基于深度学习的油页岩CT图像 有机质识别分割方法研究

• 作者: 王欣 杨栋 黄旭东
• 来源期刊: 太原理工大学学报
• 关键词: 深度学习 油页岩 有机质 混合空洞卷积 语义分割
• 年，卷（期）: 2023,（4）
• 页码范围: 89-98
• 页数: 10页
• 语种: 中文
• DOI: 10.16355/j.cnki.issn1007-9432tyut.2023.04.010

摘要

[目的]油页岩中有机质的密度远低于其他岩石基质,因此,在 CT 图像中有机质的灰度值往往接近于孔隙裂隙的灰度值,从而在图像中表现为灰度值差异不明显,有机质和岩石的边界模糊等问题.[方法]为了精准识别分割出油页岩 CT 图像中的有机质,对深度学习领域的图像分割方法进行研究,并自主搭建了描述有机质分割的 OM-Unet 语义分割网络架构.通过在传统Unet 模型中引入混合空洞卷积模块、由粗到精的部署策略和轻量化自适应特征融合模块,利用卷积神经网络识别分割油页岩 CT 图像中的有机质,并结合 MIoU 等评价指标对其分割效果进行评估.[结果]OM-Unet 模型的 MIoU 为 80.66%,相较于三相分割方法、Unet、CBAM-Unet、Deep-LabV3、HDC-Unet 和 LAFF-Unet 模型分别增加了 8.01%、17.68%、9.5%、2.54%、2.83%和9.13%.OM-Unet 模型的 MPA 为 89.16%,相较于三相分割方法、Unet、CBAM-Unet、Deep-LabV3、HDC-Unet 和 LAFF-Unet 模型分别增加了 12.85%、20.62%、15.82%、8.81%、9.55%和15.34%.[结论]该结果证明 OM-Unet 模型可有效提高油页岩有机质分割的准确性,更加精确地确定有机质体积百分比、有机质团数量随温度或者热解条件的变化规律,为油页岩原位开发提供基础理论数据.