基于空間注意力機制的MaskR-CNN致密儲層巖石薄片圖像鑒定

摘要：針對陸相致密儲層巖石薄片鑒定識別難、制片成本高、時間消耗長和人為主觀強等難題，選取鄂爾多斯盆地臨興區(qū)塊上古生界和松遼盆地三肇凹陷扶余油層為靶區(qū)，提出一種基于深度學習的致密油儲層巖石薄片人工智能鑒定方法，引入圖像預處理技術去除巖石薄片圖像噪聲并統(tǒng)一圖像像素大小，構建空間幾何增廣機制，基于空間注意力機制改進Mask R-CNN算法，并將上述方法應用于實例靶區(qū)進行有效性驗證。結果表明：圖像預處理技術能夠在保障圖像特征的前提下，有效提高圖像質量，減少噪聲干擾；空間幾何圖像增廣機制能夠在在一定程度上增加可用樣本的數(shù)量；基于空間注意力機制的Mask R-CNN算法可以同時完成復雜巖石薄片成分的分割與智能識別工作，分割精度在不同數(shù)據(jù)集情況下的平均精度為89.2%，整體識別準確率為93%，適用于致密油儲層巖石薄片特征鑒定。

關鍵詞：致密儲層; 巖石薄片; 深度學習; Mask R-CNN算法; 分割與識別

中圖分類號：TP 391.41"" 文獻標志碼：A

引用格式：李春生，劉濤，劉宗堡，等.基于空間注意力機制的Mask R-CNN致密儲層巖石薄片圖像鑒定［J］.中國石油大學學報（自然科學版），2024，48（4）：24-32.

LI Chunsheng， LIU Tao， LIU Zongbao， et al. Image identification of rock slices of Mask R-CNN tight oil reservoir based on spatial attention mechanism［J］.Journal of China University of Petroleum（Edition of Natural Science），2024，48（4）：24-32.

Image identification of rock slices of Mask R-CNN tight oil reservoir based on spatial attention mechanism

LI Chunsheng1， LIU Tao1， LIU Zongbao2， ZHANG Kejia1， LIU Fang1， LIU Xiaowen2， TIAN Mengqing1， BAI Yulei1， YIN Jingsong1， LU Yizhou1

（1.School of Computer amp; Information Technology in Northeast Petroleum University， Daqing 163318， China;

2.School of Earth Sciences in Northeast Petroleum University， Daqing 163318， China）

Abstract： Aiming at the difficult identification， high production cost， long time consumption and strong human subjective of rock thin section identification in continental tight reservoirs， a deep learning based artificial intelligence method for thin section identification of tight oil reservoirs was proposed by selecting the Upper Paleozoic in Linxing Block of Ordos Basin and Fuyu reservoir in Sanzhao Sag of Songliao Basin as target areas. Through the introduction of image preprocessing technology to remove the noise of rock slice image and unify the size of image pixels， a spatial geometry enhancement mechanism was constructed， and the Mask R-CNN algorithm was improved based on the spatial attention mechanism. The effectiveness of the above method was verified by applying it to the sample target area. The results show that the image preprocessing technology can effectively improve image quality and reduce noise interference under the premise of guaranteeing image features. The spatial geometry image augmentation mechanism can increase the number of available samples to some extent. The Mask R-CNN algorithm based on the spatial attention mechanism can simultaneously complete the segmentation and intelligent identification of complex rock sheet components. The average accuracy of segmentation accuracy in different data sets is 89.2%， and the overall identification accuracy is 93%， which is applicable to the characterization of rock sheets in tight oil reservoirs.

