王 慶,曾齊紅,張友焱,邵燕林,魏 薇,鄧 帆

(1.長江大學(xué)地球科學(xué)學(xué)院，湖北 武漢 430100；2.中國石油勘探開發(fā)研究院，北京 100083)

0 引 言

碳酸鹽巖儲層解釋與評價的一個重要內(nèi)容是確定其孔隙空間特征，定量識別碳酸鹽巖中裂縫和孔洞的分布狀況及其內(nèi)部的幾何結(jié)構(gòu)對儲層評價具有重要意義。傳統(tǒng)上儲層的孔隙空間特征是通過鉆井和地震資料獲取，孔洞提取方法是利用薄片觀察或者巖心CT掃描等技術(shù)，通過樣品從儲層內(nèi)部精細(xì)、微觀地刻畫洞縫信息。而野外地質(zhì)露頭是鉆井和地震的橋梁，其作為地下儲層的類似體具有直觀性的特點(diǎn)[1-2]?；谝巴獾刭|(zhì)露頭的孔隙空間特征描述可以作為上述微觀孔洞和地震宏觀孔洞的有效補(bǔ)充。目前露頭研究通常是現(xiàn)場調(diào)查和手工繪制，基于激光掃描的數(shù)字露頭技術(shù)可以實現(xiàn)精細(xì)、定量和仿真露頭研究，在數(shù)字露頭上研究圖像縫洞自動識別能夠提升工作效率并實現(xiàn)定量化，同時在縫洞結(jié)構(gòu)識別后，結(jié)合露頭地質(zhì)特征(構(gòu)造、沉積、成巖)明確孔洞成因類型與發(fā)育規(guī)律，為區(qū)域地質(zhì)勘探過程中儲層預(yù)測提供依據(jù)。因此，如何利用數(shù)字圖像識別技術(shù)來完成露頭區(qū)的縫洞自動識別是一項具有實際意義的課題。

自Meger和Becher于1990年使用圖像分割技術(shù)獲取成像測井圖像孔洞面元及其分布等特征參數(shù)，圖像處理技術(shù)開始應(yīng)用于測井成像資料縫孔洞的自動識別[3]，國內(nèi)外學(xué)者已廣泛采用閾值分割[4-6]、邊緣提取[7-8]、機(jī)器學(xué)習(xí)[9-12]等方法實現(xiàn)測井成像資料縫洞的自動識別，但野外露頭由于受自然條件影響很大，比如光照差異、巖石本身的破碎、風(fēng)化等，傳統(tǒng)的圖像自動識別的方法難度很大，因此在露頭縫洞識別上目前主要還是以人工識別方法為主[13]。近年來，深度學(xué)習(xí)算法在人工智能領(lǐng)域興起，已在計算機(jī)視覺、語音識別、語義識別、強(qiáng)化學(xué)習(xí)等領(lǐng)域取得很大成功，促進(jìn)了人工智能的飛速發(fā)展，其中基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)的目標(biāo)識別在自然圖像應(yīng)用中取得突破。目前基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測包含兩大類方法。第一種是基于區(qū)域建議的方法，它的核心思想是通過候選區(qū)域預(yù)先找出待檢測圖像中目標(biāo)可能出現(xiàn)的位置，該方法主要包括SPP-NET[14]、Fast-RCNN[15]、Faster-RCNN[16]、R-FCN[17]，Mask-RCNN[18]等算法。第二種是基于回歸的方法，對于目標(biāo)的位置和類別采用回歸運(yùn)算的方法，直接在卷積神經(jīng)網(wǎng)絡(luò)中通過回歸得到目標(biāo)的位置和目標(biāo)的類別。主要包括YOLO[19]、SSD[20]等算法?？傮w來說第一種方法精度較高，第二種方法速度較快。本文對Mask-RCNN進(jìn)行改進(jìn)，提出一種基于多尺度的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)孔洞檢測新方法，并通過實驗與現(xiàn)有的幾種常用的孔洞識別方法進(jìn)行比較；然后根據(jù)該方法孔洞提取結(jié)果計算洞數(shù)量、面孔率和洞面積均值三個孔洞特征參數(shù)，以人工提取結(jié)果為參照，評估孔洞特征參數(shù)提取的準(zhǔn)確度；最后將本文提出的方法以峨邊先鋒燈二段的野外露頭為例，進(jìn)行露頭剖面的孔洞自動識別，并分層計算孔洞參數(shù)，定量分析其分布特征。

