基于改進(jìn)BlendMask的頁巖掃描電鏡圖像礦物鑒定方法

Abstract：The inteligent identification of shale scanning electron microscope （SEM） images can rapidly analyze shale reservoir minerals，which is one of the important means of predicting the“sweet spot”of shale oil reservoirs，and is also a future technological development trend. Traditional methods have problems such as low automation， low sample suitability，and limited feature extraction when identifying mineral components. To this end，this paper proposes a BlendMask-based SEM image characterization method for shale. Firstly，image preprocessng techniques such as bilateral filtering， Laplacian，and image normalization are used to denoise，sharpen，and unify the pixel of original images to improve the quality of training samples； Then， image augmentation methods such as rotation， scaling，and luminosity change are used to construct augmentation strategies to expand the number of datasets；And finally，the BlendMask network is improved by using the atention mechanism and the depth separable convolution which is used to realize the component segmentation and recognition of images.The experimental results of shale SEM images applied to Haita basin show that the segmentation accuracy and recall of the improved method are improved by O.02 -O.2O and O - 0.59， respectively，and the segmentation time is reduced by 1.29-2.70 s compared to the BlendMask model.

Key words： shale oil “sweet spot” reservoirs； BlendMask； scanning electron microscope images; mineralogical composition; segmentation and identification

0 引言

以頁巖油為代表的非常規(guī)油氣儲層資源潛力巨大，準(zhǔn)確評價頁巖微觀結(jié)構(gòu)有助于提高儲層評價精度和開發(fā)效率[1-2]。樣本圖像采集和成像過程不同，導(dǎo)致生成的頁巖掃描電鏡（scanningelectronmicroscope，SEM）圖像存在噪聲。相比于彩色圖像，SEM圖像中不同礦物顆粒的灰度差異較大[3]此外，在頁巖SEM圖像中，不同類型的礦物特征差異較小且數(shù)量不同，因此存在礦物間邊緣模糊和組分?jǐn)?shù)量不均衡的問題，給圖像鑒定帶來了困難[4]隨著深度學(xué)習(xí)技術(shù)的發(fā)展，人工智能方法在處理擁有復(fù)雜紋理和結(jié)構(gòu)的巖石圖像時，可以更準(zhǔn)確地捕捉其特征[5]。因此，目前急需建立一種基于地質(zhì)大數(shù)據(jù)與人工智能交叉融合的頁巖SEM圖像鑒定方法，以實(shí)現(xiàn)圖像多維定量分割和智能成分識別[6-8]

目前，識別樣品中礦物的傳統(tǒng)方法包括AmicsScan、QEMSCAN（quantitative evaluation ofminerals by scanning electron microscopy）和能譜分析。AmicsScan通過將高分辨率顯微圖像與自動化圖像處理技術(shù)結(jié)合，自動識別和標(biāo)定樣品中的不同礦物顆粒、晶體結(jié)構(gòu)、裂縫等特征，并生成相應(yīng)的特征圖[9]。QEMSCAN通過結(jié)合SEM和X射線能譜分析技術(shù)獲取地質(zhì)樣品中礦物的詳細(xì)信息，包括元素組成、礦物相、顯微結(jié)構(gòu)等[10]。能譜分析通過分析樣品發(fā)射的X射線譜線，依據(jù)每個元素具有獨(dú)特的X射線能譜線分析確定樣品中的元素組成[11]。盡管AmicsScan、QEMSCAN和能譜分析等技術(shù)在礦物識別方面具有一定的優(yōu)勢，但它們也各自存在一些缺點(diǎn)：在一些微觀結(jié)構(gòu)復(fù)雜的樣本中，AmicsScan和QEMSCAN對頁巖SEM圖像納米級別礦物顆粒的分辨率不足，難以準(zhǔn)確識別細(xì)小的礦物顆?；蚓w結(jié)構(gòu)；能譜分析可能在處理頁巖SEM圖像復(fù)雜礦物組合時，因?yàn)椴煌V物光譜可能相互重疊，使得準(zhǔn)確識別成分變得復(fù)雜。

隨著機(jī)器學(xué)習(xí)和深度學(xué)習(xí)在地質(zhì)礦物識別領(lǐng)域的發(fā)展，頁巖圖像分割方法主要包括閾值分割法[12]和深度學(xué)習(xí)分割法[13]。閾值分割法主要思想是找出圖像中不同目標(biāo)之間的分割閾值，將閾值區(qū)間與每一個像素灰度進(jìn)行對比后為該像素點(diǎn)分類。有學(xué)者將自動閾值法應(yīng)用于頁巖圖像孔縫分割，根據(jù)圖像的不同特點(diǎn)自適應(yīng)地快速生成對應(yīng)圖像的最佳灰度閥值，自動識別頁巖孔隙和基質(zhì)等地質(zhì)元素[14-16]。但由于頁巖 SEM 圖像中存在豐富的紋理變化和細(xì)節(jié)，閾值分割法無法準(zhǔn)確捕捉到這些變化，導(dǎo)致分割結(jié)果不夠精細(xì)。深度學(xué)習(xí)分割法利用深度卷積神經(jīng)網(wǎng)絡(luò)自動提取圖像的高級語義特征，實(shí)現(xiàn)目標(biāo)檢測，處理圖像分割任務(wù)。常用算法包含全卷積網(wǎng)絡(luò)（fullyconvolutionalnetworks，F(xiàn)CN）、分割網(wǎng)絡(luò)（SegNet）、YOLACT（youonlylookatcoefficients）和全卷積實(shí)例感知語義分割（fullyconvolutional instance-aware semanticsegmentation，F(xiàn)CIS）。Yang 等[17]基于FCN實(shí)現(xiàn)了1500個具有復(fù)雜背景樣本的圖像分割。吉訓(xùn)生等[18]基于SegNet實(shí)現(xiàn)了雞群分割。周利等[19]基于YOLACT通過對船中冰塊進(jìn)行邊緣檢測獲得冰塊烈火形狀。耿劭鋒等[20]基于FCIS實(shí)現(xiàn)了輸電線路圖像中小部件和遮擋部件的分割。相對于FCN算法，BlendMask結(jié)合了語義分割和實(shí)例分割的特點(diǎn)，能夠準(zhǔn)確地分割出圖像中的目標(biāo)，并生成精細(xì)的掩碼。與SegNet算法相比，BlendMask通掩碼預(yù)測網(wǎng)絡(luò)生成目標(biāo)的掩碼，提高了分割精度和準(zhǔn)確性。與YOLACT算法相比，BlendMask在像素級別上實(shí)現(xiàn)了對目標(biāo)的精確分割，因此在目標(biāo)檢測的精度和定位準(zhǔn)確性方面更具優(yōu)勢。而與FCIS算法相比，BlendMask在訓(xùn)練過程中采用了注意力機(jī)制，有助于提取圖像中的重要特征信息，進(jìn)一步提升了目標(biāo)檢測的性能和魯棒性。綜合來看，BlendMask算法在頁巖SEM圖像目標(biāo)檢測上具有更高的分割精度、準(zhǔn)確性和穩(wěn)定性。

