在油气勘探和开发过程中, 测井是其中必不可少的技术之一, 它不仅能够反映井周的岩性特征, 而且能够反映出裂缝的分布情况和具体结构。实际上, 裂缝是岩石受力而产生变化的一种微观地质构造, 它不仅对地层中油气水的分布情况有很大影响, 而且对油气水的渗流特征有影响。反过来说, 裂缝的分布情况对油气勘探开发具有重要的参考价值和指导意义。所以, 在成像测井解释时, 裂缝的准确识别和定量分析十分重要^[1]。

早期的裂缝提取方法主要采用人工方法, 存在工作量大、效率低等明显缺陷。因此, 国内外研究者开始利用图像处理的方法进行裂缝分割, 主要包括传统分割算法^[2]、Hough变换^[3]、蚁群算法^[4]、小波变换^[5-6]、形态学算法^[7-8]和多尺度方法^[9]等。这些方法虽然取得了一定的效果, 但它们都存在需要人工选取参数, 或者需要满足特定的应用条件等缺点, 其稳定性和适用性仍需要提高。

近年来, 深度学习智能技术发展迅速, 语义分割成为计算机视觉领域的主要研究方向之一, 在这方面涌现出了许多基于深度学习的图像分割方法^[10], 包括FCN网络^[11]、UNet网络^[12]、PSPNet网络^[13]、DeepLab网络^[14]等。与传统方法相比, 基于卷积神经网络的语义分割方法可以自动学习图像的特征, 进行端到端的分类, 并且具有较高的精确度。因此, 国内外学者不断地探索深度学习和测井图像裂缝分割的深度结合^[15-21]。吴正阳等^[15]应用卷积神经网络划分裂缝性储层类别, 与人工解释结果相比符合率更高。然而, 由于测井数据受井眼、地层等条件的影响, 包含的噪声较多, 因此, 准确率仍有待提高。魏伯阳等^[16]提出了基于生成对抗网络的裂缝识别方法。DIAS等^[17]将快速区域卷积神经网络应用于测井图像裂缝的检测。这两种方法能有效识别出裂缝, 但没有对裂缝分割提取。ALZUBAIDI等^[18]提出了利用Mask-RCNN检测测井图像裂缝。DELAVAR^[19]利用机器学习方法做裂缝的分割。ZHANG等^[20]利用UNet的思想, 提出双阶段自适应网络用于裂缝的分割及提取。YASIN等^[21]提出基于深度学习的裂缝的分割及提取方法。这些方法重点关注正弦裂缝, 并且在处理断裂的裂缝或者背景噪声较大的测井图像, 分割效果仍有较大的提升空间。

综上所述, 目前测井图像裂缝识别更多的是利用目标检测网络对裂缝进行识别及定位, 较少使用语义分割网络。考虑到测井裂缝的分割任务中, 需要将图像分为裂缝和背景两类, 以及裂缝本身具有不同大小和形状, 在UNet网络结构的启发下, 提出了一种基于跳跃连接的卷积神经网络模型, 该模型加入了注意力机制(SE)模块, 提高了网络学习特征的能力, 实现了成像测井图中裂缝的有效分割。此外, 由于超声测井图像固有的缺陷, 所分割的测井裂缝仍然存在着一些断点, 因此, 利用骨架细化、最小生成树等算法修复存在断点的裂缝, 从而能够更好地统计裂缝信息, 实现后续裂缝定量分析。

1 方法技术

考虑到成像测井图像的裂缝分割是单类目标的语义分割, 并且测井资料一方面由于保密性几乎无开源数据, 另一方面成像测井的成本很高, 致使有效数据集较小, 因此, 决定以UNet为基础构建网络, 并增加了注意力机制模块, 更好地捕捉裂缝的全局信息, 提高网络的特征学习能力, 其网络架构被命名为SE-UNet。

