0 引言

掌握地层和井壁信息有助于准确评价钻井钻进地层中的含油气情况以及井筒是否稳定，尤其是若能快速感知地层的岩性变化，则可为后续钻井施工提供指导。在钻探过程中，岩屑的分析、描述可直观反映全井段地层信息，故岩屑录井是一种最直观、可靠的录井方法，是随钻监测必需的环节之一，具有不可替代性^[1]。

目前，岩屑录井主要是采用在放大镜下观察、显微镜下拍照或物理化学等方式对砂样进行岩性分析，计算各种岩屑样品的质量或体积百分比，制作井下岩屑地层剖面图^[2]。该方式岩性识别工作量大，易受主观因素干扰，对录井人员专业要求高，在时间上地层信息存在滞后性。由于气体钻井等欠平衡技术的发展、PDC钻头在现场的广泛应用，地层钻进速度较快，传统的人工分析方式难以满足现场实时性和准确性方面的需求。

岩性识别是储层评价中的一个重要环节^[3]，是油藏描述、实时钻井监控及求取储层参数的基础^[4]。为了满足现场高效识别地层信息、及时反映岩层变化响应的工程需求，张野等^[5]利用基于Inception-V3的卷积网络实现了岩石岩性的自动分类，但花岗岩和角砾岩部分图像分类准确率不足70%。郑尊凯^[6]提出了基于Triplets和Resnet18卷积神经网络的岩屑识别方法，采用三元组的输入方式，利用三个相同的卷积网络提取特征映射到度量空间进行分类。该方法精度有一定提升，但模型参数多、内存占比高，不适用于将模型移植至嵌入式移动设备。

上述方法主要利用砂样整体对岩性进行识别，但不同区块、不同井位、不同深度的颗粒岩屑均不一样，故识别精度受限。因此，可采取先识别砂样中每个颗粒岩屑的岩性，再依据识别结果对砂样性质进行总体评价的方式。但这种方式要求首先应能从一堆杂乱，甚至相互堆叠、粘连的砂样颗粒堆图像中分割、提取单个颗粒岩屑，再对单个颗粒图像进行识别。针对这一问题，Baklanova等^[7]利用K均值聚类方法对彩色矿石进行了自动分割，但需手动设置聚类中心数，且要求矿石色彩有明显差异。Gao等^[8]利用基于改进的归一化切割方法分割了岩石颗粒图像，并在一定条件下取得了较好的效果，但对样品的均质性及体型大小要求较高。Karimpouli等^[9]使用CT扫描技术获得岩石原始图像后，对少量的样本进行扩增，并通过SegNet算法成功地分割了部分数字岩石图像，但计算和处理过程复杂，且未进行后续研究。

上述研究均未完全实现对砂样中单颗粒岩屑进行岩性识别的目的。为此，本文从当前岩屑录井的实际作业流程出发，提出基于砂样图像中单颗粒岩屑纹理、色泽和形状等特征进行岩性智能识别的方法。首先，对采集的砂样图像计算图形像素值梯度，并结合分水岭算法获取颗粒岩屑轮廓线，形成颗粒岩屑标记图；然后，采用图像提取算法从砂样图像中提取待检测的单个颗粒岩屑图像，形成单颗粒岩屑图像及样本库^[10]；最后，利用注意力机制及特征融合模块改进MobileNetV2网络，提取颗粒岩屑特征并按岩性分类，实现单个颗粒岩屑图像岩性识别，进而获取砂样岩性成分比。该方法通过对砂样图像中每个颗粒岩屑的岩性进行快速智能判别，感知地层岩性变化趋势，可以判断是否钻进新岩层，不仅能够有效减轻岩屑录井人员的工作强度，也能够有效防止卡钻、井塌等风险事故，提高了钻井效率。

1 砂样图像采集及岩屑分割标记 1.1 砂样图像采集方法

在钻探过程中，录井作业人员一般利用架空槽或振动筛收集砂样，将砂样快速清洗和烘干后，均匀选取200~300g砂样用于分析。在选取的分析砂样中，颗粒大小分布、岩性分布特征与收集的全部砂样基本保持一致。然后，提交专业人员进行肉眼或显微镜观察^[11]。分析砂样也会置于现场砂样图像采集系统的取样盒，将分析砂样拍照存档。

