饒 溯 賈建忠

（中海石油國際能源服務(wù)（北京）有限公司 北京 100028）

1 引言

生物是全球碳循環(huán)的中轉(zhuǎn)站，生物不但可以用于確定地層年代、反映古環(huán)境，還能改變環(huán)境，形成有利于有機質(zhì)富集的條件。古生物分析作為油氣勘探中的重要一環(huán)，通過古生物化石圖片的識別既可以厘定地層年代和沉積環(huán)境，也可以判斷烴源巖沉積期的有機質(zhì)富集條件。生物的演化與油氣生成關(guān)系較為密切，主要原因是烴源巖供烴與當(dāng)時生物大量繁殖有關(guān)。而有孔蟲的識別在海相油氣勘探中廣闊的應(yīng)用前景，它可反應(yīng)水深、海平面、溫度、古氣候的變化和當(dāng)時的氧化還原條件。

目前，油氣勘探領(lǐng)域古生物人才較少，而且通常人工鑒別方法工作效率低下。對于鉆井?dāng)?shù)量龐大的實驗室鑒定人員來說，任務(wù)較為繁重。20 世80 年代末期，國內(nèi)外對于基于知識圖譜的專家識別系統(tǒng)開展了相應(yīng)的研究［1～2］。21 世紀(jì)初，機器學(xué)習(xí)方法例如多元統(tǒng)計分析、決策樹、人工神經(jīng)網(wǎng)絡(luò)等也用于化石鑒定和分析［3～8］。隨著計算機硬件技術(shù)和大數(shù)據(jù)分析技術(shù)的快速發(fā)展，基于卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)技術(shù)已逐漸成為古生物識別的主流方法［9～10］。

基于圖像處理方法和深度學(xué)習(xí)技術(shù)，建立一項古生物化石智能化識別方法，對樣本進行分類，其分類準(zhǔn)確率較高。該項識別方法在油氣勘探領(lǐng)域具有較強的實用價值和推廣前景。

2 方法簡介

為了保證古生物化石的識別精度，采用了圖像形態(tài)學(xué)方法、去霧處理方法、圖像常規(guī)處理方法來提高深度學(xué)習(xí)訓(xùn)練模型的準(zhǔn)確率。

2.1 圖像形態(tài)學(xué)方法

圖像形態(tài)學(xué)方法是以圖像的形態(tài)特征為研究對象，通過腐蝕、膨脹、開運算和閉運算去度量和提取圖像的基本特征和結(jié)構(gòu)元素［11］。

假設(shè)f(x)和g(x)為定義在二維離散空間F 和G 上的兩個函數(shù)，其中f(x)為輸入圖片，g(x)為結(jié)構(gòu)元素，則可定義f(x)關(guān)于g(x)的腐蝕和膨脹如下所示：

先進行腐蝕再膨脹可稱開運算，它通?？捎糜谌コ肼?；先進行膨脹再腐蝕可稱閉運算，它通?？捎糜谔畛鋱D像上的空白小洞及小點?？啥xf(x)關(guān)于g(x)的開運算和閉運算如下所示：

對于收集古生物圖片的上可以存在多個古生物化石樣本，需對其單個古生物化石樣本定位，可先通過微分算子檢測出其邊緣和骨架，再依次對其進行閉運算形態(tài)學(xué)操作，即先膨脹再腐蝕后獲得單個古生物化石樣本圖片的位置坐標(biāo)，最后可根據(jù)坐標(biāo)的最大最小值拆剪圖片，即獲得單個古生物圖片。

2.2 去霧處理方法

去霧處理方法認(rèn)為在無霧圖像上每一個局部區(qū)域都很有可能會有一些暗通道，一旦圖像受到霧的影響，那么暗通道就變得灰白，通過估計霧的濃度來識別物體，可還原圖像的顏色和能見度［12］。

