電阻率測井成像圖井壁裂縫智能識別與分割方法

夏文鶴，朱喆昊，韓玉嬌，楊燚愷，林永學(xué)，吳雄軍

（1. 西南石油大學(xué)電氣信息學(xué)院，四川成都 610500；2. 中國石化石油工程技術(shù)研究院，北京 102200）

0 引言

測井工程一直以來在油氣勘探開發(fā)領(lǐng)域不可或缺，是油氣安全、高效、經(jīng)濟(jì)開發(fā)的保障。近年來，隨著大數(shù)據(jù)、人工智能、云計(jì)算等技術(shù)的快速發(fā)展［1］，油氣行業(yè)也逐漸開始推進(jìn)智能化測井的進(jìn)程［2］。結(jié)合大數(shù)據(jù)、人工智能等新興理論及技術(shù)，智能化測井技術(shù)有望實(shí)現(xiàn)復(fù)雜井況的準(zhǔn)確分析，有效促進(jìn)井筒穩(wěn)定性智能閉環(huán)調(diào)控［3-6］。在井筒穩(wěn)定性判斷過程中，井壁裂縫的分布、發(fā)育情況對判斷結(jié)果影響重大。而所有測井資料中，利用成像測井資料可以最直觀、有效地識別裂縫，故測井?dāng)?shù)據(jù)分析人員往往重點(diǎn)關(guān)注測井成像表征的裂縫狀況。目前利用測井成像進(jìn)行井壁裂縫識別的過程異常繁瑣，資料分析和研究過程耗費(fèi)巨大，往往伴隨著較大的時(shí)延，因此部分測井解釋專家嘗試借助人工智能的方式解決該問題。與傳統(tǒng)方法相比，成像圖中裂縫的智能拾取能有效減少人力消耗，快速提取裂縫區(qū)域并求取裂縫產(chǎn)狀。近年來，成像測井裂縫智能識別已成為測井解釋領(lǐng)域較熱門的發(fā)展方向［7-8］。李潮流等［9］提出了基于樣本塊的圖像填充算法，較為逼真地填補(bǔ)了電測井成像中空白條帶信息，使后續(xù)成像圖裂縫的智能識別方法具有可行性。閆建平等［10］根據(jù)裂縫在測井成像特征改進(jìn)了霍夫變換，通過二維霍夫變換與投票機(jī)制相結(jié)合的方式，完成了固定周期的正弦曲線裂縫的自動檢測拾取任務(wù)。王熊等［11］利用成像測井圖像紋理特征提取的統(tǒng)計(jì)方法，識別火成巖的不同結(jié)構(gòu)和構(gòu)造，為利用測井圖像紋理識別地層構(gòu)造提供了新的方向。

隨著計(jì)算機(jī)視覺技術(shù)的發(fā)展，研究人員開始結(jié)合圖像分割方法與數(shù)學(xué)模型識別井壁裂縫。張群會等［12］基于元胞自動機(jī)識別的圖像算法，提出成像測井裂縫自動識別的像素特征，建立了元胞自動機(jī)模型，初步實(shí)現(xiàn)了井壁裂縫圖像識別。Taiebi 等［13］在霍夫變換的基礎(chǔ)上引入方向?yàn)V波機(jī)制，由測井成像中提取裂縫。宋錦祥［14］結(jié)合圖像處理和知識推理技術(shù)模擬測井解釋專家的手工拾取過程，進(jìn)行裂縫的自動拾取和類別判斷，取得了與手工拾取較接近的結(jié)果。但上述研究方式大多以裂縫形態(tài)擬合線建立數(shù)學(xué)模型，從圖中只能識別裂縫區(qū)域的主體形態(tài)，且實(shí)現(xiàn)過程中往往需要進(jìn)行多次數(shù)據(jù)轉(zhuǎn)換，識別效率較低。另外，在實(shí)際鉆進(jìn)過程中，由于鉆頭、掉塊等擠壓摩擦井壁，裂縫的形狀不一定呈標(biāo)準(zhǔn)的正弦曲線形，總會存在模型無法擬合的不規(guī)則實(shí)際裂縫，因此基于建立數(shù)學(xué)模型識別裂縫區(qū)域的方法在實(shí)際應(yīng)用過程中效果欠佳，也難以用于其他類型井壁構(gòu)造的識別。

本研究嘗試?yán)糜?jì)算機(jī)視覺技術(shù)結(jié)合深度學(xué)習(xí)框架，創(chuàng)新構(gòu)建了電阻率測井成像圖裂縫智能識別和分割專有網(wǎng)絡(luò)模型，不僅標(biāo)注出裂縫區(qū)域大致的擬合線，而且智能識別出成像圖中井壁裂縫區(qū)域形態(tài)，在此基礎(chǔ)上，對完整區(qū)域進(jìn)行分割、標(biāo)注。在確保識別精度的前提下，大幅降低人工識別壁縫、洞的工作量，減少圖像分析研究耗時(shí)，有利于快速、準(zhǔn)確地判斷井筒、井壁穩(wěn)定性，為后續(xù)縫、洞構(gòu)造智能定量評價(jià)提供技術(shù)支撐。