选取的砂样在放置于取样盒过程中，同时采取颗粒岩屑分散化措施，以使颗粒岩屑能基本覆盖整个取样盒，且覆盖层数为1。另外，尽量避免颗粒堆叠，使每个颗粒岩屑得以充分展现，提高分析准确度。取样盒一般尺寸为5cm×5cm。在该尺寸条件下，拍摄的砂样图像采用1600×1600像素的分辨率，基本能够保证岩屑图像特征清晰。

1.2 单颗粒岩屑分割标记与图像提取

为获取待分析砂样图像中每个单颗粒岩屑的图像，需根据每个颗粒岩屑的轮廓信息对其进行单独分割标记后再被提取。砂样图像单颗粒岩屑标记流程如图 1所示。

由于在图像采集过程中采用整体砂样拍照，故图像中必然存在大量无用信息或干扰信息。为减少图像分析数据量、抑制表面噪点等无关因素以提升识别精度，需首先对岩屑图像进行去噪、灰度变换和修正处理。经过处理后，岩屑图像从彩色图像变为灰度图像，噪点和干扰信息大幅减少，但与单目标颗粒图像轮廓相关的信息得以保留。

进一步利用最大类间方差法对灰度图像进行二值化处理，并采用图像形态学重建法中的开、闭运算，对二值图像进行形态优化，以填充在二值化过程中形成的空洞并去除噪点。而对于图像中轮廓不清晰的粘连或有接触颗粒，以优化后的二值图为基础进行距离变换，求取图像中各连通域像素点到最近背景像素点的欧氏距离，计算结果形成欧氏距离灰度图。利用数学形态学中的h-minima极值变换，确定欧氏距离最大点，视为目标颗粒图像的质心点^[12]，并记录其坐标数据，形成质心位置图。

另一方面，图像中像素值变化梯度能准确反映图像灰度值的变化程度。梯度值越大，表示该像素点两侧像素值变化越大。而对于砂样灰度图，不同颗粒之间、颗粒与背景之间也存在像素值突变，最大梯度值对应的像素点往往为颗粒岩屑轮廓边沿像素点。因此，首先以目标颗粒图像的质心点为起点，分别求取质心周围各像素点的像素值梯度，并保留最大梯度值像素点，可形成最大梯度值图像^[13]。在最大梯度值图像中，必包含各颗粒岩屑轮廓边沿的位置信息。然后，在最大梯度值图像上进行分水岭分割运算，可形成包围各质心点的轮廓线，即为各颗粒岩屑图形的封闭轮廓线。最后，对轮廓中具有相同连通域的像素点采用相同像素值进行标记，形成颗粒岩屑标记图。

此外，在颗粒岩屑标记图中，记录每一单颗粒标记的所有像素点坐标和对应像素值，以及该单颗粒标记在纵、横轴的最小和最大坐标值。以第n个单颗粒图像标记为例，记录的各像素点坐标为(x_{n_i}，y_{n_i})，对应像素值为D(x_{n_i}，y_{n_i})，其中i表示第n个单颗粒图像标记中的第i个像素点。纵轴最小、最大坐标分别为y_{n_min}、y_{n_max}，横轴最小、最大坐标分别为x_{n_min}、x_{n_max}。

为获取原砂样图像中第n个单颗粒岩屑图像，首先，生成一幅与原砂样图像相同尺寸的黑色背景图。然后，根据颗粒岩屑标记在处理过程中获取的坐标信息，将砂样图像中构成第n个单颗粒图像的所有像素点的像素值全部复制到黑色背景图中的同坐标像素点，生成一幅新的单颗粒岩屑像素值复制图(图 2)。在第n个单颗粒图像处理过程中，该复制过程只进行一次，故新生成的复制图中就仅存在第n个单颗粒岩屑图像，且位置形态信息与原砂样图保持一致，其余部分全部为黑色背景。最后，对新生成的复制图像尺寸进行删减，只保留x_{n_min}~x_{n_max}且y_{n_min}~y_{n_max}坐标区域的图像，去除其余的黑色背景部分，形成最终的单颗粒岩屑图像，即等效完成了原砂样图像中的单颗粒岩屑图像提取。砂样图像中n个颗粒共分别进行n次提取，新生成n幅单颗粒岩屑图像，即完成原砂样图像中所有单颗粒岩屑图像提取。