綜上所述，現(xiàn)有的頁巖圖像鑒定方法存在易受噪聲干擾、目標(biāo)圖像結(jié)構(gòu)復(fù)雜和算法設(shè)計(jì)不足等問題，導(dǎo)致識別與分割精度不高。此外，由于數(shù)據(jù)不均衡、不同種類的頁巖顆粒和孔隙尺寸變化較大，導(dǎo)致在處理少數(shù)類別和尺寸較小的頁巖顆粒和孔隙時存在漏檢的情況。本文鑒于BlendMask算法在自然圖像語義分割、目標(biāo)檢測和實(shí)例分割等領(lǐng)域的出色表現(xiàn)，提出了融合注意力機(jī)制CBAM（convolutionalblockattentionmodule）與BlendMask相結(jié)合的頁巖油SEM圖像鑒定方法（CBAM-BlendMask）。首先，應(yīng)用圖像預(yù)處理技術(shù)去除圖像噪聲、統(tǒng)一像素大小；其次，針對數(shù)據(jù)屬性，確定適當(dāng)?shù)臄?shù)據(jù)增廣策略；第三，基于改進(jìn)的BlendMask模型，完成對圖像成分的精準(zhǔn)分割與識別；最后，通過實(shí)驗(yàn)論證CBAM-BlendMask方法在圖像增強(qiáng)效果、準(zhǔn)確度和運(yùn)行速度等方面具有明顯優(yōu)勢。

1 CBAM-BlendMask方法

CBAM-BlendMask方法工作流程包括數(shù)據(jù)集建立、圖像增廣和圖像成分鑒定三部分（圖1），應(yīng)用的關(guān)鍵技術(shù)包括圖像預(yù)處理技術(shù)、圖像增廣技術(shù)、基于注意力機(jī)制與深度可分離卷積的改進(jìn)BlendMask算法鑒定技術(shù)。

1.1 數(shù)據(jù)集建立

數(shù)據(jù)集的建立包括圖像預(yù)處理和標(biāo)注兩部分，如圖1中 ① 。圖像預(yù)處理指對原始圖像進(jìn)行歸一化、去噪和銳化。原始圖像數(shù)據(jù)集來自海塔盆地奧陶系、志留系、白堊系和新生代四大主力油層。海塔盆地位于中國西北部戈壁荒漠區(qū)，地質(zhì)構(gòu)造復(fù)雜，主要受到阿爾泰山脈的影響。該地區(qū)經(jīng)歷了多期造山運(yùn)動和斷裂活動。受擠壓和變形以及斷裂的影響，地層復(fù)雜多樣，含有豐富的有機(jī)質(zhì)母質(zhì)，為頁巖油氣的生成提供了有利條件。同時，盆地內(nèi)廣泛發(fā)育的有機(jī)質(zhì)豐富的頁巖層富含干酪根，是重要的油氣來源。因此，海塔盆地各主力油層成為油氣勘探和開發(fā)的重要對象。上述海塔盆地四大主力油層的層序數(shù)據(jù)集為公開數(shù)據(jù)集，原始圖像大小為 1 536×1 094 像素，樣本數(shù)量為600張。

1.1.1 圖像預(yù)處理

首先應(yīng)用Resize方法將數(shù)據(jù)集樣本大小統(tǒng)一為 1 024×512 像素，為圖像劃分提供基礎(chǔ)；然后應(yīng)用Crop方法將歸一化后圖像劃分為 512×512 像素大小，以初步增加樣本數(shù)量。圖像分別采用拉普拉斯算法[21]和雙邊濾波算法[22]實(shí)現(xiàn)銳化和去噪。為解決頁巖SEM圖像中礦物結(jié)構(gòu)模糊的問題，本文采用拉普拉斯算子銳化算法，突出圖像中礦物特征。此外，圖像在形成過程中，受信號干擾、電子散射等因素影響，數(shù)據(jù)集容易被噪聲污染。雙邊濾波去噪算法考慮圖像空間和灰度相關(guān)性，在去除噪聲的同時，可以更好地保留灰度圖像下頁巖礦物邊緣信息。

圖像具體去噪實(shí)現(xiàn)原理如下。

假設(shè)濾波器中心坐標(biāo)為 （k，l） ，其他像素的坐標(biāo)為 （i，j） ，則空間臨近相似度權(quán)重系數(shù)為

式中： d 為距離函數(shù)，它是一個高斯核函數(shù)，衡量像素位置 （i，j） 和 （k，l） 之間的空間距離； σ_d 為距離函數(shù)的標(biāo)準(zhǔn)差，控制衰減速度， σ_d 越大，遠(yuǎn)距離像素的權(quán)重越高。灰度相似度權(quán)重系數(shù)為

圖1頁巖掃描電鏡圖像鑒定方法工作流程圖

Fig.1 Workflow diagram of shale scanning electron microscope image characterization method

式中： r 為相似度函數(shù)，衡量像素 （i，j） 和 （k，l） 的特征相似性（如顏色/紋理）； f（k，l） 、 f（i，j） 分別為濾波器中心坐標(biāo)像素點(diǎn)和其他像素點(diǎn)的灰度； σ_r 為相似度函數(shù)的標(biāo)準(zhǔn)差，控制相似度敏感度， σ_r 越大，差異大的像素越能保持較高的相似度。

將式（1）（2）兩個權(quán)重系數(shù)相乘，得到中心坐標(biāo)像素點(diǎn)的最終權(quán)重系數(shù)作為雙邊濾波算法參數(shù)，完成SEM圖像去噪。