Keywords：tight oil reservoir; rock thin section; deep learning; Mask R-CNN algorithm; segmentation and recognition

致密油氣作為非常規(guī)油氣能源具有巨大的資源潛力，分析致密儲層巖石薄片特征對微觀孔喉結構研究和儲層甜點預測具有重大意義［1-2］。致密儲層具有非均質大和成巖作用強的特點，導致鏡下巖石薄片成分間邊界模糊、識別困難［3］。因此亟需一種基于人工智能技術的致密儲層巖石薄片圖像鑒定方法，實現(xiàn)對薄片成分的精細分割與快速識別［4-7］。巖石薄片成分精細分割方法可歸納為超像素分割方法［8］和語義分割方法［9］。超像素分割方法以像素為單位將巖石薄片成分分割問題轉化為像素單元劃分或像素聚類問題。Asmssen等［10］應用像素單元劃分原理分割巖石薄片各成分，但存在邊緣劃分精度不精確和過分割的不足；劉學鋒等［11］應用隨機森林和分類器實現(xiàn)了頁巖孔隙結構的分析，但易受樣本分辨率限制。楊艷梅等［12］應用像素聚類原理改進像素聚類算法。語義分割方法為像素單元設定語義標簽，通過特征提取和判別完成學習過程，實現(xiàn)巖石薄片成分種類的分割。Jiang等［13-14］應用語義分割方法完成各成分種類的分割，但存在無法分割單獨成分的分割。薄片成分識別技術可歸納為判別分類器識別方法和神經(jīng)網(wǎng)絡識別方法。蔡宇恒等［15］應用判別分類器原理提出針對孔隙識別的半自動方法，但對于溶蝕類孔隙識別效果較差。Izadi 等［16］建立人工神經(jīng)網(wǎng)絡模型學習各成分顏色、飽和度等光學特征，實現(xiàn)對各成分的識別。筆者基于Mask R-CNN算法在自然圖像的語義分割和目標檢測等領域［17-19］的出色表現(xiàn)，提出一種基于空間注意力機制的自標注擴增Mask R-CNN致密儲層巖石薄片成分鑒定方法（SSMR）。應用圖像預處理技術去除原始圖像噪聲、統(tǒng)一像素大?。辉O計并引入自標注空間圖像增廣機制；基于空間注意力機制改進Mask R-CNN算法，同步完成對薄片成分的多維定量分割與快速識別；通過試驗將SSMR方法與具有相似原理的YOLACT算法和Mask R-CNN算法進行對比，論證SSMR方法的精準度、準確度和遷移性。

1 SSMR方法

SSMR方法工作流程包括數(shù)據(jù)集建立、樣本擴增和成分鑒定3個環(huán)節(jié)，應用的關鍵技術分別為圖像預處理技術、自標注空間圖像增廣和基于空間注意力機制改進Mask R-CNN算法（圖1）。

1.1 數(shù)據(jù)集建立

數(shù)據(jù)集建立分為圖像預處理和標注部分。圖像預處理是指在原始圖像的基礎上進行圖像去噪、圖像歸一化及劃分。原始圖像數(shù)據(jù)集來自鄂爾多斯盆地臨興區(qū)塊上古生界（OB數(shù)據(jù)集）和松遼盆地三肇凹陷扶余油層（SZS數(shù)據(jù)集），共計100張位圖。其中OB數(shù)據(jù)集為公開數(shù)據(jù)集，原始圖像（像素）為2 560×1 920，樣本數(shù)量為50張，SZS數(shù)據(jù)集為項目過程中自制的遷移性試驗數(shù)據(jù)集（不參與訓練），原始圖像為616×416，數(shù)量為50張。

圖像去噪應用Non-Local means算法中的高斯核非均值濾波算法，該方法在去除圖像噪聲的同時，可以較好地保存圖像的紋理特征。圖像歸一化與劃分首先應用Resize方法將OB數(shù)據(jù)集樣本像素統(tǒng)一為2 560×2 048，為圖像劃分提供劃分基礎；然后應用Crop方法將歸一化后圖像劃分為512×512，以初步增加樣本數(shù)量，并且劃分后的樣本即滿足算法需求，又保障圖像最大程度接近原始圖像。

圖像標注為像素提供語義標簽并指導訓練過程。應用Labelme工具將標簽分為石英（Qu）、長石（Fe）、巖屑（Li）、原生孔（PP） 、粒內(nèi)溶孔（INDP）、粒間溶孔（IDP）和微裂隙（Mi）等7種類型，如圖1中②標記。

