層特征能大致識別裂縫形態，但仍存在多個干擾區域，無法實現裂縫區域的精細化識別和分割標注，需進一步有效提升特征提取的深度和廣度。

圖3 FMI 成像淺層特征提取結果（部分選取）

1.2 FMI 成像深層特征提取網絡模塊

設計并采用多尺度空洞卷積構建深層特征提取網絡模塊，進一步從原圖像和淺層特征中提取更為深入的全局或局部上、下文特征。空洞卷積是一種特殊形式的卷積方法［23］，通過在卷積核的權重參數間插入零值而有效擴大卷積核的感受野，更有利于全局特征的提取。如圖4 所示，本設計中將淺層特征提取后形成的多通道裂縫淺層特征張量直接輸入到多尺度空洞卷積模塊。

圖4 電阻率測井成像圖深層特征提取模塊

該模塊由三層不同尺度的卷積并列組成，其中一個是尺寸為1×1 的卷積層，用于獲取全局特征，另外兩個是不同空洞率（d）的空洞卷積層，用于調整感受野。采用不同尺寸感受野的卷積核實現多尺度特征的提取，以盡量提升對目標區域周圍信息的感知。將三個尺度特征進行疊加混合（Concat），從而提高全局特征提取能力。盡管尺度越多所獲取的抽象深層特征也越多，且可能更有利于分類和識別，但是更多尺度需要更多的計算通道，造成網絡規模的增加，加大了運算量和訓練難度。另外，過密的尺度設置往往導致特征重復提取，無益于后續的分類運算。就實際識別效果而言，本文設置的多尺度通道數及相應的空洞率是合理的。后續該值可以根據實際情況進行調整，以提升最終的分類精度。

經過卷積處理后的淺層特征通道數較多，為了提高網絡訓練質量并縮短訓練時間，本次設計引入注意力機制模塊［24］，該模塊能夠主動關注較為異常或大幅變化的特征值，并對各通道權重進行調整，更有利于提取裂縫區域形態的典型特征。具體流程為：①通過Inception 操作提高特征張量的深度和寬度，使網絡從不同尺度提取淺層特征并完成進一步計算，同時防止網絡過擬合。②對輸入的特征層進行全局平均池化，完成兩次全連接操作。第一個全連接層神經元個數較少，可降低數據量、去除部分非關鍵特征，第二個全連接層神經元個數與輸入特征通道數相同，能確保提取到的全部關鍵深層特征均能有效輸出。③使用Sigmoid 函數將輸入固定在0～1，將輸出值與原始輸入權重相乘即完成了對各通道權重的學習。④通過1×1尺寸的卷積核調整通道數，使其與淺層特征通道數保持一致。

經數據訓練后的深層特征提取模塊利用淺層特征圖像提取到更為高級的全局和局部上、下文特征，也即輸入成像圖中抽象、零散的深層特征，如圖5 所示。與圖3 淺層特征提取結果相比，圖5 中表征信息的像素點明顯減少，大部分像素點與裂縫區域無直接關聯，主要表征圖像中多個難以直觀理解的細節特征，無明顯規律性且分布也較為零散，符合圖像深層特征表象。

圖5 FMI 成像深層特征提取結果（部分選取）

1.3 上采樣及多尺度特征融合模塊

由于各地區地質成因、鉆井施工過程以及測量方式和成像方式的不同，導致FMI 成像中的各種裂縫形態存在巨大差別，即使是同一地層的同類裂縫，其分布形態、成像顏色等都會有差異。就如同引入了大量的干擾項，導致裂縫形態上述信息區分度不高，甚至與非裂縫區域的圖形有一定程度相似性，既使測井解釋專家也有可能誤判。若僅依賴最后一層的深層特征進行分類，往往會因提取過程中丟失部分顯著特征從而限制進一步提升裂縫區域識別和分割效果。為此，需要采取將裂縫區域圖像深、淺層特征融合的方式提高最終分類特征張量的維度。