1.1.2 圖像標(biāo)注

圖像標(biāo)注提供語義標(biāo)簽并指導(dǎo)訓(xùn)練過程。通過對所選頁巖SEM圖像進(jìn)行研究，應(yīng)用Labelme工

具將標(biāo)簽分為石英、黃鐵礦、粒間孔、方解石、粒內(nèi)孔、有機(jī)質(zhì)、菱鐵礦和微裂縫共八種類型。

1.2 圖像增廣

為了有效提升深度學(xué)習(xí)模型對圖像的信息提取能力，滿足模型對數(shù)據(jù)量的要求，需要對已經(jīng)標(biāo)注的數(shù)據(jù)進(jìn)行增廣[23]。本文選擇旋轉(zhuǎn)、裁剪、翻轉(zhuǎn)、彈性變形和縮放等圖像增廣方法保證增廣后圖像的多樣性和清晰度。此外，由于不同頁巖礦物存在化學(xué)成分、顆粒大小和反射特性等差異，因此，在生成SEM圖像時，頁巖礦物會影響電子束的散射和反射，從而影響圖像的亮度分布。為此，本文在增廣操作中加入光度變換，以解決亮度分布不均勻的問題，提高模型的泛化能力。通過兩兩組合，共產(chǎn)生12組不重復(fù)的增廣策略，增廣操作的具體描述和參數(shù)范圍如表1所示，增每組增廣操作都具有獨(dú)特的特性和增益效果，以有效提升增廣策略的多樣性和信息豐富度。將來自海塔盆地奧陶系、志留系、白堊系和新生代四大主力油層的75張數(shù)據(jù)集劃分為3份，每份為25張，經(jīng)過增廣后每份為300張。本文將增廣后的數(shù)據(jù)集以 2：1 劃分為測試集和驗(yàn)證集。

表1增廣操作描述與參數(shù)范圍

Table 1 Description and parameter range of the widening operation

1.3 圖像成分鑒定

頁巖SEM圖像成分鑒定應(yīng)用改進(jìn)的BlendMask算法實(shí)現(xiàn)。BlendMask網(wǎng)絡(luò)主要由檢測器模塊和BlendMask模塊組成[24]。檢測器模塊使用全卷積單階段目標(biāo)檢測（fullyconvolutionalonestage object detection，F(xiàn)COS）算法[25];BlendMask模塊主要由骨干網(wǎng)絡(luò)、特征金字塔（featurepyramidnetworks，F(xiàn)PN）和底層模塊三部分組成，如圖1中③ 。CBAM-BlendMask在BlendMask特征提取網(wǎng)絡(luò)加入了注意力機(jī)制，卷積層使用深度可分離卷積并使用DiceLoss函數(shù)作為模型的損失函數(shù)。

1）在SEM圖像下，由于黏土礦物顆粒尺寸非常小，且不適當(dāng)?shù)墓庹諚l件導(dǎo)致對比度不足，使得頁巖礦物結(jié)構(gòu)模糊，模型難以提取到礦物相關(guān)特征[26]。因此，本文在模型的特征提取網(wǎng)絡(luò)中嵌入注意力機(jī)制[27]，以提高對礦物的識別準(zhǔn)確率和分割精度，如圖2所示。在模型中，F(xiàn)COS使用ResNet1O1[28]和FPN作為骨干網(wǎng)絡(luò)對不同階段的圖像進(jìn)行卷積（卷積運(yùn)算均為 3×3） 和CBAM模塊計(jì)算、疊加，提取出由低到高的 C₁、C₂、C₃、C₄、C₅ 礦物特征圖。FCOS具體計(jì)算過程如下： 式中： Conv_3×3 表示 3×3 卷積運(yùn)算； ⑧ 為對應(yīng)元素的乘法運(yùn)算； M_CBAi 為 i 階段之后的特征圖相對應(yīng)的CBAM權(quán)重； P_i 為融合后的特征圖； i∈{4，3，2} ；C_i 為ResNetl01第 i 階段的頁巖礦物特征圖； 表示按像素求和； f_u 為上采樣操作。

對輸入的礦物特征圖 F∈R^c×H×W ，CBAM模塊依次計(jì)算一維通道注意力 F∈R^c×1×1 和二維空間注意力 F∈R^1×H×C 。CBAM詳細(xì)計(jì)算過程如下： ：

式中： M_s 為空間注意力； M_c 為通道注意力； g_i 為經(jīng)過全連接層的通道統(tǒng)計(jì)量； W∈R^（C/O）×C?W₁∈ R^c2/o 為多層感知器權(quán)重（ ：O 為折減率）； F_i^c 為通道級全局池化； g_avg?g_max 分別表示通道的全局平均響應(yīng)強(qiáng)度和局部峰值響應(yīng)強(qiáng)度； F_avg^s?F_max^s 分別表示通道維平均和最大池化后的2D特征圖。

2）在高分辨率的頁巖SEM圖像中，由于石英、長石等礦物和有機(jī)質(zhì)在沉積、變質(zhì)、變形等不同的地質(zhì)演化過程中形成不同的結(jié)構(gòu)特征，因此圖像中包含豐富的礦物細(xì)節(jié)，導(dǎo)致模型訓(xùn)練速度降低[29]。因此本文在骨干網(wǎng)絡(luò)中采用深度可分離卷積[30]代替?zhèn)鹘y(tǒng)卷積[31]進(jìn)行下采樣操作，在不犧牲分割質(zhì)量的前提下，降低計(jì)算量，提高模型的訓(xùn)練速度，使算法更適合處理數(shù)千張高分辨率圖像。深度可分離卷積將標(biāo)準(zhǔn)卷積分解為逐通道卷積和逐點(diǎn)卷積兩個步驟：通過應(yīng)用 3×3 大小的卷積核對輸人特征圖進(jìn)行逐通道卷積，以捕捉圖像中黃鐵礦、石英、方解石等礦物的紋理、邊緣和局部細(xì)節(jié)等空間信息；再使用1×1 卷積核對中間特征圖的所有通道進(jìn)行卷積整合操作，學(xué)習(xí)通道間的線性組合關(guān)系，從而生成新的特征表示。這種分解方式相較于傳統(tǒng)卷積能夠減少計(jì)算量和參數(shù)量，達(dá)到提高模型分割速度目的。

圖2改進(jìn)FCOS算法的網(wǎng)絡(luò)結(jié)構(gòu)圖 Fig.2Improved network structure of FCOS algorithm