1.2 薄片圖像增廣

為提高算法效率設計空間幾何圖像增廣機制，實現(xiàn)數(shù)據(jù)集增廣?？臻g幾何增廣機制以幾何圖像處理技術［21］為基礎，通過計算語義標簽位置變化完成增廣圖像的標定。為保障增廣圖像的多樣性和清晰度，選擇翻轉、旋轉、裁剪、形變和扭曲等技術作為圖像處理方法，并根據(jù)各類方法子操作數(shù)量占總操作數(shù)的比重，設定權重。其中各子操作在每類方法中的權重大小相同。圖像擴增依據(jù)各自權重選擇子操作，以組合的方式進行增廣，在實現(xiàn)薄片圖像增廣的同時，保證了各類圖像在總樣本數(shù)量中的原始比例。

（1）翻轉：圖像進行水平鏡像翻轉、垂直鏡像翻轉和兩對角鏡像翻轉。

（2）旋轉：圖像順時針旋轉45°、90°、135°和180°。

（3）裁剪：圖像以1/2為裁剪比例，按照五點取樣法選取圖像位置進行裁剪。

（4）形變：圖像進行水平、垂直和四角形變。

（5）扭曲：圖像按照2、4、6、8四種扭曲程度進行變換。

X=（X1-X0）Acos θ-（Y1-Y0）Asin θ+X0，（1）

Y=（X1-X0）Asin θ+（Y1-Y0）Acos θ+Y0.（2）

式中，X和Y為變化后的標簽橫縱坐標；X1和Y1為標簽初始位置坐標；X0和Y0為圖像中心點坐標；Acos θ和Asin θ為三角函數(shù)計算值，θ為旋轉角度。

圖像增廣方法及其子操作的權重結果見表1。擴增后樣本總數(shù)量為

21 000張，按照8∶2的比例進行訓練集和測試集劃分。

1.3 薄片圖像成分鑒定

薄片圖像成分鑒定應用改進Mask-RCNN算法實現(xiàn)，算法主要包括改進的主干網(wǎng)絡、RPN、ROI Align和ROI分割與識別4個部分。

（1）改進主干網(wǎng)絡由ResNet101［22］和特征金字塔組成（圖1中③）。其中ResNet101通過Conv Block和Identity Block兩個殘差網(wǎng)絡改變圖像維度和網(wǎng)絡深度，提取圖像特征得到特征層；FPN通過下采樣、上采樣和最大池化將特征層轉化為有效特征層（P2， P3， P4， P5， P6）［23］，完成特征提取，如圖2所示。其中改進的主干網(wǎng)絡在下采樣結構的第2層和第5層添加空間注意力機制［24］，目的是控制FPN結構復雜度并提高學習能力，以達到分割與識別精準度，減少誤差的目的?？臻g注意力機制以特征層（H×W×C，其中H、W和C分別代表高度、寬度和通道數(shù)）為輸入，經(jīng)過最大池化、平均池化、通道拼接、卷積空間權重系數(shù)生成，然后與輸入特征層相乘后得到最終特征層（H×W×1），其結構如圖3所示。

M（F）=［FAvgPool（F）; FMaxPool（F）］，（3）

Ms（F）=σ（f7×7（M（F）））.（4）

式中，F(xiàn)為特征層；FAvgPool（）為平均池化；FMaxPool（）為最大池化；f7×7為濾波器大??；σ為激活函數(shù)；Ms（F）為注意力參數(shù)矩陣。

（2）ROI區(qū)域是RPN在有效特征層上滑動，通過計算先驗框與真實框IOU值輸出的薄片成分區(qū)域（圖1中④）。其中RPN由二值分類網(wǎng)絡和回歸網(wǎng)絡組成，前者用于檢測候選區(qū)是否包含薄片成分，后者輸出各成分候選區(qū)的邊緣框。如果二值分類網(wǎng)絡檢測的選區(qū)不包含成分，則邊緣框無效。

（3）薄片圖像成分分割與識別階段首先應用ROI Align將每個ROI調(diào)整為相同大小，然后應用Fully Connected Layers和Mask Branch生成ROI類和分割掩碼。Fully Connected Layers以調(diào)整后的每個ROI為輸入，進行薄片圖像成分類別識別，并回歸細化薄片圖像中每個成分的邊緣框。Mask Branch應用一個小型Fully Connected Network生成每個ROI的像素級目標掩碼，完成薄片圖像成分的分割（圖1中⑤）。此過程的總損失函數(shù)為

