摘要: 岩心图像是油田勘探开发过程中的重要地质资料，它在沉积环境的推断、储集层物性与含油性分析中具有重要作用。岩心图像边缘检测是岩心图像数字化研究的首要内容。针对现有方法在岩心图像边缘检测中存在的边缘过宽、边缘缺失和噪点过多等问题，在前人... 展开 岩心图像是油田勘探开发过程中的重要地质资料，它在沉积环境的推断、储集层物性与含油性分析中具有重要作用。岩心图像边缘检测是岩心图像数字化研究的首要内容。针对现有方法在岩心图像边缘检测中存在的边缘过宽、边缘缺失和噪点过多等问题，在前人研究的基础之上，提出基于深度学习的岩心图像边缘检测算法，具体研究工作如下: (1)构建实验所需的岩心图像数据集。首先使用labelme标注工具将目前掌握的岩心图像标注为相应的岩心边缘图像;然后将标注好的岩心边缘图像进行相应的二值转换，使其边缘的颜色由红色变为白色;其次采用相应的数据扩充方法将岩心边缘图像进行适当的扩充;最后将扩充好的岩心图像和岩心边缘图像划分为相应的训练集、验证集和测试集。 (2)构建一种融合细化功能的HED边缘检测算法。该算法以HED算法为基础，通过对VGG16网络结构的修改，实现了从岩心图像到岩心边缘图像的检测任务;在模型训练阶段，先通过多个侧输出层来对多尺度的特征图像进行输出，再使用权重融合函数将多尺度特征图像融合为岩心边缘图像;在模型预测阶段，为了使得到的岩心边缘图像的精度更高，在模型检测出的边缘图像上进行相应的边缘细化处理，最终获得相应的岩心边缘图像。经过检测结果的对比和评价指标值的分析，证明该方法所检测出的岩心图像边缘在宽度、连续性和准确性上要优于HED方法所检测出的岩心图像的边缘效果。 (3)构建一种融合细化功能的HED边缘检测优化算法。该算法主要是对前一个算法的进一步优化，首先对HED的网络结构进行适当的优化，在减少网络池化层的同时又对转置卷积进行了相应的调整;然后通过训练拟合得到优化后的HED最优边缘检测模型;在模型预测阶段，先采用优化模型对岩心图像进行边缘检测，再使用边缘细化方法进行相应的处理，最终得到相应的岩心边缘图像。经过检测结果的对比和评价指标值的分析，证明该方法所检测出的岩心图像边缘在宽度、连续性和准确性上要优于(2)中的检测效果。 综合以上实验结果表明，融合细化功能的HED边缘检测优化算法较优化前的算法效果更佳，其检测结果与实际的岩心图像边缘更加接近，对岩心图像进行边缘检测在油田科研工作中具有重要意义，可为进一步的岩心微观孔隙结构三维重构和微观渗流模拟奠定基础。 收起