另一方面，FMI 成像裂縫人工識別過程實質也是淺層特征與深層特征的融合過程：首先依據裂縫的形態、顏色、紋理等明顯的淺層特征初步判定，然后參考色彩變化率、圖形結構的相對位置等抽象的深層特征最終判斷。因此本設計將深、淺層特征融合以形成一個更具表征能力的特征張量，使其蘊含的特征信息更豐富、區分度更高，從而提高最終的識別、分割精度。

特征提取過程中的卷積、池化操作會縮小圖像數據尺寸，導致淺層特征與深層特征的尺寸不一致，因此無法將二者直接拼接。本設計選用雙線性插值［25］的方式實現上采樣操作，通過上采樣后的深層特征尺寸與淺層特征一致，將二者拼接形成新的融合張量。再次采用1×1的卷積層獲取新特征張量淺層特征，并采用多尺度空洞卷積模塊獲取新張量的深層特征。隨后連續使用兩個3×3 的卷積進行特征提取。上述操作是對淺層、深層特征拼接后的新張量進行卷積計算，計算結果實現了淺層特征與深層特征充分融合。對卷積結果再次進行上采樣，將其還原至原輸入圖像尺寸。最終形成的特征融合上采樣模塊如圖6中虛線框內所示。

圖6 FMI 成像裂縫智能識別神經網絡整體結構

在輸入圖像中識別和分割標注出裂縫區域即為區分背景與裂縫區域，因此標簽類別數為2。為提高網絡模型的泛化能力，采用1×1的卷積層對融合后的張量調整通道數為標簽類別數2，此時形成的兩個通道分別為背景和前景（裂縫區域）特征張量。在訓練過程中，識別網絡采用交叉熵函數作為網絡的損失函數，選用自適應估計矩（Adam）作為網絡的優化器［26］，通過計算每個像素屬于前景、背景的概率實現井壁裂縫區域的智能識別。像素點概率閾值設為50%，將前景概率超過50%的像素點設置為標簽顏色，反之為黑色，顏色設置結果作為網絡最終的識別結果輸出。

1.4 裂縫智能識別神經網絡模型訓練結果

為驗證本文方法識別效果，收集了多幅尺寸分別為800×47923像素、2752×133504像素的火成巖、碎屑巖等巖性的FMI成像，通過解釋專家標注和圖形軟件裁剪的方式形成447 張樣本圖像，按9∶1 的比例合理劃分為訓練集和測試集，單張樣本見圖1。網絡訓練周期為100，學習率為5×10-5。每次訓練選取4 張圖像數據，采用4 線程同時運行的方式加快數據讀取速度。

將本文設計的網絡模型與通用識別網絡模型DeepLab v3+網絡［27］和UNet 網絡進行測試、比較。圖7 為三個網絡模型在訓練過程中損失變化對比，從圖中可以看出，本文設計網絡、DeepLabv3+和UNet網絡經訓練后均收斂。

圖7 不同網絡損失變化情況

圖8 為三種網絡模型對于FMI 成像裂縫區域的識別效果對比，圖中點劃線框區域為網絡誤將部分裂縫圖像區域識別為背景的情況，虛線框內為網絡誤將部分背景圖像區域識別為裂縫的情況。從圖中定性分析可知：DeepLab v3+網絡對裂縫區域形態細節特征方面識別情況較好但存在少量誤識別情況；UNnet 網絡對裂縫整體區域識別較好但輪廓細節信息丟失較多，上述兩個網絡對于井壁裂縫的識別結果均不利于現場解釋專家進行井筒穩定性的分析識別。相較于上述兩種模型，本文設計網絡不僅對裂縫區域整體形態識別效果好，而且裂縫區域圖像輪廓細節保留多。同時，本文設計網絡模型對裂縫區域識別和分割標注結果與解釋專家標注的結果最為相似。因此可以認為，本文設計的網絡模型對FMI 成像中井壁裂縫的形態識別性能明顯優于通用網絡框架。

圖8 不同網絡模型裂縫形態智能識別結果對比

進一步利用計算機視覺領域中圖像識別常用的均交并比（MIoU）指標和精確率—召回率調和平均（F1_score）指標［28］定量評價圖像中每個像素點的識別分類準確度（表2）。