LT=Lcls+Lbox+Lmask .（5）

式中，LT為總損失；Lcls為識別過程損失；Lbox為邊框回歸損失；Lmask為分割損失。

1.4 算法訓練

應用遷移學習技術［25］開展預訓練，以提升Mask R-CNN算法學習效率。算法訓練首先進行預訓練，然后應用隨機梯度下降法通過代價函數(shù)J（θ）更新訓練參數(shù)θj，完成迭代訓練。訓練參數(shù)θj更新過程可定義為

θj+1=θj-αθjJ（θj）.（6）

式中，α是一個表示學習率的超參數(shù)。通過微調(diào)測試最終設置學習率為α=10-5，并使用了50個學習epoch完成算法訓練。同時為提高網(wǎng)絡性能，設定IOU為65%，batch為6。

2 試驗方案

試驗分為精準度試驗、準確度試驗和遷移性試驗三個部分。精準度和準確性試驗反應算法的精準性。試驗設備的具體參數(shù)：CPU為Intel Xeon Silver 4210R，內(nèi)存為64G，GPU為RTX 6000/8000；操作系統(tǒng)為Ubuntu 20.04.3；試驗框架為Tensorflow-GPU 2.1.0。試驗的對比算法為YOLACT ［26］和Mask R-CNN算法（兩種算法均已加入自標注圖像擴增機制，分別簡稱為SYL和SMR）。

2.1 精準度試驗

精準度試驗應用Jaccard指數(shù)［27］判斷算法對巖石薄片成分的分割效果。Jaccard指數(shù)可以直觀地反應分割Mask與標注Mask的交并比，計算方法為

J（A，B）=A∩BA∪B，0≤J（A，B）≤1.（7）

式中，A和B為分割Mask與標注Mask。

試驗數(shù)據(jù)集為OB原始數(shù)據(jù)集，數(shù)量為20張。試驗過程為設定試驗數(shù)據(jù)集數(shù)量為N∈{5，10，15，20}，分別計算不同數(shù)量情況下每種成分Jaccard指數(shù)的平均值。

2.2 準確度試驗

準確度試驗應用混淆矩陣計算各成分識別結果的查準性、查全性、F1分數(shù)和準確度 ［28-29］作為評價指標，以判斷算法的識別準確度。試驗數(shù)據(jù)集與精準度試驗相同。

查準性。查準率是指在識別出的成分中，正確數(shù)量所占的比例。

Ppre=NTP/（NTP+NFP） .（8）

式中，Ppre為查準率；NTP為真陽性檢測；NFP為假陽性檢測。

查全性。查全率是指在實際成分中，正確數(shù)量所占的比例。

Prec=NTP/（NTP+NFN）.（9）

式中，Prec為查全率；NFN為假陰性檢測。

F1分數(shù)。F1分數(shù)根據(jù)查準率和查全率進行定義。

F1=2×（Ppre×Prec）（Ppre+Prec）.（10）

式中，F(xiàn)1得分范圍在0到1之間，其值越接近1表明效果越好。

準確度。準確度是表示正確識別的成分數(shù)量在正確、不正確和遺漏檢測的總和之中的占比。

Pacc=NTP/（NTP+NFN+NFP+NTN）.（11）

式中，Pacc為準確度；NTN為真陰性檢測。

2.3 遷移性試驗

遷移性試驗應用上述精準度和準確度指標判斷算法在遷移性試驗數(shù)據(jù)中的試驗效果，驗證方法在非訓練數(shù)據(jù)集靶區(qū)的鑒定效果，以例證SSMR算法的遷移性。試驗數(shù)據(jù)集為SZS數(shù)據(jù)集，SZS數(shù)量為50張。試驗過程中設定試驗數(shù)據(jù)集數(shù)量為N，N∈{5，10，15，20}，分別計算不同數(shù)量情況下各評價指標結果。

3 結果分析

3.1 精準度

精準度試驗Jaccard指數(shù)計算結果如表2所示。其中SYL-X、SMR-X和SSMR-X代表不同數(shù)量樣本下的算法試驗效果。

由表2看出：

（1）SSMR算法在同樣本數(shù)量情況下的分割精準度明顯高于SMR算法和SYL算法，并且對不同成分的分割效果相對穩(wěn)定，表明SSMR算法可以相對穩(wěn)定地學習到各個成分語義特征，受巖石薄片成分數(shù)量的影響相對較?。?/p>