1.1 SE-Unet网络架构

SE-UNet是在UNet网络^[12]的基础上提出的一个改进的模型, 其总体架构如图 1所示。该网络是一个左右对称的U型结构, 分别由左边的收缩路径和右边的扩张路径两部分组成。其中, 收缩路径包括卷积层和池化层, 特征层在收缩路径中通道数增加、尺寸减小。整个收缩路径主要作用是编码, 即通过卷积和下采样来提取目标的浅层特征。扩张路径包括卷积层和上采样层, 特征层在扩张路径中通道数减少, 尺寸增大。相对应地, 整个扩张路径主要作用是解码, 即通过卷积和上采样来提取目标的深层特征。然后, 引入跳跃连接将收缩路径中浅层特征与扩张路径中的深层特征直接串联。原来的分割网络先通过浅层特征初步确定目标, 再通过深层特征实现分割, 而通过跳跃连接将浅层特征和深层特征有机结合起来, 同时参与识别及分割目标。这种浅层与深层相结合的机制, 避免了浅层特征和深层特征脱节而造成识别及分割的片面性。

其次, 相对浅层特征, 深层特征更能挖掘目标的个性。然而网络在学习深层特征时, 不仅会学习裂缝的特征, 而且同时会学习背景噪声的特征。因此, 本文在网络中添加了注意力机制(SE)模块^[22], 其核心思想是促使深度学习网络根据损失函数去学习特征权重, 使得目标特征权重大, 背景噪声权重小。通过这种方式训练网络, 可以达到更好的学习效果。

SE模块嵌在深度学习网络中会明显增加参数和计算量。考虑到一方面相对于深层特征, 浅层特征更多地表述目标特征的共性, 其重要性要低一些。另一方面, 改进模块的引入不能过多地增加网络的时间复杂度。因此, 本文仅仅在扩张路径中的上采样操作后添加SE模块, 以此提升网络的学习能力。

1.2 网络实施过程及其特征结构变化

本网络模型中的特征结构用C×H×W表示, 其中, C表示特征通道数, H×W表示特征尺寸。如图 1所示, 整个过程分为编码和解码二个部分, 各网络层的输出通道数和尺寸变化如表 1所示, 其执行步骤如下。步骤1)~步骤3)为图 1的编码部分; 步骤4)~步骤7)为图 1的解码部分。

1) 测井图像进行预处理后输入网络编码部分, 先经过两个大小为3×3、步幅数和填充数均为1的卷积层。这两个卷积层不改变输入特征的尺寸。第一个卷积层增加通道数, 而第二个卷积层不改变其通道数。

2) 经过卷积层后, 将其输入到大小和步幅数都为2的池化层。经过池化层后, 图像的输入特征尺寸减半, 通道数不变。

3) 连续执行步骤1)~步骤2)3次, 编码部分的输入特征将不断增加通道数和减小尺寸, 此时输出特征尺寸为1024×16×16。

4) 解码部分中的深层特征通过大小和步幅都为2的转置卷积, 实现上采样。上采样的作用是增大尺寸同时减小通道数。

5) 经过上采样后, 在通道维度上拼接来自编码部分的特征, 使通道数加倍, 随后通过SE模块对特征通道进行重标定, 这一步不改变特征的尺寸和通道数, 其目的主要是通过SE模块激励有用的特征, 抑制无用的特征, 提高特征学习能力。

6) SE模块输出的特征再经过两个大小为3×3、步幅数和填充数均为1的卷积层。其中通过第一个卷积层减少通道数, 第二个卷积层不改变其通道数。

7) 连续执行步骤4)~步骤6)3次, 解码部分的输出特征将不断减少通道数和增大尺寸, 最终输出特征的尺寸与输入特征相同, 通道数为目标的类数(本文为两类: 裂缝和背景)。

1.3 SE模块结构

SE模块由挤压(Squeeze)和激励(Excitation)两部分组成, 挤压部分由一个全局池化层实现, 激励部分包括全连接层和非线性激活层, 整个结构的组成如图 2所示。对于输入为C×H×W的特征层, SE模块首先通过全局池化得到C×1×1的特征层, 然后通过第一个全连接层可以得到(C/r)×1×1的特征层, 经过激活函数1后, 接着再通过第二个全连接层可以得到C×1×1的特征层, 然后通过激活函数2, 将输出结果作为权重与输入特征层相乘。SE模块通过挤压部分得到通道的全局特征, 通过激励部分得到通道间的权重, 最后将权重与输入特征层相乘实现对原始特征的重标定。