對于任意圖像G，可定義其暗通道如下所示：

其中，Gc為圖像G 的R、G、B 顏色通道，Ω(x)為像素x上的一個矩形窗，Gdark→0。

式（5）表示計算出圖像G 的R、G、B 分量中最小值，將最小值存入一幅與原始圖片大小相同的灰度圖中，然后對該幅灰度圖進行最小值濾波。

去霧方法公式可定義為

其中，J(x)為去霧后圖像，I(x)為待去霧圖像，A為已知的大氣光值，t(x) 為透射率，t0為閾值，取t0=1。

透射率t(x)的取值方法如式（7）所示：

其中，ω為權(quán)重因子，保留實際圖片上受粉塵顆粒影 響 產(chǎn) 生 的 霧，ω取 值 范 圍 為0～1 之 間，取ω=0.95。

2.3 圖像常規(guī)處理方法

本文研究中，圖像常規(guī)處理方法是特指圖像邊緣擴充處理、圖像旋轉(zhuǎn)處理、圖像縮放處理、圖像加噪處理。

1）圖像邊緣擴充處理。在對古生物圖片定位、圖片進行旋轉(zhuǎn)和圖片卷積運算之前，需先對原始圖片進行擴邊處理，相當(dāng)于在圖片周圍創(chuàng)建有一定寬度的邊，并在邊上填充像素零值。

2）圖像旋轉(zhuǎn)處理。由于在鏡下觀察和拍照角度不同，故需對原始樣本圖片進行多角度的旋轉(zhuǎn)處理。

3）圖像縮放處理。考慮到收集到古生物化石樣本圖片像素大小有一定的差異，通過水平和垂直縮放系數(shù)來調(diào)整圖片像素。

4）圖像加噪處理。古生物樣本圖片不可忽略有噪聲的存在，本文對樣本圖片增加了高斯白噪聲。

2.4 深度學(xué)習(xí)VGG16架構(gòu)

深度學(xué)習(xí)是指具有深層次網(wǎng)絡(luò)結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)，它模仿神經(jīng)系統(tǒng)的層次結(jié)構(gòu)，低層次表示細(xì)節(jié)特征，高層次表示更抽象的屬性類別或結(jié)構(gòu)特征，以便挖掘和學(xué)習(xí)數(shù)據(jù)的本質(zhì)信息。

目前，典型深度學(xué)習(xí)網(wǎng)絡(luò)結(jié)構(gòu)主要包括卷積神經(jīng)網(wǎng)絡(luò)、循環(huán)神經(jīng)網(wǎng)絡(luò)和遞歸神經(jīng)網(wǎng)絡(luò)。其中卷積神經(jīng)網(wǎng)絡(luò)的設(shè)計靈感來源于感受野認(rèn)知模型，為專門識別二維信號尤其是圖像而設(shè)計的網(wǎng)格模型，通過局部二維濾波器保持并提取圖像的局部空間特征。

本文研究是基于深度學(xué)習(xí)VGG16 架構(gòu)進行古生物圖片的識別，如圖1所示。深度學(xué)習(xí)VGG16架構(gòu)是一個用于大規(guī)模圖像分類與識別的深層次卷積神經(jīng)網(wǎng)絡(luò)［13～15］，該網(wǎng)絡(luò)由輸入層、13 個卷積層、ReLU 激活函數(shù)、池化層、3 個全連接層、Softmax 分類器組成。

圖1 深度學(xué)習(xí)VGG16架構(gòu)的參數(shù)設(shè)置示意圖

3 方法的技術(shù)流程

基于文中闡述圖像處理領(lǐng)域的一系列方法和深度學(xué)習(xí)技術(shù)建立了一項古生物智能化識別方法，該方法如圖2所示。該方法主要包括以下幾項內(nèi)容：