3）由于沉積環(huán)境、壓力和溫度的差異，形成石英、菱鐵礦、方解石等礦物的有機(jī)物種類和含量各不相同，導(dǎo)致圖像中礦物含量不均衡，模型訓(xùn)練過度擬合多數(shù)類別樣本[32]。因此本文使用DiceLoss[33]函數(shù)替代傳統(tǒng)的交叉熵函數(shù)，解決由于頁巖SEM圖像數(shù)據(jù)不均衡造成的模型訓(xùn)練過擬合問題。DiceLoss函數(shù)計(jì)算如下：

式中： 為網(wǎng)絡(luò)的分割結(jié)果； T_rue 為實(shí)際類型。

將DiceLoss函數(shù)和交叉熵函數(shù)分別應(yīng)用在網(wǎng)絡(luò)中，并使用同一數(shù)據(jù)集進(jìn)行訓(xùn)練，迭代100次，兩種損失函數(shù)在驗(yàn)證集上的損失值變化如圖3所示。由圖3可知，DiceLoss函數(shù)的損失值小于交叉熵函數(shù)的損失值，因此以DiceLoss作為損失函數(shù)，網(wǎng)絡(luò)具有更好的收斂能力，可以在訓(xùn)練中更好地優(yōu)化對小目標(biāo)的檢測。

圖3 損失值變化對比

Fig.3Comparison of changes in loss values

2 實(shí)驗(yàn)方案

為驗(yàn)證所提方法的有效性，本文開展圖像增強(qiáng)效果評價實(shí)驗(yàn)、模型性能評價實(shí)驗(yàn)和遷移實(shí)驗(yàn)。實(shí)驗(yàn)設(shè)備的具體參數(shù)：CPU 為IntelXeonSilver4210R，內(nèi)存為64G，GPU為RTX6000；操作系統(tǒng)為Ubuntu20.04.3；實(shí)驗(yàn)框架為PyTorch1.8.0。

2.1 圖像增強(qiáng)效果評價實(shí)驗(yàn)

圖像增強(qiáng)效果評價實(shí)驗(yàn)用于驗(yàn)證雙邊濾波去噪和拉普拉斯算子銳化方法對頁巖SEM圖像增強(qiáng)的有效性[34]。實(shí)驗(yàn)數(shù)據(jù)集為25張海塔盆地主力油層層序數(shù)據(jù)集，共進(jìn)行四次不同的操作，形成原始數(shù)據(jù)集、僅去噪數(shù)據(jù)集、僅銳化數(shù)據(jù)集和綜合數(shù)據(jù)集（去噪和銳化）四個訓(xùn)練集，用于訓(xùn)練BlendMask和CBAM-BlendMask模型，使用馬修斯系數(shù)[35]作為評價指標(biāo)。

馬修斯系數(shù)是一種常用的評估分類模型性能的指標(biāo)，它綜合考慮了真陽性（TP）、真陰性（TN）、假陽性（FP）和假陰性（FN）之間的關(guān)系。馬修斯系數(shù)的取值范圍為［一1，1]，越接近1表示分類器性能越好，越接近一1表示分類器性能越差，0表示分類器的性能與隨機(jī)分類器相當(dāng)。馬修斯系數(shù)計(jì)算如下：

式中： n_TP 為真陽性的數(shù)量，即正確預(yù)測為正類的樣本數(shù)； n_TN 為真陰性的數(shù)量，即正確預(yù)測為負(fù)類的樣本數(shù)； n_FP 為假陽性的數(shù)量，即錯誤預(yù)測為正類的樣本數(shù)； n_FN 為假陰性的數(shù)量，即錯誤預(yù)測為負(fù)類的樣本數(shù)。

2.2 模型性能評價實(shí)驗(yàn)

將增廣后的數(shù)據(jù)分為A、B、C三份，使用三折交叉驗(yàn)證法，將A和B、B和C、A和C組合成三組數(shù)據(jù)集，A和B、B和C作為訓(xùn)練集，A和C作為驗(yàn)證集，基于圖像增強(qiáng)效果評價實(shí)驗(yàn)，進(jìn)一步驗(yàn)證比較BlendMask、CBAM-BlendMask和其他深度學(xué)習(xí)算法對頁巖SEM圖像分割的優(yōu)勢。設(shè)計(jì)算法對比實(shí)驗(yàn)，使用驗(yàn)證集驗(yàn)證訓(xùn)練后的BlendMask、CBAM-BlendMask與FCN、SegNet、YOLACT 和 FCIS 模型；同時采用消融實(shí)驗(yàn)驗(yàn)證注意力機(jī)制、深度可分離卷積和DissLoss損失函數(shù)對模型性能影響。

1）算法對比實(shí)驗(yàn)

通過計(jì)算驗(yàn)證集的平均分割準(zhǔn)確率、精確率[36]和召回率[37]評估算法性能。

2）消融實(shí)驗(yàn)

通過計(jì)算BlendMask在不同注意力機(jī)制、損失函數(shù)和卷積設(shè)計(jì)下，八種標(biāo)簽類型的精確率和識別200張頁巖SEM圖像所需時間評估模型性能。

3）CBAM-BlendMask和BlendMask實(shí)驗(yàn)為了進(jìn)一步驗(yàn)證改進(jìn)后的CBAM-BlendMask模型對頁巖礦物的識別情況，該實(shí)驗(yàn)CBAMBlendMask模型使用注意力機(jī)制、DiceLoss函數(shù)和深度可分離卷積；BlendMask則使用交叉熵和普通卷積完成圖像分割識別。

準(zhǔn)確率表示模型正確檢測顆粒占手工標(biāo)注顆粒的百分比，使用生成的掩碼，計(jì)算識別結(jié)果中各種類頁巖顆粒以及孔隙的像素占比：

式中： H 為準(zhǔn)確率； S₁ 和 S₂ 分別為掩碼檢測和手工標(biāo)注值。

精確率為預(yù)測正確的正例占預(yù)測出所有正例樣本的百分比：

式中， p 為精確率。

召回率為預(yù)測正確的正例占預(yù)測正確所有樣本的百分比：

式中， R 為召回率。

2.3 遷移實(shí)驗(yàn)

使用正安地區(qū)五峰組—龍馬溪組頁巖SEM圖像數(shù)據(jù)集作為遷移實(shí)驗(yàn)數(shù)據(jù)集，驗(yàn)證本文提出的CBAM-BlendMask模型在不同數(shù)量和場景下的識別與分割效果，評估模型的泛化能力和遷移效果。正安地區(qū)五峰組—龍馬溪組和海塔盆地四大主力油層都經(jīng)歷了熱液作用、成巖作用等地質(zhì)過程且都形成于深海、湖泊等沉積環(huán)境，導(dǎo)致兩個區(qū)塊具有相近的巖石和礦物組成。該數(shù)據(jù)不參與模型訓(xùn)練，原始圖像大小為 1 024×864 像素，共12張，使用Crop方法調(diào)整為 512×512 像素。