在SE模块中, 超参数r是非常重要的参数之一, 能够影响网络模型的性能和计算成本。根据实验验证, r取16时, 该模块的性能和计算成本能达到最佳平衡。

SE模块中前后使用了两个激活函数, 本文在实验中考虑了3种常见的激活函数, 包括ReLU, Tanh和Sigmoid。经过实验对比, 对于测井图像的裂缝分割, 激活函数1使用ReLU, 激活函数2使用Sigmoid时, 效果最好。其中, 激活函数ReLU(f_R)和Sigmoid(f_S)分别表示为:

$ f_R(x)=\max (0, x) $

(1)

$ f_S(x)=\frac{1}{1+\mathrm{e}^{-x}} $

(2)

式中: x代表输入; e代表自然底数。

2 应用实例 2.1 实验设置

本文数据集使用了21张成像测井图, 这些图像的尺寸均为280×280。图像经过VOC(视觉目标分类)格式的标注, 标注包含2类目标, 即裂缝和背景。经过旋转、翻折和缩放对这些图像进行增广, 每张图像产生10张图像, 共计210张图像。为适用于网络模型, 图像在输入网络时将缩放为256×256。

实验平台方面, 使用Google Colab进行训练及测试, 所使用的显卡型号为Nvidia Tesla K80, CPU型号为Intel Xeon(R) CPU@2.30GHz, 系统版本为Ubuntu 18.04.5 LTS, Python版本为3.7.12, Pytorch版本为1.9.0+cu102。

实施细节方面, 训练集的批尺寸大小(batchsize)设置为8, 初始学习率设置为0.01, 损失函数为交叉熵(CrossEntropy), 优化器为SGD, 设置为0.0001的权值衰减和0.9的动量, OneCycle为学习率调度器。由于数据集较小, 对此进行了交叉验证, 具体操作是将数据集划分为7份, 每次取其中一份作为验证集, 其余作为训练集。将7次测试结果(S1~S7)取平均值, 以此综合评估网络性能, 提高评估的可靠性及合理性。

评价标准方面, 本文使用目标分割中常用的交并比I, 精确率P, 召回率R和D系数作为评价指标, 具体表示如下:

$ I=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}+F_{\mathrm{N}}} $

(3)

$ P=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{P}}} $

(4)

$ R=\frac{T_{\mathrm{P}}}{T_{\mathrm{P}}+F_{\mathrm{N}}} $

(5)

$ D=\frac{2 T_{\mathrm{P}}}{2 T_{\mathrm{P}}+F_{\mathrm{P}}+F_{\mathrm{N}}} $

(6)

其中, T_P(true positive)表示将原本属于正类的样本分成正类; F_P(false positive)表示将原本属于负类的错分成了正类; F_N(false negative)表示将原本属于正类的错分成了负类。

2.2 实验结果及分析

为了验证本文模型(SE-UNet)对裂缝分割的有效性, 比较了基准模型和现有经典模型, 包括UNet^[12], Attention UNet^[23], UNetPlus^[24], Nested UNet^[25]。所有模型利用同样的实验设置进行训练及测试。

表 2列出了各个模型在数据集上的测试结果, 包括P, R, I和D。从精确率P和召回率R来看, 虽然UNet的精确率最高, 达到0.680, 但是它的召回率只有0.496, 其整体性能不是最佳的。同样, 虽然Nested UNet的召回率最高, 但是它的精确率不是最优, 其整体性能也不是最佳。I和D综合反映了精确率和召回率, 从表 2中可以看出本文模型SE-UNet的I和D最高, 说明在整体性能上SE-UNet最好。