（2）SSMR算法在不同樣本數(shù)量情況下各成分分割效果明顯高于SMR算法和SYL算法，并且相對穩(wěn)定，表明SSMR算法分割效果不易受樣本數(shù)量影響，反映了算法的穩(wěn)定性和魯棒性較好；

（3）SSMR算法對各成分分割的Jaccard指數(shù)均大于0.85，在不同樣本數(shù)量情況下對各成分的整體分割Jaccard指數(shù)平均值大于0.87，表明SSMR算法具有較高的分割精度，可以滿足實際分割需求。

3.2 準確度

為驗證算法的識別準確度，建立3種算法的混淆矩陣（圖4）。圖4中x軸代表實際值，y軸代表預測值。查準性、查全性與F1分數(shù)的計算結果見表3。不同成分種類情況下的準確度計算結果見圖5。

（2）SSMR算法的查準性和查全性均高于SYL和SMR算法，SMR算法高于SYL算法。在查準性中3種算法對長石的效率最低，主要原因是樣本中各成分數(shù)量不均衡，多數(shù)量成分被誤識為長石時，直接降低了查準性；雖然微裂隙成分的數(shù)量同樣比較少，但由于其特征明顯，因此查準性也相對較高；此外SSMR算法對于其他成分的查準率均大于0.77。在查全性中3種算法均大于0.67，其中SSMR算法查全性超過0.87。由F1分數(shù)可知SSMR算法雖然也受成分數(shù)量的影響，但各成分F1均超過0.66，主要成分的F1分數(shù)值均大于0.82，說明其在不均成分數(shù)量的薄片中效果仍然比較好。

由圖4、表3和圖5看出：（1）SSMR算法識別各成分的準確度最高，SMR算法識別準確度高于SYL算法。此外在3種算法中石英主要被誤判為長石，長石主要被誤判為石英，巖屑則被誤判石英和長石；原生孔主要被誤判為粒內(nèi)溶孔，粒內(nèi)溶孔主要被誤判為原生孔和粒間溶孔，粒間溶孔則被誤判為原生孔和粒內(nèi)溶孔。這是由于在單偏光下薄片顆粒種類間、孔隙類型間的光學特征相似，并且標注語義標簽過程中可能存在誤標記的現(xiàn)象。

（3）3種算法在不同成分種類情況下的識別準確度均大于0.72且比較穩(wěn)定，說明算法的識別準確度不受成分種類的影響。此外對比準確度可知，SSMR算法準確度高于SMR算法，SMR算法高于SYL算法。造成這種結果的原因是由于算法設計區(qū)別，SYL算法屬于單級分割模型，分割與識別效果相對較差，SSMR算法引入空間注意力機制，提高了算法精準度。SSMR算法識別準確度均高于90%，說明算法具有良好識別效果。

3.3 遷移性

圖6為3種算法遷移性試驗結果，其中圖6（a）、（c）和（e）為原始數(shù)據(jù)集在不同數(shù)據(jù)集情況下各評價指標結果，圖6（b）、（d）和（f）為遷移性試驗數(shù)據(jù)集各指標計算效果。

由圖6看出，由于不同致密儲層區(qū)塊的薄片成分類型和成分含量不同，導致3種算法在遷移性SZS試驗數(shù)據(jù)集中的分割精準度和識別準確度均低于OB靶區(qū)。從整體上看SSMR算法的各項評價指標均高于其他2種算法，SMR算法高于SYL算法，說明SSMR算法具有良好的遷移性和可用性。SYL算法在不同樣本數(shù)量的情況下，各評價指標的波動較大，并且變化趨勢與OB數(shù)據(jù)集差異較大，說明SYL算法遷移的穩(wěn)定性較差，相較于其他算法更易受樣本及其數(shù)量的影響；SMR算法在SZS數(shù)據(jù)集上各評價指標變化趨勢與SZS數(shù)據(jù)集相似，但穩(wěn)定性和效果仍低于SSMR算法。SSMR算法各項指標與OB數(shù)據(jù)集上的趨勢大致相同，其中精準度評價結果大于0.81，準確度評價結果均大于0.74，并且各項指標與OB數(shù)據(jù)集評價結果的誤差均小于10%，高于其他2種算法，說明SSMR算法具有較好的遷移性，可用于其他區(qū)塊薄片特征的鑒定。