1 多尺度特征融合裂縫識別網(wǎng)絡(luò)結(jié)構(gòu)

井筒可視為三維圓柱體，任一不與井軸垂直或平行的面與圓柱體相交的切面都是一個(gè)橢圓，井壁裂縫大多圍繞井眼周邊分布。本方法主要針對地層微電阻率掃描成像（Formation MicroScanner Image，F(xiàn)MI）中井壁裂縫區(qū)域的識別和分割標(biāo)注。FMI通常是二維圖像，縱坐標(biāo)為深度，橫坐標(biāo)為電極方位，整個(gè)測井圖像是沿井壁正北方向依次向右展開［15-16］。

從計(jì)算機(jī)視覺的角度而言，F(xiàn)MI圖像的顯著特征往往與淺層特征相關(guān)聯(lián)，如顏色、紋理、邊緣位置等。目前利用人工主要識別裂縫的分布形態(tài)、輪廓等細(xì)節(jié)，這些信息在FMI圖像中即為顏色、紋理、異常區(qū)域?qū)挾鹊刃畔ⅲ?7-19］。FMI 成像中裂縫區(qū)域的智能識別和分割標(biāo)注首先有效提取淺層特征，但若僅依靠淺層特征識別裂縫形態(tài)，當(dāng)圖像出現(xiàn)較多干擾時(shí)往往誤差較大，故需要捕獲測井圖像的深層特征，并采用注意力機(jī)制細(xì)化井壁裂縫邊緣輪廓，去除干擾信息。本次研究的思路是構(gòu)造多尺度特征融合模塊，將淺層與深層特征相結(jié)合，獲取更為精細(xì)、準(zhǔn)確的裂縫識別和分割標(biāo)注效果［20］。

1.1 FMI成像淺層特征提取網(wǎng)絡(luò)模塊

從圖像構(gòu)成角度考慮，一幅測井成像圖一般由十幾萬甚至幾十萬個(gè)像素點(diǎn)構(gòu)成，如果直接對圖像進(jìn)行整體識別，需要同時(shí)將幾十萬組數(shù)據(jù)交付智能系統(tǒng)并行處理，過量數(shù)據(jù)將會導(dǎo)致計(jì)算機(jī)系統(tǒng)無法支持。智能處理方法一般采用截取圖像片段的分段處理方式，因此具有可行性。分段處理完成后，再將分段識別結(jié)果進(jìn)行整合，等效實(shí)現(xiàn)對全圖的識別處理。另一方面，由測井解釋專家對成像圖進(jìn)行分段研讀，分段關(guān)注圖中的紋理信息以獲取裂縫分布情況，這個(gè)過程實(shí)質(zhì)上是一種抽象的截圖，基于此過程，本研究采取的截圖分析方法更加符合現(xiàn)場實(shí)際。

FMI圖像的寬度即為井眼周長，因此研究中單個(gè)電阻率測井裂縫圖形樣本的橫向尺寸取值與電阻率測井成像圖寬度一致，縱向尺寸定為190像素，并將經(jīng)過了空白條帶填充的成像圖作為網(wǎng)絡(luò)的樣本輸入［21］（圖1）。

圖1 FMI成像裂縫形態(tài)樣本

目前大多采用Unet網(wǎng)絡(luò)的改進(jìn)結(jié)構(gòu)提取圖像的淺層特征［22］，提取效果較好。本次研究設(shè)計(jì)的淺層特征提取網(wǎng)絡(luò)模型由卷積層（Conv）、批量歸一化層（BN）、激活函數(shù)（ReLU）以及池化層（Maxpooling）組成（圖2）。其中所有卷積層的卷積核尺寸均為3×3，步長為1；最大池化層卷積核尺寸為2×2，步長為2，其他具體參數(shù)見表1，表中Padding為對圖像矩陣外圍補(bǔ)零數(shù)量。FMI成像具有淺層特征較豐富的特點(diǎn)，為充分挖掘、提取圖像淺層特征，采用兩個(gè)模塊串聯(lián)計(jì)算的方式，整體呈現(xiàn)下采樣過程。

表1 淺層特征提取模型參數(shù)

圖2 FMI 成像淺層特征提取模型

經(jīng)訓(xùn)練后淺層特征提取模塊各通道提取的結(jié)果見圖3。可見，該模塊已將原始的輸入圖像轉(zhuǎn)化為豐富的視覺特征信息，基本實(shí)現(xiàn)了從FMI成像提取裂縫區(qū)域位置、分布形態(tài)、連通狀況等較為明顯的淺層特征。同時(shí)，從提取結(jié)果可知，雖然通過淺層特征能大致識別裂縫形態(tài)，但仍存在多個(gè)干擾區(qū)域，無法實(shí)現(xiàn)裂縫區(qū)域的精細(xì)化識別和分割標(biāo)注，需進(jìn)一步有效提升特征提取的深度和廣度。