3 實(shí)例應(yīng)用和分析

3.1 圖像增強(qiáng)效果評價實(shí)驗(yàn)結(jié)果

圖像增強(qiáng)效果評價實(shí)驗(yàn)馬修斯系數(shù)指數(shù)計(jì)算結(jié)果如圖4所示。

在訓(xùn)練同一個模型時，四種數(shù)據(jù)集的馬修斯系數(shù)不同；去噪和銳化后的數(shù)據(jù)集均會提高模型性能，且進(jìn)行了去噪和銳化后數(shù)據(jù)集訓(xùn)練出的模型性能最好（圖4）。造成該實(shí)驗(yàn)結(jié)果的原因?yàn)椋弘p邊濾波去噪和拉普拉斯算子銳化可以增強(qiáng)圖像中石英、黃鐵礦、方解石等礦物特征，改善數(shù)據(jù)集質(zhì)量，提高模型識別分割準(zhǔn)確率。

使用相同數(shù)據(jù)集分別訓(xùn)練兩種模型時，CBAM-BlendMask的馬修斯系數(shù)均優(yōu)于BlendMask；在綜合數(shù)據(jù)集中，兩種模型的馬修斯系數(shù)分別為0.66、0.88，改進(jìn)后的模型性能提升較大（圖4）。造成該實(shí)驗(yàn)結(jié)果的原因?yàn)椋焊倪M(jìn)后的模型對礦物的識別分割效果更好。

對比海塔盆地頁巖SEM圖像的礦物成分手工標(biāo)注及兩種模型分割結(jié)果，分割目標(biāo)中有機(jī)質(zhì)、菱鐵礦、微裂縫等類型顆粒小且密集，導(dǎo)致實(shí)例分割結(jié)果圖像較亂。為了分割效果更直觀，本文將分割后同一礦物用一種顏色表示，去除標(biāo)簽，使用方框形式標(biāo)記出分割效果不同的區(qū)域，結(jié)果如圖5所示。在圖5方框標(biāo)出的區(qū)域中，CBAM-BlendMask分割結(jié)果優(yōu)于BlendMask分割結(jié)果和人工標(biāo)注結(jié)果。

3.2 模型性能評價實(shí)驗(yàn)結(jié)果

3.2.1 算法對比實(shí)驗(yàn)結(jié)果

由表2可知：SegNet、YOLACT和FCIS三種算法的分割準(zhǔn)確率、精確率和召回率均低于BlendMask;FCN的分割準(zhǔn)確率與BlendMask較為相近，但精確率和召回率低于BlendMask;BlendMask比其他四種算法的準(zhǔn)確率提高了 0.04～ 0.14。造成以上結(jié)果的原因?yàn)椋合鄬τ谏疃确指罹W(wǎng)絡(luò)BlendMask，SegNet的網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，層數(shù)較淺，無法充分提取頁巖SEM圖像中的復(fù)雜語義信息和目標(biāo)細(xì)節(jié)，導(dǎo)致識別能力不足；YOLACT和FCIS等實(shí)例分割算法在處理孔隙和有機(jī)質(zhì)等小目標(biāo)時較困難，無法準(zhǔn)確地分割出細(xì)小結(jié)構(gòu)，導(dǎo)致語義理解和目標(biāo)識別能力下降；FCN主要用于語義分割，而BlendMask結(jié)合了語義分割和實(shí)例分割的優(yōu)勢，可以更好地識別和區(qū)分頁巖SEM圖像中石英、方解石等復(fù)雜目標(biāo)，因此在精確率和召回率上有較大優(yōu)勢。綜上，將五種算法用于頁巖SEM圖像分割，BlendMask效果最優(yōu)。

圖5原始圖像（a）、人工標(biāo)注結(jié)果（b）、BlendMask（c）和CBAM-BlendMask（d）分割結(jié)果

Fig.5Original image（（a），manuallabeling result （b），and segmentationresults of BlendMask （c）and CBAM-BlendMask （c

表2五種算法驗(yàn)證集結(jié)果

3.2.2 消融實(shí)驗(yàn)結(jié)果

由表3可知：當(dāng)卷積和損失函數(shù)相同時，CBAM-BlendMask比BlendMask對八種標(biāo)簽類型的識別精確率更高，提升 0.08～0.28 ，但平均識別時間增加 1.44～2.65 s；當(dāng)卷積和算法模型相同時，DiceLoss函數(shù)對八種標(biāo)簽類型的識別精確率優(yōu)于交叉熵函數(shù)，提升 0～0.28 ，時間增加 0.32～1.80s ，對石英和方解石等含量較少的成分的識別精確率提升約 0.09～0.16 ；當(dāng)算法模型和損失函數(shù)相同時，深度可分離卷積對八種標(biāo)簽類型的識別精確率提升0～0.15 ，時間減少 1.29～2.70s 。綜上結(jié)論：引入注意力機(jī)制會較大提高模型的提取能力，但是參數(shù)計(jì)算量增加會降低識別速度；DiceLoss函數(shù)的引入會提高含量較少成分的識別精度，從而對模型的整體分割性能有所提升，但提升效果略低于注意力機(jī)制；同時本文通過計(jì)算200張頁巖SEM圖像平均識別速度可知，相比于BlendMask模型，CBAM-BlendMask分割時間減少了 1.44～2.65s ，因此深度可分離卷積會明顯提高模型分割速度，降低注意力機(jī)制和損失函數(shù)導(dǎo)致的模型識別速度降低的問題。

3.2.3 CBAM-BlendMask和BlendMask實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)中，統(tǒng)計(jì)分析模型對石英、黃鐵礦等八種標(biāo)簽類型的分割準(zhǔn)確率和召回率，并建立了兩種模型的混淆矩陣，結(jié)果如圖6所示。