1 多尺度區(qū)域卷積神經(jīng)網(wǎng)絡(luò)孔洞檢測方法

卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的圖像特征提取能力，其應(yīng)用于圖像目標(biāo)檢測領(lǐng)域后，從R-CNN發(fā)展到Fast-RCNN，然后發(fā)展到Faster-RCNN，使得深度學(xué)習(xí)在圖像目標(biāo)檢測領(lǐng)域的應(yīng)用取得突破性的進(jìn)展，但是它們只能檢測到圖片里是否有對象，把有對象的地方用矩形框標(biāo)記出來，沒有將對象分割出來。而Mask-RCNN通過在Faster-RCNN的基礎(chǔ)上添加一個分支網(wǎng)絡(luò)，在實現(xiàn)目標(biāo)檢測的同時，把目標(biāo)像素分割出來。

1.1 Mask-RCNN

Mask-RCNN是一種可達(dá)像素級實例分割的深度學(xué)習(xí)模型，它的檢測流程主要包含三個步驟：(1)通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提??；(2)通過區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network, RPN)提取建議區(qū)；(3)分類和回歸，精確預(yù)測目標(biāo)的位置和類別。Mask-RCNN模型框架如圖1所示，其中共享卷積層就是CNN去掉全連接層和輸出層剩下的部分，主要作用是特征提取并得到特征圖。本文選用ResNet-101[21]結(jié)構(gòu)作為共享卷積層；區(qū)域建議網(wǎng)絡(luò)是只包含卷積層的全卷積神經(jīng)網(wǎng)絡(luò)，它在最終的卷積特征層上利用K個不同的矩形框預(yù)測目標(biāo)可能的位置提取候選矩形框；建議區(qū)對齊層(Region of Interest Alignment, ROIAlign)通過雙線性內(nèi)插和池化的方法從每個建議區(qū)中提取大小一致的特征圖。在訓(xùn)練時，Mask-RCNN模型的多任務(wù)損失函數(shù)由三個部分組成。

圖1 Mask-RCNN框架

(1)

1.2 多尺度輸入改進(jìn)

碳酸鹽巖縫洞型儲集空間按形態(tài)和規(guī)?？煞譃槿芸p、溶孔、溶洞和洞穴4種類型，它們構(gòu)成了尺度差異大、規(guī)模巨大的特殊儲集體。在野外露頭中主要是溶洞以上的中大尺度的孔洞表現(xiàn)，其直徑從毫米級到米級不等、尺度跨度很大，因此我們的模型必須具有多尺度對象識別的能力。卷積神經(jīng)網(wǎng)絡(luò)對目標(biāo)大小的識別能力主要由卷積核的感受視野和卷積層的層數(shù)決定，卷積層層數(shù)越多抽象能力越強(qiáng)，更容易識別復(fù)雜的目標(biāo)，但同時可能會丟失小的簡單目標(biāo)，Mask-RCNN模型通過特征金字塔解決了卷積層層數(shù)的多尺度問題，而本文為了進(jìn)一步提高M(jìn)ask-RCNN在實際露頭孔洞檢測的準(zhǔn)確度，提出一種多尺度輸入的方法對Mask-RCNN進(jìn)行改進(jìn)，主要思路是在不改變卷積核大小的情況，通過改變輸入圖片的大小，使得卷積核的相對感受視野發(fā)生改變，原理類似于人眼識別圖片中目標(biāo)，縮小時有利于識別較大尺寸的孔洞，而放大時有利于識別較小尺寸的孔洞。具體實現(xiàn)方法是：對于輸入圖片不同程度的放大和縮小，得到多種尺度的圖片，分別經(jīng)過共享卷積層和RPN得到不同尺度的建議區(qū)，這些建議區(qū)經(jīng)過ROIAlign時進(jìn)行大小還原操作，最后合并在一起再按照Mask-RCNN剩下的步驟去檢測，如圖2所示。對原始Mask-RCNN檢測流程中發(fā)生改進(jìn)的位置我們用紅色框標(biāo)注。由于三種尺度圖片在訓(xùn)練和檢測模型網(wǎng)絡(luò)參數(shù)都是共享的，沒有增加整個模型參數(shù)量，因此當(dāng)計算機(jī)性能可以滿足模型運(yùn)行時，就不會明顯增加運(yùn)算時間，但對于孔洞檢測尺度跨度會明顯提高。

