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(fā)研究院,新疆克拉瑪依834000)

0 引 言

裂縫是巖石中由于構(gòu)造變形或物理成巖作用形成的面狀不連續(xù)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(tǒng)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(jié)果,本文采用了圖像分割算法,Google DeepLabv3+[2],對新疆油田車471井區(qū)成像測井數(shù)據(jù),進行了裂縫的識別,并用改進的霍夫變換實現(xiàn)了裂縫產(chǎn)狀的自動提取。

1 研究現(xiàn)狀

成像測井資料地質(zhì)現(xiàn)象定性描述方面的研究較多[3-8],但這類研究對地質(zhì)現(xiàn)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(zhì)現(xiàn)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(xiàn)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(shù)投票規(guī)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(guī)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(zhì)構(gòu)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(shù)。

上述方法要么沒有提取出裂縫區(qū)域,僅通過統(tǒng)計特征確定裂縫的存在;要么利用圖像分割提取出裂縫區(qū)域但不夠準確,對下一步的參數(shù)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(jīng)網(wǎng)絡結(jié)構(gòu),對裂縫區(qū)域進行了準確提取,并采用霍夫變換對裂縫參數(shù)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(guī)圖像分類的深度卷積神經(jīng)網(wǎng)絡,以圖像作為輸入,通過卷積、激活函數(shù)、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(guī)卷積神經(jīng)網(wǎng)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(chǎn)生缺乏清晰細節(jié)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(guī)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(jié)構(gòu)(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(jīng)網(wǎng)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(jié)構(gòu)(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(wǎng)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(wǎng)絡的特征,以重構(gòu)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(wǎng)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(jié)構(gòu)

圖2 編碼解碼網(wǎng)絡

圖3 DeepLabv3+整體架構(gòu)(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?；舴蜃儞Q的原理是將特定圖形上的點變換到一組參數(shù)空間上,根據(jù)參數(shù)空間點的累計結(jié)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(shù)。

由于正弦曲線y=Asin (ωx-φ)+y0中共有4個參數(shù),其參數(shù)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(shù)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(zhì),利用與霍夫變換類似的多數(shù)投票機制,確定基線的位置,從而確定參數(shù)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(shù)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(shù)空間,計算量大大減小。

3 實驗結(jié)果及討論

3.1 數(shù)據(jù)集

利用labelme開源工具,對新疆車47井區(qū)的成像測井圖像進行裂縫區(qū)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(shù)據(jù)。

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(shù)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(shù)量。即,pii表示真正數(shù),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(wěn)定。學習率從0.0001開始,并在整個培訓過程中自動調(diào)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(shù)據(jù)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(jié)果。

圖5 損失函數(shù)值和均交并比隨訓練次數(shù)的變化曲線

圖6 DeepLabv3+模型預測結(jié)果(左側(cè)為成像測井原圖,右側(cè)為預測結(jié)果,紅色為分割出的裂縫區(qū)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(jié)果見圖6。圖6左側(cè)為成像測井原圖,右側(cè)為預測結(jié)果,紅色為分割出的裂縫區(qū)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(shù)據(jù)的空白部分,依然可以預測出連續(xù)裂縫區(qū)域,得到更加準確的圖像分割結(jié)果。此外,訓練出的模型相比傳統(tǒng)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(tǒng)圖像分割,該模型具有更強的魯棒性。更準確的預測結(jié)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(jié)果更加準確。

3.4 霍夫變換提取裂縫參數(shù)

利用霍夫變換求出裂縫的正弦曲線表達式之后,根據(jù)正弦曲線與裂縫的對應關(guān)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(shù)

(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(qū)間(文中為1 m);α為裂縫傾角;D為井眼直徑。對預測結(jié)果進行霍夫變換,提取的正弦曲線見圖8,其參數(shù)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(jié) 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(tǒng)圖像分割方法,能夠準確地對裂縫區(qū)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(shù)更加準確。