由圖 6a，b 可知，CBAM-BlendMask模型的分割準(zhǔn)確率和召回率均高于BlendMask，準(zhǔn)確率和召回率分別提升了 0.02～0.20 和 0～0.59 ，且兩種模型對微裂縫的分割準(zhǔn)確率和召回率均高于0.95。導(dǎo)致此實(shí)驗(yàn)結(jié)果的主要原因有：在模型的特征提取網(wǎng)絡(luò)中嵌入了注意力機(jī)制，使模型能夠更加聚焦于圖像中黃鐵礦、方解石、石英等礦物的重要特征，提高了模型的分割性能；在圖像訓(xùn)練時，替換后的DiceLoss函數(shù)解決了模型訓(xùn)練時礦物含量不平衡的問題，提高了模型的泛化能力和分割精度；微裂縫具有線狀延伸特征，分割識別精度高。

表3損失函數(shù)、深度可分離卷積和注意力機(jī)制消融實(shí)驗(yàn)表

Table 3Ablation experiment table of loss function，depth separable convolutionand attntion mechanism

圖6CBAM-BlendMask和BlendMask模型的分割準(zhǔn)確率、召回率和混淆矩陣圖

Fig.6Segmentation accuracy，recall and confusion matrix of CBAM-BlendMask and BlendMask model：

由圖6c、d可知，部分黃鐵礦和菱鐵礦，石英和方解石，粒間孔和粒內(nèi)孔、有機(jī)質(zhì)存在相互被誤識別的現(xiàn)象。造成該現(xiàn)象的原因主要為：在灰度圖像中，黃鐵礦和菱鐵礦亮度相似，且黃鐵礦的數(shù)量遠(yuǎn)大于菱鐵礦，導(dǎo)致菱鐵礦召回率低于黃鐵礦；石英和方解石亮度且形態(tài)相似，且石英的數(shù)量多于方解石，使石英的召回率高于方解石；有機(jī)質(zhì)、粒間孔和粒內(nèi)孔亮度相似、顆粒度較小，容易被相互誤識別；數(shù)據(jù)標(biāo)注過程存在誤標(biāo)現(xiàn)象，導(dǎo)致模型識別準(zhǔn)確率不高。

3.3 遷移實(shí)驗(yàn)結(jié)果

圖7為BlendMask和CBAM-BlendMask兩種模型遷移實(shí)驗(yàn)結(jié)果。由圖7可知：由于不同頁巖儲層區(qū)塊的SEM圖像成分類型和含量不同，兩種模型在遷移至正安地區(qū)五峰組一龍馬溪組油層數(shù)據(jù)集中的識別準(zhǔn)確率和分割精確度均低于海塔盆地奧陶系油層數(shù)據(jù)集；CBAM-BlendMask模型的各項(xiàng)評價指標(biāo)均優(yōu)于BlendMask，表明CBAM-BlendMask模型具有良好的遷移性和可用性。

圖7兩種模型在不同數(shù)據(jù)集實(shí)驗(yàn)結(jié)果圖

Fig.7 Plotof theexperimental resultsofthetwomodelsindifferentdatasets

CBAM-BlendMask模型在正安地區(qū)五峰組一龍馬溪組油層數(shù)據(jù)集上的識別準(zhǔn)確率和分割誤差率變化趨勢與在海塔盆地奧陶系油層數(shù)據(jù)集上的趨勢大致相同，識別準(zhǔn)確率在0.8以上，分割誤差率在0.2以下；各項(xiàng)指標(biāo)與海塔盆地奧陶系油層數(shù)據(jù)集評價結(jié)果誤差均在 10% 以內(nèi)，均優(yōu)于BlendMask模型。這說明CBAM-BlendMask模型具有較好的遷移性，可用于其他區(qū)塊的頁巖SEM圖像特征鑒定。

4結(jié)論與展望

本文提出的CBAM-BlendMask方法，用于解決由于圖像樣本不均衡、自身結(jié)構(gòu)復(fù)雜和傳統(tǒng)算法設(shè)計(jì)缺陷等原因?qū)е碌淖R別精度不高、分割速度較慢的問題。通過理論闡述和實(shí)驗(yàn)驗(yàn)證，給出CBAM-BlendMask方法的研究結(jié)論如下：

1）本文提出的雙邊濾波去噪和拉普拉斯算子銳化的圖像增強(qiáng)方法，去噪和銳化效果較好，能夠有效消除形成SEM圖像過程產(chǎn)生的噪聲，增強(qiáng)菱鐵礦、石英、有機(jī)質(zhì)等的特征，提高模型對圖像的識別和分割準(zhǔn)確率。

2）標(biāo)注圖像后的增廣機(jī)制不僅可以增加訓(xùn)練集的樣本數(shù)量，同時能有效緩解模型過擬合的情況，提高模型泛化能力。

3）在頁巖SEM圖像分割任務(wù)中，同目前深度學(xué)習(xí)中常用的 SegNet、YOLACT、FCIS 和FCN目標(biāo)檢測算法相比，BlendMask算法分割準(zhǔn)確率提高了 0.04～0.14 ，而改進(jìn)后的BlendMask（CBAM-BlendMask）使用DiceLoss作為損失函數(shù)，相比交叉熵，可以提高模型對石英、方解石等較少含量礦物的識別能力，進(jìn)而提升頁巖礦物的整體識別精度。

4）CBAM-BlendMask使用深度可分離卷積代替普通卷積，當(dāng)分割圖像為200張時，相比于BlendMask模型，分割時間減少了 1.44～2.65s 。

CBAM-BlendMask方法能有效解決圖像識別傳統(tǒng)方法自動化程度低、特征提取困難問題，適用于實(shí)際的頁巖SEM圖像的特征鑒定。在后續(xù)工作中，我們將應(yīng)用基于深度學(xué)習(xí)的自標(biāo)注方法提高數(shù)據(jù)集標(biāo)注的速度和質(zhì)量，解決由于數(shù)據(jù)集標(biāo)注成本高導(dǎo)致的數(shù)據(jù)集缺失問題。同時，考慮在改進(jìn)BlendMask模型中通過動態(tài)選擇不同的卷積核尺寸提取不同尺度的特征，從而增強(qiáng)網(wǎng)絡(luò)對小目標(biāo)的感知能力，提高對粒內(nèi)孔、粒間孔、有機(jī)質(zhì)等的識別分割準(zhǔn)確率。此外，計(jì)劃將CBAM-BlendMask方法應(yīng)用于孔喉特征的分析過程，并評價該方法的潛力。

參考文獻(xiàn)（References）：

[1]劉軍，田雷，張虎權(quán)，等.塔西南坳陷麥蓋提斜坡海西期油氣成藏條件與勘探方向[J].石油地球物理勘探，2022，57（3）：676-685.Liu Jun， Tian Lei， ZhangHuquan， etal.Accumulation Conditions of Hercynian Period in the

[2]王安，胡明毅，高家俊，等.松南長嶺凹陷青山口組一段泥頁巖元素地球化學(xué)特征及古環(huán)境意義[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2024，54（6）：2075－2088.Wang An，Hu Mingyi，Gao Jiajun，et al.ElementGeochemical Characteristics and’ PaleoenvironmentalSignificance of Mud' Shale in the First Member ofQingshankou Formation of Changling Sag in SouthernSongliao Basin ［J]. Journal of Jilin University （EarthScience Edition），2024，54（6）：2075 -2088.