事实上, UNetPlus在收缩路径和扩张路径之间增加了一条跳跃连接, 并且降低了部分网络层的通道数以减少参数量, 但是UNetPlus忽视了跳跃连接与上采样层输出的特征层的差异性。因此, 对于小样本的裂缝数据集, 其效果反而比基准模型UNet更差。Attention UNet提出了一个注意力门控模块, 并将其嵌入到跳跃连接中, 通过提取较深处的、感受野更大的网络层的上、下文信息来过滤跳跃连接的特征层的信息, 然而Attention UNet忽视了上采样层输出的特征层。Nested UNet在收缩路径与扩张路径之间增加了许多卷积块, 形成了4个不同深度的U型拓扑结构, 有利于学习相适应的深度特征信息, 这种设计避免了较长的跳跃连接, 却产生了更多的计算成本。本文提出的SE-UNet模型, 在上采样中嵌入注意力模块, 充分利用了上采样层输出的特征层(目标深层次特征), 更有利于获取裂缝的全局信息, 提升网络的分割效果, 因此本文模型的性能指标最优。

从图 3所示的分割结果可以看出, 本文提出的网络模型所分割的目标, 其噪声和干扰信息最少, 从主观视觉方面也证明了本文方法的有效性。

2.3 分割结果的优化

为定量分析裂缝在图像中的分布情况, 对于SE-UNet预测后的测井图像, 我们引入了一些图像优化操作以便更准确地计算每条裂缝的长度、宽度等。这些优化操作主要包括细化和修复。首先, 将裂缝细化为单像素宽度以测量裂缝长度和宽度, 结果如图 4所示。其次, 对于成像测井图中存在裂缝断点的情况, 利用最小生成树算法对存在断点的裂缝进行修复。

2.3.1 裂缝细化

裂缝的边缘是不平整的, 所以难以确定裂缝的长度和宽度。为了测量裂缝的长度和宽度, 本文利用了BATAINEH^[26]提出的二值图像细化算法, 将裂缝细化为宽度为1像素的裂缝, 从而保留目标骨架的算法, 细化效果如图 4c所示。裂缝的长度即细化裂缝的像素个数。裂缝的宽度是裂缝在细化裂缝上的每一像素点上宽度的平均值。

2.3.2 裂缝修复

由于成像测井图的分辨率不够高, 模型无法完整提取连续的裂缝, 模型的分割结果仍会存在一些断点。为了获得更好的提取效果, 利用任亮等^[27]提出的基于最小生成树的裂缝修复算法对分割后的裂缝进行修复, 改善了裂缝存在断点的情况。图 4b是网络分割结果, 图 4d是修复后的最终结果。由图 4d可以看出, 经过修复后, 部分不连续的裂缝得到了一定的改善。

3 结论

针对当前测井图像裂缝提取准确度不够高的问题, 提出了一种端到端的测井图像裂缝分割方法。该方法不仅能够识别出裂缝, 而且能够准确地分割及提取裂缝。本文方法的成功得益于3个方面: ①将跳跃连接的卷积神经网络用于测井图像的裂缝分割, 提升了编码和解码部分的信息交换和信息融合; ②在网络解码部分的连接层后加入了SE模块, 提升了网络捕捉裂缝全局信息的能力; ③提取后的裂缝仍然存在断点, 利用最小生成树算法修复了存在断点的裂缝, 有利于更好地统计裂缝信息, 实现后续的裂缝定量分析。

实验数据表明, 在相同条件下, 本文方法与常用的基于深度学习的分割方法相比, 无论从主观视觉还是客观评价, 其性能都是最优的, 说明该算法具有很大的实用价值。

此外, 本文方法所提取的裂缝仍然存在一些不足, 其精确率和召回率仍有待提高。下一步的工作, 一方面将从生成机理上研究裂缝的特征, 以提高测井图像裂缝分割及提取的准确度。并且在现有工作的基础上, 开展裂缝参数提取工作, 并与岩心资料结合, 提高方法的可靠性。另一方面, 成像测井裂缝包括了天然缝和人工缝, 天然缝是地应力场作用下的成岩裂缝, 人工缝是钻井中钻头作用在井壁周围形成的裂缝, 二者的成像测井特征存在一定的差异, 本文并没有加以区分, 下一步工作将利用测井特征主动识别天然缝和人工缝, 提高方法的适用范围。