摘要: 岩心图像是油气田开发过程中最重要的地质资料之一，它对了解地下的地质状况、确定岩心岩性以及推断沉积环境具有重要意义。随着深度学习的发展，利用深度学习方法对岩心图像语义分割成为一个研究热点。针对现有方法在岩心图像分割中存在的计算资源消... 展开 岩心图像是油气田开发过程中最重要的地质资料之一，它对了解地下的地质状况、确定岩心岩性以及推断沉积环境具有重要意义。随着深度学习的发展，利用深度学习方法对岩心图像语义分割成为一个研究热点。针对现有方法在岩心图像分割中存在的计算资源消耗过大、模型容易过拟合、梯度消失或爆炸以及像素点冗余等问题，在前人研究的基础之上，提出基于深度学习的岩心图像语义分割算法，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标注工具将岩心图像分割成岩石颗粒、岩石孔隙空间的有色胶以及原生矿物;其次通过对岩心图像切割、翻转扩充数据集，最后将扩充好的岩心图像以及岩心图像的分割图像划分为相应的训练集、验证集和测试集。 （2）研究实现一种基于多尺度上下文信息的HRNet岩心图像分割算法。由于金字塔池化模块网络并行叠加使得各分支之间特征信息无法共享。本文将金字塔池化模块改进为跳跃连接结构的网络模型，使得不同扩张率的空洞卷积之间产生一定的联系，形成一个更密集的网络结构。然后将改进后的金字塔池化模块引入到HRNet算法中的每个子网，缓解了HRNet网络模型冗余现象，实现了岩心图像分割任务。实验结果对比以及对评价指标值的分析，相比于目前流行的语义分割算法，改进后算法取得了更好的分割效果。 （3）研究实现一种基于残差密集的EASPP-HRNet岩心图像分割算法。本文首先对比ReLU、PReLU和FReLU激活函数，其次将三种激活函数分别引入到EASPP-HRNet岩心图像分割算法，证明了FReLU激活函数对图像分割效果更好。然后，本文对比普通残差和密集残差网络，将两种网络分别引入到EASPP-HRNet岩心图像分割算法，证明了密集残差网络对图像分割效果更好。改进后的算法解决网络模型计算资源的消耗过大、模型容易过拟合以及梯度消失或爆炸等问题。经过实验结果对比分析，改进后算法的分割效果以及区域分割效果更优。 综合实验结果表明，基于改进后HRNet语义分割算法的效果更佳，其分割效果与实际的岩心图像分割效果更加接近，对进一步了解地下的地质状况、确定岩心岩性以及推断沉积环境具有重要意义。 收起