表2 網絡識別準確率評價參數

在實際使用過程中，兩個指標值越高代表網絡分類準確度越高。由表2 數據可知，三種網絡模型的F1_score指標數值相差不大，而通用識別網絡模型的MIoU 指標均低于70%，說明DeepLab v3+網絡和UNet 網絡對像素點分類誤差較大，難以滿足現場應用需求。本文方法設計的裂縫智能識別網絡模型的MIoU 指標升至78.16%，說明該模型和方法具備了現場應用的價值和意義。

2 裂縫區域智能識別分割效果評價

本文構建的多尺度特征融合裂縫識別神經網絡模型采用對圖像中像素點智能識別、分類的方法，從微觀角度實現了FMI 成像中裂縫區域的識別和分割標注，但分割的效果和質量需進行量化評價。另一方面，目前FMI圖像井壁裂縫識別一直是以人工經驗分析為主，主觀性極強，為證明本文智能識別、分割方法的準確性和適用性，也需從宏觀角度對裂縫形態智能識別和分割標注結果與人工主觀判斷結果的一致性進行量化評價。

在實際工程應用中，專家通過形態信息、圖像對應位置寬度以及圖像邊緣信息等指標判斷圖像的相似度。借鑒人類視覺信息的相似性評價體系建立智能網絡識別性能評價方法，對網絡識別的裂縫區域和實際標簽圖中的裂縫區域進行對比，通過綜合各指標分數定量評價網絡識別裂縫形態的能力。

2.1 裂縫形態相似度評價方法

2.1.1 裂縫圖像骨架相似度

網絡智能識別的裂縫區域不一定與實際標簽裂縫區域一致，在骨架圖像上主要有兩項反饋［29］：一是圖像欠識別造成識別圖像中的裂縫骨架可能由多條短線段組成；二是識別圖像的骨架形態與標簽圖像骨架形態不同，出現局部變形。

對于第一種情況，可通過網絡識別結果與實際標簽中裂縫圖像骨架連通域的數量評價兩幅圖像中裂縫區域的骨架相似度。獲得圖像連通域相似度（Image connected domain similarity，ICDS）評分

式中：IC、ID分別表示實際標簽和網絡識別圖像骨架連通域數量；a為經驗系數，根據不同場合確定。本文經多個樣本對比后，設置a=1.1。

對于第二種情況，可以通過骨架特征矩陣的相似度評價圖像骨架形態。將實際標簽和網絡識別圖骨架圖像的縱坐標分別取出，構成兩個1×w的特征矩陣A和B（w為圖像寬度，矩陣維數不同時，以-1補齊），通過計算矩陣A、B的余弦相似度即可對兩幅圖像進行結構相似度（Image structure similarity，ISS）評價

2.1.2 裂縫圖像寬度相似度

通過計算兩幅圖中相同橫坐標處裂縫圖像的上、下沿縱坐標之差獲取當前位置裂縫區域寬度的相似度（Image width similarity，IWS），經歸一化后求取寬度差異的平均值即為對應寬度的相似度評分

式中：yLi、yOi分別表示標簽圖像和網絡識別圖像中第i列像素點裂縫區域寬度；h為圖像高度。

2.1.3 裂縫形態相似度評價系數

利用式（1）～式（3）的三個圖像形態指標，通過加權相加的方式形成網絡識別和實際標簽圖像間的圖像形態相似度評價指標IS

式中ε、χ、δ為權重參數。

此處規定當IS≥0.8 時，視覺感受評級為Ⅰ級；當IS≥0.7 時，視覺感受評級為Ⅱ級。利用建立的樣本進行多次識別效果比對并調節加權參數，當ε=0.25、χ=0.6、δ=0.15 時，網絡智能識別的裂縫形態與專家標注的裂縫形態基本一致。