2 颗粒岩屑图像样本构建

由于颗粒岩屑之间尺寸不一致，图像提取后成图尺寸也有明显差异。但为保证提取后的单颗粒岩屑图像不会因为缩放而出现信息失真或者影响智能识别效果，本文未对提取后的单颗粒岩屑图像进行拉伸等处理。另一方面，考虑到单颗粒岩屑图像之间尺寸不同，可能致使识别网络因输入图像尺寸不一致而造成计算失效，本文采用对复制的单颗粒岩屑图像进行边沿填充0值的方式，将图像尺寸统一扩至224×224像素，以便后续能输入到网络中进行识别处理。该处理结果只是调整了单颗粒岩屑图像中黑色背景信息的尺寸，而颗粒图像有效信息并未改变。

为提供足够的单颗粒岩屑图像样本用于智能网络训练，在多个油气区块、多井次收集多幅砂样图像资料，采用上述方法进行单颗粒岩屑图像的分割与提取。分割、提取后的单颗粒岩屑图像由专业地质人员结合录井深度和地层岩性信息进行筛选和岩性分类，形成单颗粒岩屑图像岩性样本，并剔除识别度低的图像。本文方法形成的单颗粒岩屑图像样本库(图 3)包括灰岩、泥岩、砂岩、页岩四种岩性图像分别为2604、2760、2556、2640幅，共10560幅。

采用分割准确率作为算法分割性能的评价指标，将一幅砂样图像中准确分割的颗粒数量与总岩屑数量的比值作为分割准确率。对所有图像分割准确率取均值，作为总的分割准确率指标^[14]。从构建的颗粒岩屑图像样本库中随机抽取1000幅图像进行测试，本文方法分割准确率为95.28%。其中，未准确分割的原因在于部分颗粒岩屑粘连或严重重叠，被误处理为同一个目标区域，但数量较少。而上述砂样图像处理方式，可将目前常采取的利用砂样整体进行岩性识别方式转变为对砂样中单颗粒岩屑进行岩性智能识别的方式，使每一颗岩屑的特征信息展现更充分，大幅减少了颗粒岩屑之间的相互干扰，有利于砂样岩性识别精度的提高。

3 单颗粒岩屑岩性智能识别网络 3.1 网络基本架构选取

识别颗粒岩屑岩性的重点是寻找具有区分度的特征，可借助人工神经网络具备的自学习能力降低判断成本。由于灰岩、泥岩、砂岩、页岩在纹理和颜色特征上都有差异，而且深度学习网络能够很好地学习样本中的纹理和颜色差异特征，因此本文采用深度学习网络模型提取岩屑的纹理和颜色特征，进行岩性识别和分类。

深度学习通过多层处理^[15]，学习样本数据内在规律和表示层次^[16]，逐渐将初始的“低层”特征提取转化为提取“高层”特征，最后采用相对简单的模型即可完成复杂的分类任务。为选择合适的深度学习模型框架，本文对目前通用的分类网络VGG16、ResNet18、ResNet50、MobileNetV2的岩屑类型识别性能进行对比试验。测试砂岩样本115个。

由试验结果(表 1)可知，VGG16、ResNet18、ResNet50、MobileNetV2模型的训练准确率分别为84.09%、86.14%、86.95%、88.04%，并且所需内存大小分别为512.0、46.8、90.0、8.7MB，平均单颗粒识别用时分别为22、6、12和0.038s，这表明传统通用分类网络虽能实现岩屑岩性识别功能，且识别速度较快，但准确率都未超过90%，尚有较大的提升空间。

为方便后期将网络部署于钻井现场的嵌入式系统上，选择占用系统资源最少且用时最少的分类网络MobileNetV2作为岩屑岩性智能识别网络的基础结构。目前MobileNetV2模型在工业界广泛应用，它由普通卷积、深度分离卷积和平均池化三部分组成。根据其结构及本文应用场合的实际情况，构建如图 4所示的网络结构。首先利用3×3卷积模块初步提取输入图像基本特征形成特征向量，再依次经过特征提取模块提取图像浅层、中层和深层特征。将提取的特征向量图采用全局平均池化处理以过滤非重要特征，然后利用Softmax函数实现特征分类。