[3] Liang C， Wu J，Cao Y， et al. Storage SpaceDevelopment and Hydrocarbon Occurrence ModelControlled by Lithofacies in the Eocene Jiyang Sub-Basin，East China： Significance for Shale Oil ReservoirFormation [J]. Journal of Petroleum Science andEngineering，2022，215：110631.

[4]汪軍，徐金明，龔明權(quán)，等.基于掃描電鏡圖像和微觀滲流模型的云岡石窟砂巖風(fēng)化特征分析[J].水文地質(zhì)工程地質(zhì)，2021，48（6）：122-130.Wang Jun， Xu Jinming， Gong Mingquan， et al.Investigating Weathering Features of Sandstones in theYungang Grottoes Based on SEM Images and Micro-Scale Flow Model [J]. Hydrogeology amp; EngineeringGeology，2021，48（6）：122-130.

[5]王婷婷，孫振軒，戴金龍，等.松遼盆地中央坳陷區(qū)儲層巖性智能識別方法[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2023，53（5）：1611-1622.Wang Tingting， Sun Zhenxuan，Dai Jinlong，et al.IntelligentIdentificationMethodofReservoirLithology in Central Depression of Songliao Basin [J].Journal of Jilin University （Earth Science Edition），2023，53（5）：1611-1622.

[6]蔡宇恒，滕奇志，涂秉宇.基于深度學(xué)習(xí)的巖石鑄體薄片圖像孔隙自動提取[J].科學(xué)技術(shù)與工程，2020，20（28）：11685-11692.Cai Yuheng， Teng Qizhi， Tu Bingyu. AutomaticExtraction of Pores in Thin Slice Images of RockCastings Based on Deep Learning [J]. ScienceTechnology and Enginering，2020，20（28）：11685 -11692.

[7]周恒，張春雷，張欣，等.基于相干特征的巖石薄片序列圖像邊緣提取及顆粒分割[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2021，51（6）：1897-1907.Zhou Heng， Zhang Chunlei， Zhang Xin，et al. EdgeExtraction and Particle Segmentation Basedon2021，51（6）：1897-1907.

[8]陳森，徐偉峰，王洪濤，等.基于改進(jìn) YOLOv7 的麥穗檢測算法[J].吉林大學(xué)學(xué)報（理學(xué)版），2024，62（4）：886-894.Chen Sen， Xu Weifeng，Wang Hongtao，et al. WheatHeadDetectionAlgorithm Basedon ImprovedYOLOv7[J]. Journal of Jilin University （ScienceEdition），2024，62（4）：886－894.

[9]鄧劉敏，葛祥坤，范光，等.基于掃描電鏡-能譜儀的礦物定量分析：以AMICS為例[J].世界核地質(zhì)科學(xué)，2023，40（1）：98-105.Deng Liumin， Ge Xiangkun， Fan Guang， et al.Quantitative Analysis of Minerals Based on ScanningElectronMicroscopyandEnergyDispersiveSpectrometry：A Case Study of AMICS [J]. WorldNuclear Geoscience，2023，40（1）：98-105.

[10]Pirrie D，Butcher A R，Power M R，et al. RapidQuantitative Mineral and Phase Analysis UsingAutomatedScanningElectron Microscopy（QEMSCAN）： Potential Applications in ForensicGeoscience [J]. Geological Society，London， SpecialPublications，2004，232（1）：123-136.

[11］朱匯派，費(fèi)光春，譚華，等.掃描電鏡-能譜分析在四川西部某鋰礦石鈮鈕元素賦存狀態(tài)研究上的應(yīng)用［J].有色金屬（選礦部分），2023（5）：16－21，41.Zhu Huipai， Fei Guangchun， Tan Hua， et al.Application of SEM and EDS to Study the Occurrenceof Niobium and Tantalum in Lithium Ore in WestSichuan [J]. Nonferrous Metals （Mineral ProcessingSection），2023（5）：16-21，41.

[12]Wu Y，Misra S， Sondergeld C，et al. MachineLearning for Locating Organic Matter and Pores inScanning Electron Microscopy Images of Organic-Rich Shales [J].Fuel，2019，253：662-676.

[13]Chen Z，Liu X，Yang J，et al.Deep Learning-BasedMethod for SEM Image Segmentation in MineralCharacterization： An Example from Duvernay ShaleSamples in Western Canada Sedimentary Basin [J].Computers 8. Geosciences，2020，138：104450.

[14]Liu T，Li C S，Liu Z B， et al. Research on ImageIdentification Method of Rock Thin Slices in TightOil Reservoirs Based on Mask R - CNN [J].Energies，2022，66：1996-1073.

[15]黃研，姚宗惠，趙玉華，等.OVT 域Q偏移技術(shù)在慶城頁巖油開發(fā)中的應(yīng)用[J].石油地球物理勘探，2022，57（增刊2）：53-57，226.Huang Yan， Yao Zonghui， Zhao Yuhua， et al.Application of OVT-Domain Q-Migration Technologyin Shale Oil Development in Qingcheng [J].OilGeophysical Prospecting，2022，57（Sup. 2）： 53-57，226.

[16]曾亞麗，龍盛芳，吳朦朦，等.基于GeoEast 地震屬性分析的儲層預(yù)測技術(shù)及其在環(huán)縣地區(qū)頁巖油勘探開發(fā)中的應(yīng)用[J].石油地球物理勘探，2022，57（增刊1）：196 -201.Zeng Yali，Long Shengfang，Wu Mengmeng，et al.Reservoir Prediction Technique Based on GeoEastSeismic Attribute Analysis and Its Application inShale Oil Exploration and Development in Huanxian[J]. Oil Geophysical Prospecting，2022，57（Sup.1）：196-201.

[17]Yang R，Mu C，Yang Y，et al. An Efficient FCN-BasedNeuralNetwork forImage SemanticSegmentation [C]//201911th InternationalConference on Digital Image Processing. [S. 1.]：IEEE，2019：1-5.

