[发明专利]融合注意力机制的孔隙结构精准识别和定量表征方法

说明书

本发明公开了融合注意力机制的孔隙结构精准识别和定量表征方法。针对页岩扫描电镜图像传统的分析处理方法主要是人工进行，工作耗时长、工作量大的问题，提出了注意力机制与U‑Net模型相结合的模型；针对占比小的孔隙的定量表征结果不准确的问题，提出了基于脉冲编码调制的孔隙结构定量表征方法。使用注意力机制与U‑Net模型相结合的模型对页岩扫描电镜图像进行孔隙识别，然后对孔隙识别结果用基于脉冲编码调制的孔隙结构定量表征方法进行定量表征。本发明提出的方法可以大大提高孔隙识别的效率与孔隙结构定量表征的准确度。

技术领域

本发明属于地球物理技术领域，尤其涉及融合注意力机制的孔隙结构精准识别和定量表征方法。

背景技术

深度学习的概念于2006年提出，可作用于图像、声音和文本等多种数据处理领域。近年来，深度学习在地质领域的应用和探索日益广泛和深入，在地质图像特征提取、特定对象识别及预测方面有着广阔的应用前景。扫描电镜(SEM)是页岩高精度观察的基本手段，扫描电镜观察和图像分析传统上都是由人工进行，工作耗时长、工作量大，同时研究结果也受制于研究者的经验，图像分析主观性强、不确定因素大，定量化研究比较薄弱。JMicroVision、AdobePhotoshop等通用图像处理软件虽然可以用来协助图像研究，但不适用于页岩样本图像大批量处理和自动分析。深度学习模型可以用来实现对页岩扫描电镜图像中孔隙信息的快速识别，在高性能计算机的支持下甚至可以实现扫描电镜图像的实时定量分析，将极大地提高图像研究的效率。目前已有采用深度学习方法来对页岩扫描电镜图像进行孔隙识别，但现有方法存在识别电镜图像孔隙的精度低、容易将一种类型的孔隙识别成多种类型的问题，难以满足孔隙结构分析需求。此外，对孔隙结构进行定量表征时，受表征结果图像分辨率的影响，若某些孔隙的体积、数量占比比较小时，或者存在某些类型的孔隙占比差距较大时，就难以准确地对孔隙结构进行表征。

发明内容

针对现有技术存在的问题，本发明提出融合注意力机制的孔隙结构精准识别和定量表征方法。融合注意力机制的孔隙结构精准识别是指将注意力机制与U-Net模型相结合，在U-Net的模型的左侧编码部分和右侧解码部分之间添加注意力机制模型ECA-Net，这就是用于孔隙识别的模型架构，再将该模型用于孔隙识别。定量表征方法是指将识别出来的孔隙结构信息采用基于脉冲编码调制的孔隙结构定量表征方法进行定量表征。

融合注意力机制的孔隙结构精准识别和定量表征方法，步骤如下：

步骤S1、使用将注意力机制与U-Net模型相结合的模型对页岩扫描电镜图像进行孔隙识别；

步骤S2、将识别出来的孔隙分类为有机孔、无机孔和微裂缝；

步骤S3、使用基于脉冲编码调制的孔隙结构定量表征方法将对识别出来的孔隙机进行定量表征。

进一步的技术方案是，所述步骤S1包括步骤如下步骤：

步骤S11、收集整理好一定数量的包含有机孔、无机孔和微裂缝三种类型孔隙的页岩扫描电镜图，使用labelme软件将图像中所包含的有机孔、无机孔和微裂缝分别标记为绿色、红色和黄色，标记完一张图像后会生成一个标记文件；

步骤S12、将所有标记文件转化为标签图像文件，得到一个初始的页岩扫描电镜图像数据集；

步骤S13、将数据集进行数据增强，具体操作是对电镜图像就行反转、平移和加噪声，对标签图像也进行同样的操作；

步骤S14、将数据集按照4：1的比例划分为训练集和验证集，训练集和验证集中都需要包含有机孔、无机孔和微裂缝三种孔隙类型的样本信息；