圖2 Mask-RCNN多尺度輸入改進(jìn)

2 露頭孔洞自動提取方法實驗

本節(jié)使用上節(jié)設(shè)計的多尺度區(qū)域卷積神經(jīng)網(wǎng)絡(luò)模型，對野外露頭剖面影像進(jìn)行孔洞的提取實驗，與傳統(tǒng)圖像識別的方法比較，驗證模型的先進(jìn)性。

2.1 實驗環(huán)境

對于深度卷積神經(jīng)網(wǎng)絡(luò)模型，通常包含大量的網(wǎng)絡(luò)參數(shù)，這需要大量的訓(xùn)練樣本才能有效地訓(xùn)練模型，但在實際應(yīng)用中很難獲取大量的訓(xùn)練樣本，在深度學(xué)習(xí)領(lǐng)域中通常用遷移學(xué)習(xí)的方法解決這個問題，即用公開數(shù)據(jù)集對模型參數(shù)初始化，再用自建的小數(shù)據(jù)集進(jìn)一步微調(diào)模型，這種訓(xùn)練方式已經(jīng)被證明是有效的[22]。在本文中，使用微軟發(fā)布的Microsoft COCO作為預(yù)訓(xùn)練數(shù)據(jù)集，該數(shù)據(jù)集包含約30多萬張圖片、200多萬個物體被標(biāo)注、分為91個類型，每一類物體的圖片包含精確的分割信息，是目前每張圖片平均包含目標(biāo)數(shù)最多的數(shù)據(jù)集[23]，通過該數(shù)據(jù)集訓(xùn)練原始的Mask-RCNN，將訓(xùn)練后的模型參數(shù)對本文模型中相同的部分進(jìn)行初始化，然后再用自己制作的孔洞數(shù)據(jù)集繼續(xù)訓(xùn)練，這樣可以實現(xiàn)遷移學(xué)習(xí)，解決樣本不足的問題。

2.2 數(shù)據(jù)準(zhǔn)備

本次實驗數(shù)據(jù)選用高分辨率數(shù)碼相機(jī)賓得645D拍攝的峨邊先鋒燈二段高清相片，影像的分辨率為2 mm，大小為800 mm×800 mm。然后通過一款開源的圖像標(biāo)注工具VGG Image Annotator制作樣本集[24]，共采集189個孔洞作為訓(xùn)練樣本，另外選擇選取2個區(qū)域，大小同樣為800 mm×800 mm進(jìn)行準(zhǔn)確度分析。

洞縫識別和表征基于不同的方法，不同的方法能夠識別和表征的洞縫大小也存在差異?；跀?shù)字露頭的孔洞識別能力與原始數(shù)據(jù)的分辨率和識別方法有關(guān)，本文采用的影像的分辨率為2 mm，對于基于區(qū)域卷神經(jīng)網(wǎng)絡(luò)的實例分割方法，是以面要素為檢測結(jié)果，因此該最小檢測單元直徑是2個像素，能檢測的最小孔洞尺寸為4 mm。綜上所述本文實驗中能分辨的儲集空間類型主要是以溶洞為主。