[18]吉訓(xùn)生，孫貝貝，夏圣奎.基于改進(jìn) SegNet 的雞只檢測算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2024，45（1）：102 -109.Ji Xunsheng，Sun Beibei， Xia Shengkui. ChickenDetection Algorithm Based on Improued SegNet[J].Computer Engineering and Design，2024，45（1） ：102 -109.

[19]周利，蔡金延，丁仕風(fēng)，等.基于YOLACT的冰體環(huán)向裂紋尺寸識別方法［J]．中國艦船研究，2023，18（6）：150-157.Zhou Li，Cai Jinyan，Ding Shifeng，et al. Method ofRecognizing Ice Circumferential Crack Size Based onYOLACT[J]. Chinese Journal of Ship Research，2023，18（6）：150-157.

[20]耿劭鋒，戚銀城，史博強(qiáng)，等.基于FCIS 模型的輸電線路部件同時檢測與分割方法[J].電力科學(xué)與技術(shù)學(xué)報，2023，38（2）：124-132.Geng Shaofeng，Qi Yincheng，Shi Boqiang，et al.Simultaneous Detection and Segmentation Method ofTransmission Line Components Based on ImprovedFCIS Model [J]. Journal of Electric Power Scienceand Technology，2023，38（2）：124-132.

[21]Gonzalez R C，Woods R E. Digital Image Processing[M]. 3rd ed. Upper Saddle River： Prentice-Hall Inc，2007.

[22]Gollamandala U B，Midasala V，Ratna V R. FPGADenoising LJ」. Microprocessors and Microsystems，2022，90：104520.

[23]孫晨峰，呂衛(wèi)民，戴洪德，等．一種基于TimeGAN 和OCSVM的多元退化設(shè)備小樣本數(shù)據(jù)增廣方法[J].電子學(xué)報，2022，50（11）：2678－2687.Sun Chenfeng，Lü Weimin，Dai Hongde，et al.ASmall Sample Data Augmentation MethodforMultivariate Degradation Equipment BasedonTimeGAN and OCSVM[J]. Acta Electronica Sinica，2022，50（11）：2678-2687.

[24] Tang X，Lv L，Javanmardi S，et al. Image Synthesisand Modified BlendMask Instance Segmentation forAutomated Nanoparticle Phenotyping [J]. IEEETransactions on Medical Imaging， 2023， 42（2）：512 -525.

[25]陳正浩，鄧月明，謝競，等.改進(jìn) SAF-FCOS 的雷視融合目標(biāo)檢測算法[J].計(jì)算機(jī)工程與應(yīng)用，2024，60（14）：209-218.Chen Zhenghao，Deng Yueming，Xie Jing，et al.Improved SAF-FCOS Target Detection AlgorithmBased'on Radar-Vision Fusion [J]. ComputerEngineering and Applications，2024，60（14）： 209218.

[26]陳宗銘，唐玄，梁國棟，等.基于深度學(xué)習(xí)的頁巖掃描電鏡圖像有機(jī)質(zhì)孔隙識別與比較［J]．地學(xué)前緣，2023，30（3）：208-220.Chen Zongming，Tang Xuan，Liang Guodong，et al.Identification and Comparison of Organic Matter-Hosted Pores in Shale by SEM Image Analysis： ADeep Learning-Based Approach [J]. Earth ScienceFrontiers，2023，30（3）：208－220.

[27]Li L，F(xiàn)ang B，Zhu J. Performance Analysis of theYOLOv4 Algorithm for Pavement Damage ImageDetection with Different Embedding PositionsofCBAM Modules [J]. Applied Sciences，2022，12（19）：10180.

[28]He K，Zhang X，Ren S，et al. Deep ResidualLearning for Image Recognition [C]// 2016 IEEEConference onComputerVisionand PatternRecognition. Las Vegas： [s. n.]， 2016： 770-778，

[29]孟慶濤，胡菲，劉招君，等.陸相坳陷湖盆細(xì)粒沉積巖巖相類型及成因：以松遼盆地晚白堊世青山口組為例[J].吉林大學(xué)學(xué)報（地球科學(xué)版），2024，54（1）：20 -37.Meng Qingtao， Hu Fei， Liu Zhaojun， et al.Lithofacies Types and Genesis ofFine-GrainedSediments in Terrestrial Depression Lake Basin：Taking Upper Cretaceous Qingshankou Formation inSongliao Basin as an Example [J].Journal of JilinUniversity（Earth Science Edition），2024，54（1）：20-37.

[30] Sifre L， Mallat S. Rigid-Motion ScatteringforTexture Classification [J/OL]// arXiv Preprint.[2014-03-07].doi.10.48550/arXiv.1403.1687.

[31] 李紹軒，楊有龍.基于消融分析的卷積神經(jīng)網(wǎng)絡(luò)可解釋性分析[J].吉林大學(xué)學(xué)報（理學(xué)版），2024，62（3）：606-614.LiShaoxuan， YangYoulong.InterpretabilityAnalysis of Convolutional Neural Networks Based onAblation Analysis [J]. Journal of Jilin University（ScienceEdition），2024，62（3）：606-614.

[32] Butkovskyi A， CirkelG， Bozileva E， etal.Estimation ofthe Water Cycle Related to ShaleGasProduction Under High Data Uncertainties：DutchPerspective[J].Journalof EnvironmentalManagement，2018，231：483-491.

[33] Milletari F，Navab N，Ahmadi S A. V-Net：FullyConvolutional Neural Networks for VolumetricMedicalImageSegmentation [J/OL] .arXivPreprint. [2018-10-28] . https：//doi. org/10.48550/arXiv.1606.04797.

[34] Ren S，He K，Girshick R，et al. Faster R-CNN：Towards Real-Time Object Detection with RegionProposal Networks [J]. IEEE TransactionsonPattern Analysisand Machine Intelligence，2O17，39（6）：1137-1149.

[35] Zhu Q.On the Performance of Matthews CorrelationCoefficient （MCC） for Imbalanced Dataset [J].Pattern Recognition Letters，2020，136（1）：123-130.

[36] Baeza-Yates R，Ribeiro-Neto B. Modern InformationRetrieval[M].Boston：Addison-Wesley，1999.

[37] Liu X，Croft W B. Statistical Language Modeling forInformation Retrieval[J]. Annual ReviewofInformation Science and Technology，20o6，39（1）：1-31.