致密儲層巖石薄片鑒定是分析微觀孔喉結構特征［30］、巖心滲透率預測［31］和剩余油分布預測［32-33］的核心工作，并且在儲層甜點預測與微觀評價過程中起到重要作用。

4 結 論

（1）SSMR方法可以解決傳統(tǒng)方法由于受圖像噪聲、成巖復雜程度、算法設計不足和樣本數(shù)量稀疏等原因導致的精確度不高等問題。

（2）圖像預處理技術能夠在保障圖像特征的前提下，有效提高圖像質量，減少噪聲干擾。

（3）空間幾何圖像增廣機制能夠在一定程度上增加可用樣本的數(shù)量。

（4）基于空間注意力機制的Mask R-CNN算法可以同時完成復雜巖石薄片成分的分割與智能識別工作，分割精度在不同數(shù)據(jù)集情況下的平均精度為0.892，整體識別準確性為0.93，適用于致密油儲層巖石薄片特征鑒定。

參考文獻：

［1］ 程國建，楊靜，黃全舟，等.基于概率神經(jīng)網(wǎng)絡的巖石薄片圖像分類識別研究［J］.科學技術與工程，2013，13（31）：9231-9235.

CHENG Guojian， YANG Jing， HUANG Quanzhou， et al. Rock image classification recognition based on probabilistic neural networks［J］. Science technology and Engineering， 2013，13（31）：9231-9235.

［2］ 詹國衛(wèi)，顧戰(zhàn)宇，龐河清，等.致密砂巖儲層孔隙結構特征及其對開發(fā)的影響［J］.西南石油大學學報（自然科學版），2022，44（3）：70-84.

ZHAN Guowei， GU Zhanyu， PANG Heqing， et al. Porestructure characteristics of tight sandstone reservoir and its influence on development［J］. Journal of Southwest Petroleum University （Science amp; Technology Edition）， 2022，44（3）：70-84.

［3］ 鄒敏，夏東領，夏冬冬，等.致密砂巖儲層非均質成因研究［J］.西南石油大學學報（自然科學版），2022，44（1）：41-52.

ZOU Min， XIA Dongling， XIA Dongdong， et al. Astudy on the cause of tight sandstone reservoir heterogeneity［J］. Journal of Southwest Petroleum University （Science amp; Technology Edition）， 2022，44（1）：41-52.

［4］ ZHOU Y， JI Y， XU L ， et al. Controls on reservoir heterogeneity of tight sand oil reservoirs in Upper Triassic Yanchang Formation in Longdong Area， southwest Ordos Basin， China： implications for reservoir quality prediction and oil accumulation［J］. Marine amp; Petroleum Geology， 2016，78：110-135.

［5］ WANG M， YANG Z， SHUI C， et al. Diagenesis and its influence on reservoir quality and oil-water relative permeability： a case study in the Yanchang Formation Chang 8 tight sandstone oil reservoir， Ordos Basin， China［J］. Open Geosciences，2019，11（1）：37-47.

［6］ 蔡宇恒，滕奇志，涂秉宇.基于深度學習的巖石鑄體薄片圖像孔隙自動提取［J］.科學技術與工程，2020，20（28）：11685-11692.

CAI Yuheng， TENG Qizhi， TU Bingyu. Automatic extraction of pores in thin slice images of rock castings based on deep learning［J］. Science Technology and Engineering，2020，20（28）：11685-11692.

［7］ 周恒，張春雷，張欣，等.基于相干特征的巖石薄片序列圖像邊緣提取及顆粒分割［J］.吉林大學學報（地球科學版），2021，51（6）：1897-1907.

ZHOU Heng， ZHANG Chunlei， ZHANG Xin， et al. Edge extraction and particle segmentation based on coherent features of rock slice sequence images［J］. Journal of Jilin University （Earth Science Edition）， 2021，51（6）：1897-1907.