圖3 FMI 成像淺層特征提取結(jié)果（部分選取）

1.2 FMI 成像深層特征提取網(wǎng)絡(luò)模塊

設(shè)計(jì)并采用多尺度空洞卷積構(gòu)建深層特征提取網(wǎng)絡(luò)模塊，進(jìn)一步從原圖像和淺層特征中提取更為深入的全局或局部上、下文特征。空洞卷積是一種特殊形式的卷積方法［23］，通過在卷積核的權(quán)重參數(shù)間插入零值而有效擴(kuò)大卷積核的感受野，更有利于全局特征的提取。如圖4 所示，本設(shè)計(jì)中將淺層特征提取后形成的多通道裂縫淺層特征張量直接輸入到多尺度空洞卷積模塊。

圖4 電阻率測井成像圖深層特征提取模塊

該模塊由三層不同尺度的卷積并列組成，其中一個(gè)是尺寸為1×1 的卷積層，用于獲取全局特征，另外兩個(gè)是不同空洞率（d）的空洞卷積層，用于調(diào)整感受野。采用不同尺寸感受野的卷積核實(shí)現(xiàn)多尺度特征的提取，以盡量提升對目標(biāo)區(qū)域周圍信息的感知。將三個(gè)尺度特征進(jìn)行疊加混合（Concat），從而提高全局特征提取能力。盡管尺度越多所獲取的抽象深層特征也越多，且可能更有利于分類和識別，但是更多尺度需要更多的計(jì)算通道，造成網(wǎng)絡(luò)規(guī)模的增加，加大了運(yùn)算量和訓(xùn)練難度。另外，過密的尺度設(shè)置往往導(dǎo)致特征重復(fù)提取，無益于后續(xù)的分類運(yùn)算。就實(shí)際識別效果而言，本文設(shè)置的多尺度通道數(shù)及相應(yīng)的空洞率是合理的。后續(xù)該值可以根據(jù)實(shí)際情況進(jìn)行調(diào)整，以提升最終的分類精度。

經(jīng)過卷積處理后的淺層特征通道數(shù)較多，為了提高網(wǎng)絡(luò)訓(xùn)練質(zhì)量并縮短訓(xùn)練時(shí)間，本次設(shè)計(jì)引入注意力機(jī)制模塊［24］，該模塊能夠主動關(guān)注較為異常或大幅變化的特征值，并對各通道權(quán)重進(jìn)行調(diào)整，更有利于提取裂縫區(qū)域形態(tài)的典型特征。具體流程為：①通過Inception 操作提高特征張量的深度和寬度，使網(wǎng)絡(luò)從不同尺度提取淺層特征并完成進(jìn)一步計(jì)算，同時(shí)防止網(wǎng)絡(luò)過擬合。②對輸入的特征層進(jìn)行全局平均池化，完成兩次全連接操作。第一個(gè)全連接層神經(jīng)元個(gè)數(shù)較少，可降低數(shù)據(jù)量、去除部分非關(guān)鍵特征，第二個(gè)全連接層神經(jīng)元個(gè)數(shù)與輸入特征通道數(shù)相同，能確保提取到的全部關(guān)鍵深層特征均能有效輸出。③使用Sigmoid 函數(shù)將輸入固定在0～1，將輸出值與原始輸入權(quán)重相乘即完成了對各通道權(quán)重的學(xué)習(xí)。④通過1×1尺寸的卷積核調(diào)整通道數(shù)，使其與淺層特征通道數(shù)保持一致。

經(jīng)數(shù)據(jù)訓(xùn)練后的深層特征提取模塊利用淺層特征圖像提取到更為高級的全局和局部上、下文特征，也即輸入成像圖中抽象、零散的深層特征，如圖5 所示。與圖3 淺層特征提取結(jié)果相比，圖5 中表征信息的像素點(diǎn)明顯減少，大部分像素點(diǎn)與裂縫區(qū)域無直接關(guān)聯(lián)，主要表征圖像中多個(gè)難以直觀理解的細(xì)節(jié)特征，無明顯規(guī)律性且分布也較為零散，符合圖像深層特征表象。

圖5 FMI 成像深層特征提取結(jié)果（部分選取）

1.3 上采樣及多尺度特征融合模塊

由于各地區(qū)地質(zhì)成因、鉆井施工過程以及測量方式和成像方式的不同，導(dǎo)致FMI 成像中的各種裂縫形態(tài)存在巨大差別，即使是同一地層的同類裂縫，其分布形態(tài)、成像顏色等都會有差異。就如同引入了大量的干擾項(xiàng)，導(dǎo)致裂縫形態(tài)上述信息區(qū)分度不高，甚至與非裂縫區(qū)域的圖形有一定程度相似性，既使測井解釋專家也有可能誤判。若僅依賴最后一層的深層特征進(jìn)行分類，往往會因提取過程中丟失部分顯著特征從而限制進(jìn)一步提升裂縫區(qū)域識別和分割效果。為此，需要采取將裂縫區(qū)域圖像深、淺層特征融合的方式提高最終分類特征張量的維度。

