[发明专利]基于U-Net全卷积深度神经网络的微观孔隙识别方法

说明书

本发明提供一种基于U‑Net全卷积深度神经网络的微观孔隙识别方法，方法包括：基于岩石的CT扫描图像生成岩石孔隙的样本数据；将所述岩石孔隙的样本数据输入至预先训练的U‑Net全卷积深度神经网络模型，得到岩石孔隙的识别结果。本发明能够减少参数数量，减少对标签样本的依赖，能够有效提高岩石孔隙的识别精度，并且识别精度可以达到像素级别，进而提高地球物理的勘探效率。

技术领域

本发明涉及地球物理技术领域，具体涉及一种基于U-Net全卷积深度神经网络的微观孔隙识别方法。

背景技术

地下岩石属于多孔介质，其微观孔隙结构复杂，而且孔隙对岩石宏观物理性质及地震属性特征有很大影响，一般将孔隙直径小于0.0002mm，裂缝宽度小于0.0001mm的孔隙称为微观孔隙。目前通过X射线照射岩心并对岩心进行CT扫描得到二维扫描图像，利用图像处理算法将二维扫描图像构建为三维数字岩心，继而进行岩石的微观属性研究。而三维数字岩心的微观孔隙是重点研究内容之一，目前有三类方法用于三维数字岩心的微观孔隙的识别，分别是：基于区域的分割方法、基于边界的分割方法和基于特定理论的分割方法。此类基于图像分割方法的微观孔隙识别精度较低，识别结果与参数选择密切相关，人工干预因素较大，图像自动处理能力较弱。

近年来，深度学习成为各个计算机科学领域的研究热点之一。以深度卷积神经网络(Convolutional Neural Network,CNN)为代表的深度神经网络含有更多的隐层，具有更复杂的网络结构，与传统的神经网络算法相比具有更强大的特征提取和非线性表征能力。深度卷积神经网络(CNN)在最后的输出端采用的是全连接层，神经网络参数较多，需要大量的标签数据进行训练，根据标签数据训练生成深度卷积神经网络模型，通过该深度卷积神经网络模型对岩心的微观孔隙进行识别。

但是，CT扫描得到二维扫描图像数量有限，使得深度卷积神经网络所需的标签数据较少，导致深度卷积神经网络识别模型的识别精度低，难以实现像素级别的图像分割。

发明内容

针对现有技术中的问题，本发明提供一种基于U-Net全卷积深度神经网络的微观孔隙识别方法，能够有效提高岩石孔隙的识别精度，进而提高地球物理的勘探效率。

为解决上述技术问题，本发明提供以下技术方案：

第一方面，本发明提供一种基于U-Net全卷积深度神经网络的微观孔隙识别方法，包括：

基于岩石的CT扫描图像生成岩石孔隙的样本数据；

将所述岩石孔隙的样本数据输入至预先训练的U-Net全卷积深度神经网络模型，得到岩石孔隙的识别结果。

进一步的，在所述基于岩石的CT扫描图像生成岩石孔隙的样本数据之前，还包括：

根据岩石孔隙的训练数据和训练数据对应的孔隙识别标准结果对全卷积深度神经网络进行训练，生成U-Net全卷积深度神经网络模型。

进一步的，在所述基于岩石的CT扫描图像生成岩石孔隙的样本数据之前，还包括：

获取目标岩石并对该目标岩石进行CT扫描处理得到CT扫描图像。

其中，所述根据岩石孔隙的训练数据和训练数据对应的标准结果对全卷积深度神经网络进行训练，包括：

根据岩石孔隙的训练数据和训练数据对应的标准结果，采用Adam算法按照负梯度方向对全卷积深度神经网络的参数进行迭代优化。

其中，所述基于岩石的CT扫描图像生成岩石孔隙的样本数据，包括：

对所述岩石的CT扫描图像进行归一化处理生成岩石孔隙的样本数据。

第二方面，本发明提供一种基于U-Net全卷积深度神经网络的微观孔隙识别装置，包括：