［8］ 姜楓，顧慶，郝慧珍，等.基于語義特征提取的砂巖薄片圖像顆粒分割方法［J］.中國科學（信息科學），2020，50（1）：109-127.

JIANG Feng， GU Qing， HAO Huizhen， et al. Grain segmentation of sandstone thin section images based on semantic feature extraction［J］. Scientia Sinica （Informationis）， 2020，50（1）：109-127.

［9］ 姜楓，顧慶，郝慧珍，等.基于內(nèi)容的圖像分割方法綜述［J］.軟件學報，2017，28（1）：160-183.

JIANG Feng， GU Qing， HAO Huizhen， et al. Survey on content-based image segmentation methods［J］. Journal of Software，2017，28（1）：160-183.

［10］ ASMSSEN P， CONRAD O， GUNTHER A， et al. Semi-automatic segmentation of petrographic thin section images using a \"seeded-region growing algorithm\" with an application to characterize wheathered subarkose sandstone［J］. Computers amp; Geosciences， 2015，83：89-99.

［11］ 劉學鋒，張曉偉，曾鑫，等.采用機器學習分割算法和掃描電鏡分析頁巖微觀孔隙結構［J］.中國石油大學學報（自然科學版），2022，46（1）：23-33.

LIU Xuefeng， ZHANG Xiaowei， ZENG Xin， et al. Pore structure characterization of shales using SEM and machine learning-based segmentation method［J］. Journal of China University of Petroleum（Edition of Natural Science）， 2022，46（1）：23-33.

［12］ 楊艷梅，柳娜，程國建，等.基于Spark平臺的巖石圖像聚類分析［J］.西安石油大學學報（自然科學版），2016，31（6）：114-118.

YANG Yanmei， LIU Na， CHENG Guojian， et al. Clustering analysis of rock images based on Spark platform［J］. Journal of Xian Shiyou University（Natural Science Edition）， 2016，31（6）：114-118.

［13］ JIANG F， GU Q， HAO H， et al. A method for automatic grain segmentation of multi-angle cross-polarized microscopic images of sandstone［J］. Computers amp; Geosciences， 2018，115：143-153.

［14］ SAXENA N， DAY-STIRRAT R J， HOWS A， et al. Application of deep learning for semantic segmentation of sandstone thin sections［J］. Computers amp; Geosciences， 2021，152：104778.

［15］ GHIASI-FREEZ J， SOLEIMANPOUR I， KADKHODAIE-ILKHCHI A， et al. Semi-automated porosity identification from thin section images using image analysis and intelligent discriminant classifiers［J］. Computers amp; Geosciences， 2012，45：36-45.

［16］ IZADI H， SADRI J， MEHRAN N A. Intelligent mineral identification using clustering and artificial neural networks techniques［C］//2013 First Iranian Conference on Pattern Recognition and Image Analysis （PRIA）， New York： IEEE， 2013：1-5.

［17］ BHARATI P， PRAMANIK A. Deep learning techniques—R-CNN to mask R-CNN： a survey［J］. Computational Intelligence in Pattern Recognition， 2019：657-668.

［18］ LIU T， LI C， LIU Z， et al. Research on image identification method of rock thin slices in tight oil reservoirs based on Mask R-CNN［J］. Energies， 2022，15（16）：5818.

［19］ XU X， ZHAO M， SHI P， et al. Crack detection and comparison study based on faster R-CNN and mask R-CNN［J］. Sensors， 2022，22（3）：1215.

［20］ DELEDALLE C A， DUVAL V， SALMON J. Non-local methods with shape-adaptive patches （NLM-SAP）［J］. Journal of Mathematical Imaging and Vision， 2012，43：103-120.

［21］ 馬崠奡，唐娉，趙理君，等.深度學習圖像數(shù)據(jù)增廣方法研究綜述［J］.中國圖象圖形學報，2021，26（3）：487-502.

MA Dongao， TANG Ping， ZHAO Lijun， et al. Review of data augmentation for image in deep learning［J］. Journal of Image and Graphics， 2021，26（3）：487-502.

［22］ BURKE C J， ALEO P D， CHEN Y C， et al. Deblending and classifying astronomical sources with Mask R-CNN deep learning［J］. Monthly Notices of the Royal Astronomical Societ， 2019，490：3952-3965.