另一方面，F(xiàn)MI 成像裂縫人工識別過程實(shí)質(zhì)也是淺層特征與深層特征的融合過程：首先依據(jù)裂縫的形態(tài)、顏色、紋理等明顯的淺層特征初步判定，然后參考色彩變化率、圖形結(jié)構(gòu)的相對位置等抽象的深層特征最終判斷。因此本設(shè)計(jì)將深、淺層特征融合以形成一個(gè)更具表征能力的特征張量，使其蘊(yùn)含的特征信息更豐富、區(qū)分度更高，從而提高最終的識別、分割精度。

特征提取過程中的卷積、池化操作會縮小圖像數(shù)據(jù)尺寸，導(dǎo)致淺層特征與深層特征的尺寸不一致，因此無法將二者直接拼接。本設(shè)計(jì)選用雙線性插值［25］的方式實(shí)現(xiàn)上采樣操作，通過上采樣后的深層特征尺寸與淺層特征一致，將二者拼接形成新的融合張量。再次采用1×1的卷積層獲取新特征張量淺層特征，并采用多尺度空洞卷積模塊獲取新張量的深層特征。隨后連續(xù)使用兩個(gè)3×3 的卷積進(jìn)行特征提取。上述操作是對淺層、深層特征拼接后的新張量進(jìn)行卷積計(jì)算，計(jì)算結(jié)果實(shí)現(xiàn)了淺層特征與深層特征充分融合。對卷積結(jié)果再次進(jìn)行上采樣，將其還原至原輸入圖像尺寸。最終形成的特征融合上采樣模塊如圖6中虛線框內(nèi)所示。

圖6 FMI 成像裂縫智能識別神經(jīng)網(wǎng)絡(luò)整體結(jié)構(gòu)

在輸入圖像中識別和分割標(biāo)注出裂縫區(qū)域即為區(qū)分背景與裂縫區(qū)域，因此標(biāo)簽類別數(shù)為2。為提高網(wǎng)絡(luò)模型的泛化能力，采用1×1的卷積層對融合后的張量調(diào)整通道數(shù)為標(biāo)簽類別數(shù)2，此時(shí)形成的兩個(gè)通道分別為背景和前景（裂縫區(qū)域）特征張量。在訓(xùn)練過程中，識別網(wǎng)絡(luò)采用交叉熵函數(shù)作為網(wǎng)絡(luò)的損失函數(shù)，選用自適應(yīng)估計(jì)矩（Adam）作為網(wǎng)絡(luò)的優(yōu)化器［26］，通過計(jì)算每個(gè)像素屬于前景、背景的概率實(shí)現(xiàn)井壁裂縫區(qū)域的智能識別。像素點(diǎn)概率閾值設(shè)為50%，將前景概率超過50%的像素點(diǎn)設(shè)置為標(biāo)簽顏色，反之為黑色，顏色設(shè)置結(jié)果作為網(wǎng)絡(luò)最終的識別結(jié)果輸出。

1.4 裂縫智能識別神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練結(jié)果

為驗(yàn)證本文方法識別效果，收集了多幅尺寸分別為800×47923像素、2752×133504像素的火成巖、碎屑巖等巖性的FMI成像，通過解釋專家標(biāo)注和圖形軟件裁剪的方式形成447 張樣本圖像，按9∶1 的比例合理劃分為訓(xùn)練集和測試集，單張樣本見圖1。網(wǎng)絡(luò)訓(xùn)練周期為100，學(xué)習(xí)率為5×10-5。每次訓(xùn)練選取4 張圖像數(shù)據(jù)，采用4 線程同時(shí)運(yùn)行的方式加快數(shù)據(jù)讀取速度。

將本文設(shè)計(jì)的網(wǎng)絡(luò)模型與通用識別網(wǎng)絡(luò)模型DeepLab v3+網(wǎng)絡(luò)［27］和UNet 網(wǎng)絡(luò)進(jìn)行測試、比較。圖7 為三個(gè)網(wǎng)絡(luò)模型在訓(xùn)練過程中損失變化對比，從圖中可以看出，本文設(shè)計(jì)網(wǎng)絡(luò)、DeepLabv3+和UNet網(wǎng)絡(luò)經(jīng)訓(xùn)練后均收斂。