圖2 古生物智能化識別方法的技術(shù)流程圖

1）對于一張圖片上有多個古生物化石樣本，通過圖像擴邊處理和形態(tài)學(xué)方法閉運算定位出各個古生物化石樣本的角點坐標(biāo)。

2）對于彩色、白色、灰色背景的古生物化石樣本圖片，通過形態(tài)學(xué)閉運算和去霧算法將不同背景色圖片轉(zhuǎn)成背景純色圖片。

3）對獲得單個古生物化石樣本圖片進行N 個角度旋轉(zhuǎn)、M個系數(shù)縮放和高斯加白噪聲處理。

4）選取訓(xùn)練集樣本和測試集樣本，使用VGG16架構(gòu)對訓(xùn)練集樣本進行訓(xùn)練。

4 方法的應(yīng)用

本文研究中，如圖3 所示，共收集到種一級Globoquadrina dehiscens、Globorotalia fohsi、Globorotalia menardii 三類單個古生物化石樣本圖片共計384張。

圖3 三類單個古生物化石樣本圖片數(shù)量統(tǒng)計圖

對于多個古生物在同一張圖片，如圖4 所示，采用文中所述圖像形態(tài)學(xué)方法可以定位古生物化石樣本的位置。如圖6 所示，對于含有彩色、白色、灰色背景的樣本圖片，可將樣本圖片都?xì)w一化成黑色背景。

圖4 單個古生物化石樣本的定位

圖5 不同色差的單個古生物化石樣本圖片

圖6 同色背景的單個古生物化石樣本圖片

對于384 張古生物化石樣本圖片，通過圖像擴邊處理、角度旋轉(zhuǎn)、系數(shù)縮放，樣本總數(shù)擴充了32倍，即12288張古生物圖片樣本。如圖7所示，第一行圖片為旋轉(zhuǎn)后圖片，第二行圖片為縮放后圖片，第三行圖片為不加噪聲和家噪聲圖片。

圖7 擴充后的單個古生物化石樣本圖片

選取最終樣本圖片中的90% 作為訓(xùn)練集，另外10%的圖片作為測試集。如圖8 和圖9 所示，模型誤差和準(zhǔn)確率分別隨著模型訓(xùn)練的迭代次數(shù)增加而減小。在迭代次數(shù)約20 次左右時，訓(xùn)練模型不容易過擬合，測試集也有較高的準(zhǔn)確率，準(zhǔn)確率可達92%以上。即本文提出的古生物化石智能化識別方法的識別率可高達92%以上，可推廣至輸入更多類古生物化石樣本進行方法試驗并應(yīng)用。

圖8 模型誤差隨迭代次數(shù)的變化

圖9 準(zhǔn)確率隨迭代次數(shù)的變化

5 結(jié)語

本文建立了一套古生物化石智能化識別方法，以種一級Globoquadrina dehiscens、Globorotalia fohsi、Globorotalia menardii三類古生物樣為例，來訓(xùn)練學(xué)習(xí)模型，并對該類別的古生物進行識別，其識別率較高，可用于古生物化石的鑒定工作。該方法的優(yōu)點和不足可以概括為以下幾點：

1）該方法可減少古生物專業(yè)人員的重復(fù)性工作，提高工作效率。

2）該方法可減少鑒定過程中不同古生物專業(yè)人員的主觀性。

3）該方法不同于知識圖譜的專家系統(tǒng)識別方法，它不用花大量時間用于建立古生物特征識別知識庫。

4）該方法有助于建立可靠的地質(zhì)年代標(biāo)尺，可以厘定地層年代和沉積環(huán)境和判斷烴源巖沉積期的有機質(zhì)富集條件。

5）采用ResNet，AlexNet，Inception等卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)以及部分架構(gòu)的變種，都可能進一步提高識別的準(zhǔn)確率。

6）不同種屬的古生物化石樣本標(biāo)注仍需耗費古生物專業(yè)人員大量的工作時間，且需在平時工作中不斷收集和補充樣本。

7）如果加入訓(xùn)練集的樣本類別過多，由于數(shù)據(jù)擾動，可能會對識別率有所影響。

8）該方法要求加入訓(xùn)練集中不同種屬的古生物化化石樣本數(shù)量必須是均衡的。

9）相比與傳統(tǒng)機器學(xué)習(xí)和統(tǒng)計學(xué)定量分析古生物化石樣本，深度學(xué)習(xí)原理仍缺乏解釋性。