［23］ QIN J， ZHANG Y， ZHOU H， et al. Protein crystal instance segmentation based on Mask R-CNN［J］. Crystals，2021，11（2）：157.

［24］ NIE X， DUAN M， DING H， et al. Attention mask R-CNN for ship detection and segmentation from remote sensing images［J］. IEEE Access， 2020，8：9325-9334.

［25］ YU F， XIU X， LI Y. A survey on deep transfer learning and beyond［J］. Mathematics， 2022，10（19）：3619.

［26］ GUO F， QIAN Y， WU Y， et al. Automatic railroad track components inspection using real-time instance segmentation［J］. Computer-Aided Civil and Infrastructure Engineering， 2021，36（3）：362-377.

［27］ JACCARD P. Nouvelles recherches sur la distribution florale［J］. Bull Soc Vaud Sci Nat， 1908，44：223-270.

［28］ DIETLER N， MINDER M， GLIGOROVSKI V， et al. A convolutional neural network segments yeast microscopy images with high accuracy［J］. Nature Communications， 2020，11（1）：1-8.

［29］ KRUITBOSCH H T， MZAYEK Y， OMLOR S， et al. A convolutional neural network for segmentation of yeast cells without manual training annotations［J］. Bioinformatics， 2022，38（5）：1427-1433.

［30］ 操應長，葸克來，朱如凱，等.松遼盆地南部泉四段扶余油層致密砂巖儲層微觀孔喉結構特征［J］.中國石油大學學報（自然科學版），2015，39（5）：7-17.

CAO Yingchang， XI Kelai， ZHU Rukai， et al．Microscopic pore throat characteristics of tight sandstone reservoirs in Fuyu layer of the fourth member of Quantou Formation in southern Songliao Basin［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2015，39（5）：7-17.

［31］ 景文龍，李博涵，楊守磊，等.基于TensorFlow的均質數(shù)字巖心滲透率預測方法及應用［J］.中國石油大學學報（自然科學版），2021，45（4）：108-113.

JING Wenlong， LI Bohan， YANG Shoulei， et al. Method and application of homogeneous digital core permeability prediction based on TensorFlow［J］. Journal of China University of Petroleum （Edition of Natural Science）， 2021，45（4）：108-113.

［32］ 谷建偉，任燕龍，王依科，等.基于機器學習的平面剩余油分布預測方法［J］.中國石油大學學報（自然科學版），2020，44（4）：39-46.

GU Jianwei， REN Yanlong， WANG Yike， et al. Prediction methods of remaining oil plane distribution based on machine learning［J］. Journal of China University of Petroleum （Edition of Natural Science），2020，44（4）：39-46.

［33］ 張陽，李際，宋丙慧，等.沖積扇儲層剩余油研究進展及發(fā)展方向［J］.西南石油大學學報（自然科學版），2023，45（6）：1-17.

ZHANG Yang， LI Ji， SONG Binghui， et al. Progress and development direction of researches on remaining oil in alluvial fan reservoir［J］. Journal of Southwest Petroleum University （Science amp; Technology Edition）， 2023，45（6）：1-17.

（編輯 劉為清）

收稿日期：2023-05-11

基金項目：國家自然科學基金面上項目（42172161）; 國家青年科學基金項目（42102173）; 中國石油科技創(chuàng)新基金項目（2020D-5007-0102）; 黑龍江省優(yōu)秀青年科學基金項目（YQ2020D001）; 黑龍江省自然科學基金項目（LH2020F003）; 黑龍江省創(chuàng)新型科研人才培養(yǎng)計劃項目（UNPYSCT-2020144）

第一作者：李春生（1960-），男，教授，博士，博士生導師，研究方向為地質資源智能信息處理與地質數(shù)據(jù)可視化技術。E-mail：csli_dmis@nepu.edu.cn。

通信作者：劉濤（1994-），男，博士研究生，研究方向為深度學習和非常規(guī)油藏評價。E-mail： liutao@nepu.edu.cn。

文章編號：1673-5005（2024）04-0024-09"" doi：10.3969/j.issn.1673-5005.2024.04.003