3.2 注意力机制优化特征提取网络

虽然上述通用MobileNetV2网络利用岩屑纹理和颜色信息，已可实现一定的识别准确率，但在实际应用中，岩屑存在的多样性会对通用网络图像识别、分析精度造成直接影响，尤其是下述三种情况会严重制约网络分类性能：①不同层位相同类别岩屑特征也可能存在明显差异。砂岩往往根据砂质含量进行区分，由于不同层位砂岩含砂质不同，会使同一井次不同层位的砂岩表现出不同的颜色和纹理特征。②不同类别岩屑之间可能存在类间差异小、类别区分信息仅存在于局部区域的现象，如泥岩、灰岩与页岩虽划分为不同岩石类别，但由于结构成分相似，这几种岩性的岩屑往往有相近的轮廓形状和色泽。其中，页岩有明显平整的层理状结构，泥岩与灰岩质地较均匀，并且灰岩表面更加光滑。③岩屑表面也可能存在噪声干扰、无效纹理等与岩性无关的干扰信息。在上述三种情况中，如果采用MobileNetV2网络直接对岩屑图像进行特征提取，就会包含过多对岩屑分类无效的信息，最终导致相似性高的不同类别岩屑可区分度特征偏少，限制了识别精度的进一步提升。

因此，在智能识别过程中，有必要聚焦重要信息、抑制无关信息。人工识别图像时，首先对图像进行全局扫描，从而快速定位感兴趣的区域，忽略其他区域信息，然后对感兴趣区域投入更多的关注以获取目标细节信息^[17]。故本文在智能识别模型中，嵌入注意力机制模块引导网络关注感兴趣的区域，通过强化对岩屑分类有用的关键信息，弱化噪声、棱角等无关信息以提高模型性能^[18]。Hou等^[19]提出了一种专为分类网络设计的注意力机制模块，该模块把位置信息嵌入到通道注意力中，称之为坐标注意力机制(Coordinate Attention，CA)。CA将坐标注意力分解为两个沿不同方向聚合特征的一维特征编码^[20]，使其能够沿着一个空间方向捕获长程依赖，沿着另一个空间方向保留精确的位置信息，能够在更大的区域上进行注意力判别^[21]，并且避免产生大量的计算成本。故本文以前述制定的MobileNetV2模型结构为主干网络，结合CA注意力机制模型，设计岩屑岩性智能识别网络，并将深、浅层特征以特定方式进行特征融合，挖掘特征之间的关联关系，增强不同类别岩屑图像岩性特征的表达能力，提升模型的识别准确率^[22]。

嵌入注意力机制后改进的MobileNetV2模型结构如表 2所示。加入注意力机制后，其浅层(Bottleneck模块2、模块3)、中间层(Bottleneck模块4、模块5)、高层(Bottleneck模块6、模块7)特征提取形成的特征图分别如图 5~图 7所示。

由图 5~图 7可见，在特征变化过程中，特征信息逐渐从直观转化为抽象。每一特征提取层都在上一层的基础上去除不重要的特征参数，逐渐关注并提取更具代表性的重要特征信息。

图 5所示为模型提取的浅层特征图，其中第二层(图 5左)主要包括岩屑位置、岩屑轮廓等特征。第三层(图 5右)中新增的CA模块在第二层特征图的基础上，提取了部分颗粒岩屑图像所表征的细节信息。但第二、第三层浅层特征还不足以描述岩屑类别属性。

图 6所示为模型提取的中间层特征图，图中像素点亮度与信息权重值正相关。相较于浅层特征图，第四(图 6左)、第五(图 6右)层特征图所包含的信息逐渐抽象，岩屑位置、轮廓等特征逐渐弱化，而颗粒岩屑表面的局部特征信息得以呈现，表达了岩屑局部细节的关键信息。