圖7 不同網(wǎng)絡(luò)損失變化情況

圖8 為三種網(wǎng)絡(luò)模型對于FMI 成像裂縫區(qū)域的識別效果對比，圖中點(diǎn)劃線框區(qū)域?yàn)榫W(wǎng)絡(luò)誤將部分裂縫圖像區(qū)域識別為背景的情況，虛線框內(nèi)為網(wǎng)絡(luò)誤將部分背景圖像區(qū)域識別為裂縫的情況。從圖中定性分析可知：DeepLab v3+網(wǎng)絡(luò)對裂縫區(qū)域形態(tài)細(xì)節(jié)特征方面識別情況較好但存在少量誤識別情況；UNnet 網(wǎng)絡(luò)對裂縫整體區(qū)域識別較好但輪廓細(xì)節(jié)信息丟失較多，上述兩個(gè)網(wǎng)絡(luò)對于井壁裂縫的識別結(jié)果均不利于現(xiàn)場解釋專家進(jìn)行井筒穩(wěn)定性的分析識別。相較于上述兩種模型，本文設(shè)計(jì)網(wǎng)絡(luò)不僅對裂縫區(qū)域整體形態(tài)識別效果好，而且裂縫區(qū)域圖像輪廓細(xì)節(jié)保留多。同時(shí)，本文設(shè)計(jì)網(wǎng)絡(luò)模型對裂縫區(qū)域識別和分割標(biāo)注結(jié)果與解釋專家標(biāo)注的結(jié)果最為相似。因此可以認(rèn)為，本文設(shè)計(jì)的網(wǎng)絡(luò)模型對FMI 成像中井壁裂縫的形態(tài)識別性能明顯優(yōu)于通用網(wǎng)絡(luò)框架。

圖8 不同網(wǎng)絡(luò)模型裂縫形態(tài)智能識別結(jié)果對比

進(jìn)一步利用計(jì)算機(jī)視覺領(lǐng)域中圖像識別常用的均交并比（MIoU）指標(biāo)和精確率—召回率調(diào)和平均（F1_score）指標(biāo)［28］定量評價(jià)圖像中每個(gè)像素點(diǎn)的識別分類準(zhǔn)確度（表2）。

表2 網(wǎng)絡(luò)識別準(zhǔn)確率評價(jià)參數(shù)

在實(shí)際使用過程中，兩個(gè)指標(biāo)值越高代表網(wǎng)絡(luò)分類準(zhǔn)確度越高。由表2 數(shù)據(jù)可知，三種網(wǎng)絡(luò)模型的F1_score指標(biāo)數(shù)值相差不大，而通用識別網(wǎng)絡(luò)模型的MIoU 指標(biāo)均低于70%，說明DeepLab v3+網(wǎng)絡(luò)和UNet 網(wǎng)絡(luò)對像素點(diǎn)分類誤差較大，難以滿足現(xiàn)場應(yīng)用需求。本文方法設(shè)計(jì)的裂縫智能識別網(wǎng)絡(luò)模型的MIoU 指標(biāo)升至78.16%，說明該模型和方法具備了現(xiàn)場應(yīng)用的價(jià)值和意義。

2 裂縫區(qū)域智能識別分割效果評價(jià)

本文構(gòu)建的多尺度特征融合裂縫識別神經(jīng)網(wǎng)絡(luò)模型采用對圖像中像素點(diǎn)智能識別、分類的方法，從微觀角度實(shí)現(xiàn)了FMI 成像中裂縫區(qū)域的識別和分割標(biāo)注，但分割的效果和質(zhì)量需進(jìn)行量化評價(jià)。另一方面，目前FMI圖像井壁裂縫識別一直是以人工經(jīng)驗(yàn)分析為主，主觀性極強(qiáng)，為證明本文智能識別、分割方法的準(zhǔn)確性和適用性，也需從宏觀角度對裂縫形態(tài)智能識別和分割標(biāo)注結(jié)果與人工主觀判斷結(jié)果的一致性進(jìn)行量化評價(jià)。

在實(shí)際工程應(yīng)用中，專家通過形態(tài)信息、圖像對應(yīng)位置寬度以及圖像邊緣信息等指標(biāo)判斷圖像的相似度。借鑒人類視覺信息的相似性評價(jià)體系建立智能網(wǎng)絡(luò)識別性能評價(jià)方法，對網(wǎng)絡(luò)識別的裂縫區(qū)域和實(shí)際標(biāo)簽圖中的裂縫區(qū)域進(jìn)行對比，通過綜合各指標(biāo)分?jǐn)?shù)定量評價(jià)網(wǎng)絡(luò)識別裂縫形態(tài)的能力。

2.1 裂縫形態(tài)相似度評價(jià)方法

2.1.1 裂縫圖像骨架相似度

網(wǎng)絡(luò)智能識別的裂縫區(qū)域不一定與實(shí)際標(biāo)簽裂縫區(qū)域一致，在骨架圖像上主要有兩項(xiàng)反饋［29］：一是圖像欠識別造成識別圖像中的裂縫骨架可能由多條短線段組成；二是識別圖像的骨架形態(tài)與標(biāo)簽圖像骨架形態(tài)不同，出現(xiàn)局部變形。

對于第一種情況，可通過網(wǎng)絡(luò)識別結(jié)果與實(shí)際標(biāo)簽中裂縫圖像骨架連通域的數(shù)量評價(jià)兩幅圖像中裂縫區(qū)域的骨架相似度。獲得圖像連通域相似度（Image connected domain similarity，ICDS）評分

