《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 人工智能 > 設(shè)計(jì)應(yīng)用 > 基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別
基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別
2020年信息技術(shù)與網(wǎng)絡(luò)安全第11期
萬 川1,，王正勇1，何海波2,，滕奇志1,，何小海1
1.四川大學(xué) 電子信息學(xué)院,，四川 成都610065；2.成都西圖科技有限公司,，四川 成都610065
摘要： 提出了一種基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別方法,。該方法基于Unet模型結(jié)構(gòu),，運(yùn)用金字塔池化模塊聚合不同區(qū)域的上下文特征信息，以充分利用全局信息,。改進(jìn)P-Unet模型采用了殘差網(wǎng)絡(luò)ResNeXt101,，在提高巖屑顆粒識(shí)別準(zhǔn)確率前提下，減少了超參數(shù)數(shù)量,。該模型采用了焦點(diǎn)損失函數(shù),，在一定程度上解決巖屑顆粒類別不平衡的問題，同時(shí)運(yùn)用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積,，較大程度減少了網(wǎng)絡(luò)的參數(shù)以及預(yù)測(cè)的時(shí)間,。實(shí)驗(yàn)結(jié)果表明，改進(jìn)P-Unet模型得到的識(shí)別準(zhǔn)確率對(duì)比同類先進(jìn)算法有一定的提升,，對(duì)巖屑顆粒識(shí)別的結(jié)果更加準(zhǔn)確,。
中圖分類號(hào)： TP391.4
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.19358/j.issn.2096-5133.2020.11.009
引用格式： 萬川，王正勇,，何海波,，等. 基于改進(jìn)P-Unet模型的巖屑顆粒識(shí)別[J].信息技術(shù)與網(wǎng)絡(luò)安全，2020,，39(11)：56-61.
Identification of cuttings particle based on improved P-Unet model
Wan Chuan1,，Wang Zhengyong1，He Xiaobo2,，Teng Qizhi1,，He Xiaohai1
1.College of Electronics and Information Engineering，Sichuan University,，Chengdu 610065,，China； 2.Chengdu Xitu Technology Co.,，Ltd.,，Chengdu 610065，China
Abstract： This paper proposes a model based on improved P-Unet cuttings particle identification method. The method is based on the Unet model structure,，and uses pyramid pooling module to aggregate contextual feature information in different regions to make full use of global information. The improved P-Unet model uses the residual network ResNeXt101,，which reduces the number of super parameters on the premise of improving the accuracy of debris particle recognition. In this model，the focus loss function is used to solve the problem of the unbalance of cuttings particles. At the same time,，the deep separable convolution is used to replace the traditional convolution,，which greatly reduces the parameters of the network and the prediction time. The experimental results show that the recognition accuracy of the improved P-Unet model is improved compared with similar advanced algorithms,，and the recognition results of cuttings particles are more accurate.
Key words : identification of cuttings particles,；Unet network；P-Unet network,；pyramid pooling module,；deep separable convolution

0 引言

    巖屑是在鉆井過程中產(chǎn)生的巖石碎塊,，其種類繁多，按照巖屑的組成成分可以將巖石大致分成沉積巖,、變質(zhì)巖和巖漿巖,。巖屑是巖屑錄井的直觀材料，其中巖屑顆粒識(shí)別工作是巖屑錄井的主要工作,。對(duì)巖石巖性的識(shí)別工作可以反映出地段地質(zhì)的地層特性,，從而能幫助勘探工作者分析地層的具體特性。巖性準(zhǔn)確識(shí)別是地質(zhì)人員研究地層特征和地質(zhì)建模的基礎(chǔ),。

    目前國內(nèi)對(duì)巖屑顆粒的識(shí)別鑒定傳統(tǒng)的做法是采用人工標(biāo)記的方式對(duì)巖屑顆粒進(jìn)行采集分析,。這需要專業(yè)人員來識(shí)別，并且工作量巨大,。人工方式的標(biāo)記對(duì)巖屑提取的信息與分析的結(jié)論存在誤差,，對(duì)地質(zhì)專家分析地質(zhì)存在較大影響。絕大多數(shù)在巖屑錄井上采用數(shù)字圖像識(shí)別和機(jī)器學(xué)習(xí)等技術(shù)手段,，運(yùn)用數(shù)字圖像處理技術(shù)分析巖屑顆粒圖像,，從而得到巖屑的紋理、顏色,、空洞等特征,，來用作區(qū)分巖屑顆粒巖性的識(shí)別分類。雖然利用數(shù)字圖像處理等方法解決了傳統(tǒng)特定方法中[1-2]人為標(biāo)記巖性的問題,，但是由于仍需要在分類時(shí)人為設(shè)置相應(yīng)的特征,，在某些程度上限制了識(shí)別的準(zhǔn)確度。隨著深度神經(jīng)網(wǎng)絡(luò)廣泛被應(yīng)用于計(jì)算機(jī)視覺領(lǐng)域,，且不同的實(shí)驗(yàn)場(chǎng)景推出了不同深度神經(jīng)網(wǎng)絡(luò)模型[3-5],，通過將較低的分辨率圖片的特征映射到像素級(jí)尺度對(duì)圖片中的每個(gè)像素進(jìn)行識(shí)別，從而大幅度提升了圖像識(shí)別的水平,。但深度神經(jīng)網(wǎng)絡(luò)模型復(fù)雜度提升,，增加了巖屑識(shí)別所耗費(fèi)時(shí)長，對(duì)于巖屑顆粒的識(shí)別準(zhǔn)確率有很大的提升空間,。

    為了提高巖屑顆粒識(shí)別算法準(zhǔn)確率和識(shí)別效率,，本文提出了一種基于改進(jìn)P-Unet巖屑顆粒識(shí)別模型，在文獻(xiàn)[6]基礎(chǔ)上做出了如下改進(jìn)：

    (1)在不改動(dòng)Unet模型對(duì)稱結(jié)構(gòu)的情況下,，將金字塔池化模塊[7]融合到Unet中,，從而得到了本文模型P-Unet網(wǎng)絡(luò)結(jié)構(gòu)。

    (2)運(yùn)用了多分類焦點(diǎn)損失函數(shù)[8]代替?zhèn)鹘y(tǒng)的交叉熵?fù)p失函數(shù),。

    (3)將深度殘差網(wǎng)絡(luò)ResNet[9]的升級(jí)版ResNeXt[10]的網(wǎng)絡(luò)結(jié)構(gòu)用于P-Unet下采樣的結(jié)構(gòu),。

    (4)用深度可分離卷積[11-12]代替?zhèn)鹘y(tǒng)卷積。




本文詳細(xì)內(nèi)容請(qǐng)下載:http://forexkbc.com/resource/share/2000003178




作者信息:

萬  川1，王正勇1,，何海波2,，滕奇志1，何小海1

(1.四川大學(xué) 電子信息學(xué)院,，四川 成都610065,；2.成都西圖科技有限公司，四川 成都610065)

此內(nèi)容為AET網(wǎng)站原創(chuàng),，未經(jīng)授權(quán)禁止轉(zhuǎn)載,。