图 7为模型深层特征图，第六(图 7左)、第七(图 7右)层特征图输出包含颗粒岩屑更多局部特征信息以及组合的特征信息。

上述变化过程充分说明，增加了CA模块的识别网络，通过深度学习和训练，不断抛弃干扰细节以提取本质特征，并分层组合激活特征，可最终有效表达出图像关键的全局语义信息。

3.3 双线性融合模块提升网络分类精度

网络模型通常将最后一层视为输出特征，但由于卷积神经网络在信息传递过程中存在信息损失，最后一层特征输出信息量已大幅减少。对于目前深度学习模型应用较为成熟的交通、人物对象等识别场景，不同的类别之间往往存在较为明显的差异，单一个体通常也具有较为显著的独有特征。也就是说，在这类场景中的识别、分类中，即使深度学习过程有信息损失，但最后一层的输出特征向量仍具备足够的区分度，故仍能达到一定的分类精度。而在颗粒岩屑分类识别这一技术领域，目前主要利用颗粒岩屑形状、轮廓、颜色和纹理信息进行分类。在实际操作过程中不难发现，颗粒岩屑小使得图像信息量有限，导致多次特征提取后，颗粒岩屑深层特征区分度不足，甚至有较高程度的相似性。

这一关键问题在实际应用过程中表现很明显，若采用标准的MobileNetV2模型，仅用其最后一层输出的全局特征进行分类，则往往由于特征信息未能完全涵盖对象的显著特点而限制了分类精度的进一步提升，这是前述对比测试中分类准确率未超过90%的主要原因。因此，本文采取将颗粒岩屑图像全局特征与部分局部特征融合的技术思路，通过提高分类特征向量的维度，使其蕴含信息更丰富以增加特征的区分度，从而提高最终的分类精度。由于颗粒岩屑图像局部特征在中间层Bottleneck模块4和Bottleneck模块5中最为丰富，因此选择将这两层输出后与最终全局深层特征进行融合，以尽量减少特征提取转换过程中因信息损失带来的影响^[23]，有效提升网络对颗粒岩屑图像的分类精度。

另一方面，相较于简单的特征拼接融合，双线性融合方式可以捕获特征通道之间的成对相关性，提取更高阶的特征表达，可获得更具表达力的双线性特征向量^[24]，故本文采用该方法获取中间层层间交互融合后的特征向量，具体步骤如下。

(1) 将Bottleneck模块4输出特征m_a1和Bottleneck模块5输出特征m_a2分别利用1×1的卷积核进行卷积运算，将特征升维到512维度，并利用ReLU函数激活。将升维后的特征对应位置元素相乘，产生一个新的特征张量

$ \boldsymbol{G}=\operatorname{conv}_{1 \times 1}\left(\boldsymbol{m}_{\mathrm{a} 1}\right) \odot \operatorname{conv}_{1 \times 1}\left(\boldsymbol{m}_{\mathrm{a} 2}\right) $

(1)

式中：conv_1×1表示1×1的卷积核；⊙表示利用哈达玛乘积算子对卷积后的特征元素进行对应位置相乘；G∈R^512×14×14，其中R为实数集。

(2) 采用全局平均池化，将特征G汇聚成一个新的特征向量

$ \boldsymbol{x}=\text { Global_pool }(\boldsymbol{G}) $

(2)

式中Global_pool是标准的全局平均池化函数，可以直接在开发环境中调用。本文中特征图G的纵向、横向维度大小均为14。双线性特征融合过程如图 8所示。

(3) 将融合后的特征向量进行规范化，作为双线性特征融合模块的最终输出

$ \boldsymbol{y}=\sqrt{|\boldsymbol{x}|} \operatorname{sign} \boldsymbol{x} $

(3)

$ \boldsymbol{z}_2=\frac{\boldsymbol{y}}{\|\boldsymbol{y}\|_2} $

(4)

式中：y为中间计算变量；z₂即为中间层双线性融合特征向量。将z₂与最后的全局输出向量z₁进行通道拼接(concat)，即融合了全局、第四层和第五层局部特征构成特征输出向量

$ \boldsymbol{z}=\boldsymbol{P}^{\mathrm{T}} \operatorname{concat}\left(\boldsymbol{z}_1, \boldsymbol{z}_2\right) $

(5)

式中P为分类转化矩阵，采用线性分类。为减少融合过程中的计算量，将全局输出向量的输出特征由1280维减小为1100维，即向量z₁的维度为1100维。拼接后的向量z作为后续线性分类网络fc^[25]的输入进行分类。最终形成的返出岩屑单颗粒图像特征岩性识别网络结构如图 9所示。