式中：IC、ID分別表示實(shí)際標(biāo)簽和網(wǎng)絡(luò)識別圖像骨架連通域數(shù)量；a為經(jīng)驗(yàn)系數(shù)，根據(jù)不同場合確定。本文經(jīng)多個(gè)樣本對比后，設(shè)置a=1.1。

對于第二種情況，可以通過骨架特征矩陣的相似度評價(jià)圖像骨架形態(tài)。將實(shí)際標(biāo)簽和網(wǎng)絡(luò)識別圖骨架圖像的縱坐標(biāo)分別取出，構(gòu)成兩個(gè)1×w的特征矩陣A和B（w為圖像寬度，矩陣維數(shù)不同時(shí)，以-1補(bǔ)齊），通過計(jì)算矩陣A、B的余弦相似度即可對兩幅圖像進(jìn)行結(jié)構(gòu)相似度（Image structure similarity，ISS）評價(jià)

2.1.2 裂縫圖像寬度相似度

通過計(jì)算兩幅圖中相同橫坐標(biāo)處裂縫圖像的上、下沿縱坐標(biāo)之差獲取當(dāng)前位置裂縫區(qū)域?qū)挾鹊南嗨贫龋↖mage width similarity，IWS），經(jīng)歸一化后求取寬度差異的平均值即為對應(yīng)寬度的相似度評分

式中：yLi、yOi分別表示標(biāo)簽圖像和網(wǎng)絡(luò)識別圖像中第i列像素點(diǎn)裂縫區(qū)域?qū)挾龋籬為圖像高度。

2.1.3 裂縫形態(tài)相似度評價(jià)系數(shù)

利用式（1）～式（3）的三個(gè)圖像形態(tài)指標(biāo)，通過加權(quán)相加的方式形成網(wǎng)絡(luò)識別和實(shí)際標(biāo)簽圖像間的圖像形態(tài)相似度評價(jià)指標(biāo)IS

式中ε、χ、δ為權(quán)重參數(shù)。

此處規(guī)定當(dāng)IS≥0.8 時(shí)，視覺感受評級為Ⅰ級；當(dāng)IS≥0.7 時(shí)，視覺感受評級為Ⅱ級。利用建立的樣本進(jìn)行多次識別效果比對并調(diào)節(jié)加權(quán)參數(shù)，當(dāng)ε=0.25、χ=0.6、δ=0.15 時(shí)，網(wǎng)絡(luò)智能識別的裂縫形態(tài)與專家標(biāo)注的裂縫形態(tài)基本一致。

由于裂縫寬度是一個(gè)明顯的淺層特征，所以該特征對最終的識別效果具有顯著影響。本文設(shè)計(jì)網(wǎng)絡(luò)對于裂縫縱向?qū)挾鹊淖R別準(zhǔn)確度高，智能識別結(jié)果與專家人工標(biāo)注結(jié)果在圖形對應(yīng)位置的寬度指標(biāo)具有較高的一致性，即計(jì)算的IWS 參數(shù)一般都較高，此時(shí)如果IWS 權(quán)重參數(shù)δ設(shè)置偏大，則必然降低其他參數(shù)權(quán)重，導(dǎo)致最終的網(wǎng)絡(luò)裂縫識別效果評價(jià)值偏高，與實(shí)際情況不吻合。因此，綜合考慮該評價(jià)方法的實(shí)用性和合理性，最終將δ設(shè)為較小的0.15。

2.2 裂縫局部區(qū)域相似度評價(jià)方法

網(wǎng)絡(luò)識別的裂縫區(qū)域在某些局部可能面積過大或過小，從而最終影響到井壁裂縫區(qū)域的準(zhǔn)確識別和分割標(biāo)注。因此提出裂縫區(qū)域準(zhǔn)確識別面積（Accurate Segmentation Area，ASA）指標(biāo)，巧妙利用網(wǎng)絡(luò)代碼在運(yùn)行過程中自動統(tǒng)計(jì)的三類像素點(diǎn)數(shù)量進(jìn)行簡化計(jì)算，評價(jià)網(wǎng)絡(luò)識別的裂縫區(qū)域與實(shí)際標(biāo)簽中裂縫區(qū)域的重疊情況，有

式中：TP 表示完全準(zhǔn)確識別像素點(diǎn)個(gè)數(shù)；FP 表示背景像素點(diǎn)識別為裂縫區(qū)域像素點(diǎn)識別個(gè)數(shù)；FN 表示裂縫區(qū)域像素點(diǎn)識別為背景像素點(diǎn)識別個(gè)數(shù)。

此外，人眼往往對顏色變化的邊界比較敏感，因此通過裂縫圖像間的邊緣信息相似度（Image Boundary Information Similarity，IBIS）衡量識別結(jié)果與標(biāo)簽圖像間的邊緣輪廓相似度［30］。