2.3 孔洞提取實驗

對于模型中的多尺度輸入，我們將原始圖片縮放為三種比例，分別是0.5、1、2，(數(shù)字表示相對于原圖的大小比例)，在訓(xùn)練和檢測的時候都按照這三種尺度輸入，模型的其他主要參數(shù)設(shè)置為：結(jié)合本次實驗孔洞尺寸的主要范圍，設(shè)置RPN預(yù)測窗口大小{82，162，322，642，1282}；非極大值抑制閾值0.7；采用SGD結(jié)合動量的優(yōu)化方法：動量0.9，網(wǎng)絡(luò)訓(xùn)練第一部分(固定ResNet101權(quán)重，訓(xùn)練其他網(wǎng)絡(luò)參數(shù))學(xué)習(xí)率0.001，訓(xùn)練批次設(shè)置為100；網(wǎng)絡(luò)訓(xùn)練第二部分(訓(xùn)練所有網(wǎng)絡(luò)層參數(shù))學(xué)習(xí)率0.000 1，訓(xùn)練批次設(shè)置為100；網(wǎng)絡(luò)正則化權(quán)重衰減系數(shù)0.000 1；多任務(wù)損失權(quán)重系數(shù)均為1。

2.3.1 與其他方法的對比實驗

為了檢驗?zāi)Ｐ偷淖兓瘷z測效果，與傳統(tǒng)的孔洞檢測方法進(jìn)行了對比實驗。在圖像中孔洞的特征是色調(diào)上呈暗色調(diào)，傳統(tǒng)方法一般采用二值化分割或者機(jī)器學(xué)習(xí)將孔洞和背景分離。本文選用OSTU分割法、分水嶺分割法、BP神經(jīng)網(wǎng)絡(luò)法以及支持向量機(jī)法與本文提出的模型進(jìn)行對比實驗。其中OSTU分割法、分水嶺分割法首先需要將彩色圖像灰度化，本文采用加權(quán)平均法將原始RGB圖像灰度化，然后分別使用OSTU、分水嶺方法進(jìn)行二值分割。BP神經(jīng)網(wǎng)絡(luò)法、支持向量機(jī)法屬于監(jiān)督分類法，本文從圖3的紅色區(qū)域中均勻選取了訓(xùn)練樣本89 712個像元(其中孔洞樣本33 218，非孔洞樣本56 494)，測試樣本28 267個像元(孔洞樣本15 743，非孔洞樣本12 524)。BP神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)為輸入層神經(jīng)元為3，輸出層神經(jīng)元為2，隱層共3層，神經(jīng)元數(shù)量為30；支持向量機(jī)法采用高斯徑向基函數(shù)，利用網(wǎng)格搜索和交叉驗證進(jìn)行參數(shù)優(yōu)化，得到的最優(yōu)參數(shù)為懲罰因子C=1.527,核函數(shù)參數(shù)g=0.136。精度評價指標(biāo)采用機(jī)器學(xué)習(xí)中二分類的精度評價指標(biāo)，包括精準(zhǔn)率、召回率、準(zhǔn)確率、F1-Score 4個指標(biāo)[25]。

圖3 實驗區(qū)域一孔洞檢測結(jié)果

選擇兩個實驗區(qū)域進(jìn)行結(jié)果的比較，圖3是實驗區(qū)域一的檢測結(jié)果，從圖3中可以直觀看到傳統(tǒng)方法很難將圖中下方的由于巖石破碎造成的陰影與真實的孔洞區(qū)分開來。圖4是實驗區(qū)域二的檢測結(jié)果，圖4中可以直觀看到傳統(tǒng)方法很難將圖中巖石的陰影與真實的孔洞區(qū)分開來。而Mask-RCNN明顯提高了這方面檢測精度，精準(zhǔn)率比傳統(tǒng)方法要明顯提高，但還是容易漏檢一些尺寸較小的孔洞。在經(jīng)過本文的多尺度輸入改進(jìn)之后，召回率明顯提升。兩個實驗不同方法檢測結(jié)果的精度評價結(jié)果分別如表1、表2所示。從兩個實驗的結(jié)果來看，本文提出方法的精度指標(biāo)總體上要強(qiáng)于其他方法。傳統(tǒng)方法只考慮像元的亮度特征，很難將圖片中的陰影、縫隙和孔洞區(qū)別開來；而本文的方法是基于區(qū)域的，考慮了目標(biāo)的幾何、紋理、空間關(guān)系特征，可以將它們區(qū)分開來。本文在Mask-RCNN基礎(chǔ)上進(jìn)一步改進(jìn)之后不僅可以達(dá)到像元級的檢測精度，而且可以避免傳統(tǒng)基于像元方法的弊端。