3.4 网络训练结果

由多名现场岩屑录井专家建立包含灰岩、泥岩、砂岩、页岩4种共计440幅岩性颗粒图像的测试集，分别应用MobileNetV2、MobileNetV2+CA^[26]、MobileNetV2+CA+特征融合模块(本文方法)进行对比测试，测试性能指标采用识别准确率、模型内存大小及模型计算用时。对比测试中，仍采用前述砂样图像处理过程得到的单颗粒岩屑图像，输入训练好的神经网络进行识别，得到图像的分类识别结果，再由岩屑录井专家判定其准确性，获得准确率数值。

训练过程中各模型损失值不断减小并最终均趋于稳定。最终训练结果对比如表 3所示。由表 3可知，与仅应用MobileNetV2模块相比，CA的引入提升了模型分类精度，灰岩、泥岩、砂岩、页岩准确率分别提升了8.00%、5.74%、1.71%、3.73%，证明了注意力机制对模型精度的提升有促进作用。而增加双线性融合模块(本文方法)后，四种岩性识别准确率分别进一步提升了1.86%、1.87%、2.02%和1.90%，均达到92%以上的识别准确率。改进后的模型内存大小仅为10.0MB，极大降低了方法对设备的性能要求，单个样本识别时间平均约为42ms。

4 现场应用

为了能够快速、准确确定岩屑的岩性，提升现场工作效率，本文研究成果最终以软件形式实现，即将单颗粒岩屑分割提取程序和岩屑岩性识别程序整合，形成砂样图像岩性智能识别系统。将待分析的砂样图片分批次输入该系统，完成一幅1600×1600像素图片的分析用时约为8s。为了保证系统流畅运行，设置系统识别周期为10s。

以图 10所示的待测岩屑图像为例，智能识别系统读图后约8s，即得出如表 4所示的分析结果。由表 4可知，智能系统识别出该砂样图片中共有颗粒岩屑207颗。其中，泥岩颗粒193颗，按颗粒图像面积计量，含量占95.8%；砂岩颗粒14颗，含量占4.2%。而在读图约10min之后，现场岩屑分析专家得出结论：泥岩为主，泥质胶结、致密，形状不规则，大部分具备灰褐色纹理条痕，少量浅绿色细粒岩屑砂岩。

砂样图像岩性智能识别系统识别结果与专家结论基本一致，验证了本文方法的正确性和实用性。此外，识别系统给出岩性成分量化数据，该量化数据会根据新输入的图像不断变化并记录，形成岩性成分变化历史数据。录井人员可结合该历史数据，判断钻头是否进入新岩层，这有助于现场人员及时掌握钻遇的地层信息，并防止卡钻、井塌等风险事故的发生。

5 结束语

对地层变化信息能及时响应，并快速感知钻遇地层岩性变化趋势，是目前地层钻探过程中对随钻录井的工程需求。本文通过计算图形像素值梯度并结合分水岭算法，实现对砂样图像中单颗粒岩屑图像的分割提取；采用注意力机制及特征融合模块改进MobileNetV2网络，提取单颗粒岩屑图像纹理、颜色和形状特征进行岩性分类，实现了单个颗粒岩屑图像岩性识别，进而能获取砂样整体岩性成分比。该方法将原有岩性识别过程中常采取的砂样整体识别方式转变为对砂样中单颗粒岩屑岩性进行智能识别的方式，减少了颗粒岩屑之间相互的干扰，使岩屑特征信息呈现更充分。

对灰岩、泥岩、砂岩、页岩四种常见岩性颗粒岩屑识别精度均达到92%以上，且能在10s内完成一次分析作业，这充分说明了该方法能够大幅提高岩屑录井岩性识别准确率和效率。同时，识别系统给出岩性成分量化数据，在一定程度上降低了人为分析的主观性影响，提高了分析结果的可靠性和一致性。虽然目前本文研究成果受样本采集的限制，仅以常见的四种岩性为分析对象，具有一定局限性，但是本文智能识别模型来源于通用网络的改进，具有泛化性，可为建立后续其他岩性颗粒的高效智能识别方法奠定基础，因此具有良好的应用前景。