2.3 裂縫區(qū)域智能識別分割效果評價(jià)模型

以圖8e中的5組網(wǎng)絡(luò)識別圖像為例，計(jì)算得出各組圖像裂縫區(qū)域網(wǎng)絡(luò)智能識別結(jié)果與實(shí)際標(biāo)簽的相似度指標(biāo)（表3）。

表3 不同組網(wǎng)絡(luò)智能識別結(jié)果與實(shí)際標(biāo)簽相似情況

由表3 不難發(fā)現(xiàn)，IS 和ASA 指標(biāo)評分越高，則網(wǎng)絡(luò)識別的裂縫區(qū)域與實(shí)際標(biāo)簽圖像中的裂縫區(qū)域一致性越高；當(dāng)這兩個(gè)指標(biāo)評分接近時(shí)，則需用到IBIS指標(biāo)進(jìn)一步細(xì)判。為了對網(wǎng)絡(luò)識別和分割標(biāo)注裂縫區(qū)域的性能形成多角度評價(jià)，借鑒人工對裂縫形態(tài)進(jìn)行判斷的方法，設(shè)計(jì)了測井成像圖裂縫智能識別結(jié)果與人眼視覺識別結(jié)果相似度（Fracture Intelligent Distinguish Similarity，F(xiàn)IDS）評價(jià)方法，即將表3 中三個(gè)指標(biāo)的評分采用加權(quán)求和的方式進(jìn)行融合

式中μ、?、η為權(quán)重系數(shù)。將網(wǎng)絡(luò)識別的裂縫區(qū)域通過主觀評價(jià)方法中的雙刺激損傷分級法［31］分為4個(gè)等級：裂縫區(qū)域完全重合（Ⅰ級）、裂縫區(qū)域基本重合（Ⅱ級）、裂縫區(qū)域有一定差別（Ⅲ級）和裂縫區(qū)域有較大差別（Ⅳ級）［32］。規(guī)定FIDS≥0.75時(shí)的視覺感受評級為Ⅰ級，0.65≤FIDS<0.75時(shí)的視覺感受評級為Ⅱ級。

由于人眼視覺系統(tǒng)具有復(fù)雜的非線性特征，故權(quán)重系數(shù)使用非線性的自適應(yīng)權(quán)重。隨機(jī)抽取百余幅樣本的計(jì)算結(jié)果進(jìn)行統(tǒng)計(jì)分析，確定最終權(quán)重計(jì)算公式

所有網(wǎng)絡(luò)識別圖像經(jīng)式（6）～式（10）計(jì)算后，將對應(yīng)的標(biāo)簽圖像間的IS、ASA、IBIS 評價(jià)分值投影至三維空間，各點(diǎn)以FIDS 評分為顏色映射標(biāo)簽，結(jié)果如圖9所示。

圖9 IS、ASA、IBIS、FIDS 參數(shù)關(guān)系

2.4 裂縫區(qū)域智能識別分割性能評價(jià)結(jié)果

從人眼視覺相似度的角度，以裂縫區(qū)域基本重合為閾值（FIDS≥0.65），將所有數(shù)據(jù)集圖像經(jīng)網(wǎng)絡(luò)識別后的結(jié)果與對應(yīng)標(biāo)簽圖像進(jìn)行對比評價(jià)，評價(jià)結(jié)果見表4。

表4 裂縫區(qū)域整體形態(tài)人眼視覺相似度評價(jià)結(jié)果

由表4數(shù)據(jù)可知，本文智能網(wǎng)絡(luò)對81.3%的訓(xùn)練集和80.4% 的測試集圖像裂縫區(qū)域識別均達(dá)到FIDSⅡ 級評分，僅有不到20%的智能識別結(jié)果與解釋專家標(biāo)注結(jié)果在局部區(qū)域稍有差別。考慮到人工標(biāo)注裂縫區(qū)域的過程本就有一定的主觀隨機(jī)性，因此該差別不會對后續(xù)裂縫參數(shù)的精確計(jì)算和評價(jià)造成本質(zhì)上的差異。說明本文研究方法完全可以替代解釋專家完成裂縫識別和裂縫區(qū)域的分割標(biāo)注工作。后續(xù)隨著樣本數(shù)目的增多及網(wǎng)絡(luò)訓(xùn)練效果的提升，該識別和分割標(biāo)注準(zhǔn)確度指標(biāo)有望進(jìn)一步提升。

3 實(shí)際測井資料應(yīng)用效果

選用準(zhǔn)噶爾盆地Z 油田Z1 井石炭系火成巖儲層的FMI 成像資料進(jìn)一步展示本文方法的實(shí)際應(yīng)用效果。截取約10 m 裂縫發(fā)育形態(tài)多樣且密集的代表性井段，根據(jù)人工分析標(biāo)注結(jié)果可知：該井段發(fā)育高導(dǎo)縫11 條，無誘導(dǎo)縫和高阻縫；大部分裂縫呈現(xiàn)單縫發(fā)育形態(tài)，少部分存在交叉縫和密集縫形態(tài)；部分裂縫成像效果不夠清晰，在一定程度增加了裂縫識別難度。