由于裂縫寬度是一個明顯的淺層特征，所以該特征對最終的識別效果具有顯著影響。本文設計網絡對于裂縫縱向寬度的識別準確度高，智能識別結果與專家人工標注結果在圖形對應位置的寬度指標具有較高的一致性，即計算的IWS 參數一般都較高，此時如果IWS 權重參數δ設置偏大，則必然降低其他參數權重，導致最終的網絡裂縫識別效果評價值偏高，與實際情況不吻合。因此，綜合考慮該評價方法的實用性和合理性，最終將δ設為較小的0.15。

2.2 裂縫局部區域相似度評價方法

網絡識別的裂縫區域在某些局部可能面積過大或過小，從而最終影響到井壁裂縫區域的準確識別和分割標注。因此提出裂縫區域準確識別面積（Accurate Segmentation Area，ASA）指標，巧妙利用網絡代碼在運行過程中自動統計的三類像素點數量進行簡化計算，評價網絡識別的裂縫區域與實際標簽中裂縫區域的重疊情況，有

式中：TP 表示完全準確識別像素點個數；FP 表示背景像素點識別為裂縫區域像素點識別個數；FN 表示裂縫區域像素點識別為背景像素點識別個數。

此外，人眼往往對顏色變化的邊界比較敏感，因此通過裂縫圖像間的邊緣信息相似度（Image Boundary Information Similarity，IBIS）衡量識別結果與標簽圖像間的邊緣輪廓相似度［30］。

2.3 裂縫區域智能識別分割效果評價模型

以圖8e中的5組網絡識別圖像為例，計算得出各組圖像裂縫區域網絡智能識別結果與實際標簽的相似度指標（表3）。

表3 不同組網絡智能識別結果與實際標簽相似情況

由表3 不難發現，IS 和ASA 指標評分越高，則網絡識別的裂縫區域與實際標簽圖像中的裂縫區域一致性越高；當這兩個指標評分接近時，則需用到IBIS指標進一步細判。為了對網絡識別和分割標注裂縫區域的性能形成多角度評價，借鑒人工對裂縫形態進行判斷的方法，設計了測井成像圖裂縫智能識別結果與人眼視覺識別結果相似度（Fracture Intelligent Distinguish Similarity，FIDS）評價方法，即將表3 中三個指標的評分采用加權求和的方式進行融合

式中μ、?、η為權重系數。將網絡識別的裂縫區域通過主觀評價方法中的雙刺激損傷分級法［31］分為4個等級：裂縫區域完全重合（Ⅰ級）、裂縫區域基本重合（Ⅱ級）、裂縫區域有一定差別（Ⅲ級）和裂縫區域有較大差別（Ⅳ級）［32］。規定FIDS≥0.75時的視覺感受評級為Ⅰ級，0.65≤FIDS<0.75時的視覺感受評級為Ⅱ級。

由于人眼視覺系統具有復雜的非線性特征，故權重系數使用非線性的自適應權重。隨機抽取百余幅樣本的計算結果進行統計分析，確定最終權重計算公式

所有網絡識別圖像經式（6）～式（10）計算后，將對應的標簽圖像間的IS、ASA、IBIS 評價分值投影至三維空間，各點以FIDS 評分為顏色映射標簽，結果如圖9所示。

圖9 IS、ASA、IBIS、FIDS 參數關系

2.4 裂縫區域智能識別分割性能評價結果

從人眼視覺相似度的角度，以裂縫區域基本重合為閾值（FIDS≥0.65），將所有數據集圖像經網絡識別后的結果與對應標簽圖像進行對比評價，評價結果見表4。

表4 裂縫區域整體形態人眼視覺相似度評價結果

由表4數據可知，本文智能網絡對81.3%的訓練集和80.4% 的測試集圖像裂縫區域識別均達到FIDSⅡ 級評分，僅有不到20%的智能識別結果與解釋專家標注結果在局部區域稍有差別。考慮到人工標注裂縫區域的過程本就有一定的主觀隨機性，因此該差別不會對后續裂縫參數的精確計算和評價造成本質上的差異。說明本文研究方法完全可以替代解釋專家完成裂縫識別和裂縫區域的分割標注工作。后續隨著樣本數目的增多及網絡訓練效果的提升，該識別和分割標注準確度指標有望進一步提升。