圖4 實驗區(qū)域二孔洞檢測結(jié)果

表1 實驗區(qū)域一孔洞檢測結(jié)果精度對比

表2 實驗區(qū)域二孔洞檢測結(jié)果精度對比

2.3.2 孔洞特征參數(shù)提取與準(zhǔn)確度驗證

為了進(jìn)一步驗證方法的有效性，在提取孔洞之后，選取洞數(shù)量、面孔率和洞面積均值三個特征參數(shù)，比較模型檢測和人工檢測統(tǒng)計特征參數(shù)結(jié)果的差異。和傳統(tǒng)方法不同的是，本文的方法是一種基于像素的實例分割方法，可以直接得到的每個洞的要素對象，不需要再進(jìn)行邊緣提取，特征參數(shù)的統(tǒng)計更為簡單。實驗區(qū)域一特征參數(shù)結(jié)果為：洞數(shù)量28個、面孔率0.95%、洞面積均值224.1 mm2；實驗區(qū)域二特征參數(shù)結(jié)果為：洞數(shù)量43個、面孔率0.88%、洞面積均值131.69 mm2。模型檢測的結(jié)果與人工檢測結(jié)果比較如表3所示?？梢钥吹蕉磾?shù)量準(zhǔn)確度在88%以上，面孔率準(zhǔn)確度在93%以上，洞面積均值準(zhǔn)確度在93%以上。另外對洞面積分布進(jìn)行直方圖統(tǒng)計，圖5是實驗區(qū)域模型檢測結(jié)果與人工結(jié)果比較，從圖5看出，模型檢測與人工檢測結(jié)果在洞面積分布上也是基本吻合。

圖5 實驗區(qū)域洞面積直方圖分布結(jié)果對比

表3 實驗區(qū)域孔洞特征參數(shù)結(jié)果對比

3 峨邊先鋒燈二段露頭孔洞提取與分布

本節(jié)將多尺度區(qū)域卷積神經(jīng)網(wǎng)絡(luò)方法應(yīng)用于峨邊先鋒燈二段露頭孔洞提取與分布的定量表征。

3.1 露頭剖面概況

自然環(huán)境及風(fēng)化淋濾等都是野外地質(zhì)露頭研究的影像因素，為了減少影響，選擇風(fēng)化較小、無植被覆蓋的燈影組先鋒剖面作為研究對象。

燈影組先鋒剖面位于四川盆地西南邊緣峨邊彝族自治縣先鋒村，剖面長約45 m，高約10 m；構(gòu)造上位于尖刀背斜北翼，內(nèi)部構(gòu)造簡單；主要出露地層為燈影組燈二段中部。

本次實驗采用奧地利Riegl-vz400激光掃描儀獲取露頭三維點(diǎn)云；賓得645D高分辨率數(shù)碼相機(jī)獲取露頭的高精度紋理影像。通過建立點(diǎn)云數(shù)據(jù)的不規(guī)則三角網(wǎng)模型，并融合高精度紋理影像，形成具有真實紋理的地質(zhì)露頭仿真模型(圖6)。在野外地質(zhì)調(diào)查基礎(chǔ)上，結(jié)合圖像特征，可將露頭模型劃分成4 個小層(編號17、18、19、20)。17 號層為藻屑灘，厚層狀藻云巖；18 號層為云坪沉積，中厚層狀藻云巖與灰黑色藻云巖不等厚互層；19-20 號層為藻屑灘，厚層狀藻云巖。