如圖10 所示，該井壁裂縫智能識別分割方法將②號高導(dǎo)縫下方小部分背景誤識別為裂縫，⑧號高導(dǎo)縫上方出現(xiàn)類似的情況，主要原因是該部分背景與網(wǎng)絡(luò)智能提取到的裂縫特征相似度高，因此造成小范圍誤識別。⑧號高導(dǎo)縫存在識別裂縫斷開的情況，這是斷裂處周圍背景干擾過大以及類似樣本數(shù)量不足所致。④號高導(dǎo)縫和③號縫為交叉縫，但由于本次研究中對類似樣本收集數(shù)量較少，導(dǎo)致未能正確識別④號縫，且在一定程度造成③號縫的畸變。但以上現(xiàn)象大部分為漏識別，錯誤識別和畸變識別的狀況較少。這充分說明該網(wǎng)絡(luò)已正確學(xué)習(xí)并提取裂縫特征，能在復(fù)雜圖形中識別分割出裂縫紋理，后續(xù)可通過增加類似樣本的方式提升識別效果。

圖10 Z1 井FMI 成像資料分析效果

另外，⑥、⑦號為兩條緊鄰的高導(dǎo)縫，人工識別有一定難度，但本文方法對這兩條縫的識別結(jié)果和分布區(qū)域定位精準(zhǔn)，整體識別效果好，裂縫連貫且輪廓細(xì)節(jié)信息完整。⑨、⑩、?號三條高導(dǎo)縫周圍色彩干擾大，紋理輪廓較為模糊且裂縫連貫性不明顯。但本次研究針對該問題設(shè)計(jì)了適配的多尺度模塊并結(jié)合注意力機(jī)制，使網(wǎng)絡(luò)在通過不同感受野獲取特征向量的過程中，主動聚焦與裂縫紋理關(guān)聯(lián)度高的抽象特征，如像素點(diǎn)數(shù)值變化特征、分布特征等，同時(shí)主動放棄無效信息并去除干擾，保障了成像圖中異常珍貴的抽象特征能被多尺度網(wǎng)絡(luò)充分提取。因此⑨、⑩、?號高導(dǎo)縫的定位、識別準(zhǔn)確，邊界輪廓和細(xì)節(jié)信息保留完整。

最終在人工標(biāo)注的該井段11 條裂縫中，通過本文方法識別出10 條裂縫，從數(shù)量而言成功識別率為90.9%。其中，①、③、⑦、⑩、?號裂縫FIDS>0.85，②、⑤、⑥、⑨號裂縫FIDS>0.75，⑧號裂縫FIDS 得分約為0.73。本文方法對該井段90.0%裂縫圖像的識別結(jié)果與專家識別結(jié)果基本重合，漏識別裂縫不會對后續(xù)裂縫發(fā)育情況的評價(jià)造成本質(zhì)上的影響。本文智能識別結(jié)果反映出該井段對應(yīng)層位縫洞發(fā)育良好，具有優(yōu)質(zhì)儲層的潛力，但同時(shí)需關(guān)注井壁穩(wěn)定和漏失的可能性。

4 結(jié)束語

本文利用計(jì)算機(jī)視覺結(jié)合深度學(xué)習(xí)技術(shù)，設(shè)計(jì)了FMI成像井壁裂縫智能識別、分割專用網(wǎng)絡(luò)結(jié)構(gòu)。該方法不僅智能識別并擬合出井壁裂縫區(qū)域形態(tài)曲線，而且在此基礎(chǔ)上將完整裂縫區(qū)域進(jìn)行分割標(biāo)注。裂縫區(qū)域圖像關(guān)聯(lián)像素點(diǎn)識別準(zhǔn)確率接近80%，相比通用的網(wǎng)絡(luò)模型準(zhǔn)確率提升了10%左右，說明該智能識別方法具有一定應(yīng)用價(jià)值和現(xiàn)實(shí)意義。

進(jìn)一步設(shè)計(jì)了基于人眼視覺信息相似度原理的網(wǎng)絡(luò)識別性能評價(jià)算法。評價(jià)結(jié)果表明，當(dāng)視覺相似度感受評級為Ⅱ級時(shí)，訓(xùn)練集和測試集圖像中裂縫區(qū)域識別準(zhǔn)確率分別為81.3%和80.4%，證明該智能方法的識別和分割標(biāo)注結(jié)果與解釋專家處理結(jié)果基本一致。同時(shí)，該方法也能用于孔洞、掉塊等其他井壁形態(tài)的智能識別，有利于快速而及時(shí)地判斷井筒、井壁穩(wěn)定性，為后續(xù)井壁縫、洞構(gòu)造各項(xiàng)指標(biāo)的智能定量計(jì)算、儲集性評價(jià)提供技術(shù)支持。