3 實際測井資料應用效果

選用準噶爾盆地Z 油田Z1 井石炭系火成巖儲層的FMI 成像資料進一步展示本文方法的實際應用效果。截取約10 m 裂縫發育形態多樣且密集的代表性井段，根據人工分析標注結果可知：該井段發育高導縫11 條，無誘導縫和高阻縫；大部分裂縫呈現單縫發育形態，少部分存在交叉縫和密集縫形態；部分裂縫成像效果不夠清晰，在一定程度增加了裂縫識別難度。

如圖10 所示，該井壁裂縫智能識別分割方法將②號高導縫下方小部分背景誤識別為裂縫，⑧號高導縫上方出現類似的情況，主要原因是該部分背景與網絡智能提取到的裂縫特征相似度高，因此造成小范圍誤識別。⑧號高導縫存在識別裂縫斷開的情況，這是斷裂處周圍背景干擾過大以及類似樣本數量不足所致。④號高導縫和③號縫為交叉縫，但由于本次研究中對類似樣本收集數量較少，導致未能正確識別④號縫，且在一定程度造成③號縫的畸變。但以上現象大部分為漏識別，錯誤識別和畸變識別的狀況較少。這充分說明該網絡已正確學習并提取裂縫特征，能在復雜圖形中識別分割出裂縫紋理，后續可通過增加類似樣本的方式提升識別效果。

圖10 Z1 井FMI 成像資料分析效果

另外，⑥、⑦號為兩條緊鄰的高導縫，人工識別有一定難度，但本文方法對這兩條縫的識別結果和分布區域定位精準，整體識別效果好，裂縫連貫且輪廓細節信息完整。⑨、⑩、?號三條高導縫周圍色彩干擾大，紋理輪廓較為模糊且裂縫連貫性不明顯。但本次研究針對該問題設計了適配的多尺度模塊并結合注意力機制，使網絡在通過不同感受野獲取特征向量的過程中，主動聚焦與裂縫紋理關聯度高的抽象特征，如像素點數值變化特征、分布特征等，同時主動放棄無效信息并去除干擾，保障了成像圖中異常珍貴的抽象特征能被多尺度網絡充分提取。因此⑨、⑩、?號高導縫的定位、識別準確，邊界輪廓和細節信息保留完整。

最終在人工標注的該井段11 條裂縫中，通過本文方法識別出10 條裂縫，從數量而言成功識別率為90.9%。其中，①、③、⑦、⑩、?號裂縫FIDS>0.85，②、⑤、⑥、⑨號裂縫FIDS>0.75，⑧號裂縫FIDS 得分約為0.73。本文方法對該井段90.0%裂縫圖像的識別結果與專家識別結果基本重合，漏識別裂縫不會對后續裂縫發育情況的評價造成本質上的影響。本文智能識別結果反映出該井段對應層位縫洞發育良好，具有優質儲層的潛力，但同時需關注井壁穩定和漏失的可能性。

4 結束語

本文利用計算機視覺結合深度學習技術，設計了FMI成像井壁裂縫智能識別、分割專用網絡結構。該方法不僅智能識別并擬合出井壁裂縫區域形態曲線，而且在此基礎上將完整裂縫區域進行分割標注。裂縫區域圖像關聯像素點識別準確率接近80%，相比通用的網絡模型準確率提升了10%左右，說明該智能識別方法具有一定應用價值和現實意義。

進一步設計了基于人眼視覺信息相似度原理的網絡識別性能評價算法。評價結果表明，當視覺相似度感受評級為Ⅱ級時，訓練集和測試集圖像中裂縫區域識別準確率分別為81.3%和80.4%，證明該智能方法的識別和分割標注結果與解釋專家處理結果基本一致。同時，該方法也能用于孔洞、掉塊等其他井壁形態的智能識別，有利于快速而及時地判斷井筒、井壁穩定性，為后續井壁縫、洞構造各項指標的智能定量計算、儲集性評價提供技術支持。