圖6 燈二段剖面數(shù)字露頭模型

3.2 露頭孔洞提取與參數(shù)表征

本文提出的模型理論上可以處理任意大小的圖片，但是受到計算機(jī)軟硬件條件的限制，我們訓(xùn)練和檢測的圖片大小設(shè)置為800×800 mm，因此在對露頭剖面影像檢測時每次處理影像的范圍是800 mm×800 mm，為了避免邊界處的漏檢，相鄰檢測范圍之間設(shè)置一定的比例重疊(本文設(shè)置的是30%)；因此我們以560 mm的步長移動這個矩形范圍來檢測整個剖面數(shù)據(jù)?？锥刺崛〗Y(jié)果見圖7。提取孔洞之后，再依據(jù)4個小層范圍定量計算每層的孔洞參數(shù)。表4是孔洞特征參數(shù)統(tǒng)計結(jié)果。

圖7 燈二段露頭孔洞自動提取結(jié)果

表4 燈二段孔洞參數(shù)表征

3.3 孔洞分布特征

峨邊先鋒剖面燈二段孔洞分布特征：17-20小層洞面孔率在0.56%～0.76%之間，20 層的面孔率最大，為0.76%，17 層的面孔率最小，為0.56%?？锥窗l(fā)育密度在15～26個/m2之間，17、18 層的小溶洞較多，孔洞平均面積小、空間分布較為密集；19、20 層的大溶洞較多，平均面積大、空間分布較為稀疏。20層最大洞面積為21 902 mm2，洞面積中值為162 mm2，最大洞周長為841.29 mm，洞周長中值為51.31 mm，20層孔洞特征成因是其靠近頂部層間風(fēng)化殼。

4 總 結(jié)

露頭是沉積儲層地質(zhì)學(xué)研究最直觀、最真實、最詳細(xì)的資料。本文基于數(shù)字露頭的高精度剖面影像數(shù)據(jù)，提出了基于多尺度的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)孔洞檢測新方法，并采用該方法對峨邊先鋒燈二段剖面進(jìn)行孔洞自動提取與參數(shù)表征。通過本文的研究，取得的成果及認(rèn)識如下。

(1)提出了一種基于多尺度的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)露頭孔洞檢測方法，在一定程度上可替代傳統(tǒng)的人工提取方式，實現(xiàn)露頭孔洞自動化提取，且方法相比傳統(tǒng)圖像識別方法，提高了檢測準(zhǔn)確度。

(2)基于本文提出的方法，開展了峨邊先鋒燈二段剖面碳酸鹽巖孔洞自動提取，并分層進(jìn)行孔洞參數(shù)的定量表征與統(tǒng)計，得到了該剖面碳酸鹽巖儲層定量表征結(jié)果，為該剖面上碳酸鹽巖儲層評價提供了依據(jù)。

(3)本文提出的方法是一種實例分割方法，和傳統(tǒng)圖像處理方法不同，不需要邊緣提取等后處理工作，因此孔洞參數(shù)的定量表征與統(tǒng)計過程的自動化程度更高。

野外露頭的孔洞信息可作為薄片觀察或者巖心CT掃描微觀孔洞信息和地震宏觀孔洞信息的有效補(bǔ)充，采用深度學(xué)習(xí)方法在孔洞提取領(lǐng)域具有巨大的潛力和空間。對于裸露程度較好的露頭剖面可以采用本文提出的方法進(jìn)行自動化的提取，但是由于野外露頭受自然條件影響很大，為了提高該方法的適用性，還需要建立更豐富的不同類型的孔洞樣本庫，這也是下一步研究工作的重點(diǎn)，同時還需要進(jìn)一步深化露頭孔洞檢測的準(zhǔn)確度評估方法，以推動野外露頭解譯向定量化、自動化、智能化方向發(fā)展。