基于深度学习的超声测井图像裂缝提取方法和装置与流程

1.本发明涉及油气资源勘探技术领域，尤其涉及一种基于深度学习的超声测井图像裂缝提取方法、装置、电子设备及计算机可读存储介质。


背景技术：

2.在油气资源的勘探和开发过程中，测井是其中不可缺少的一环，它利用岩层的地球物理特性，测量地球物理参数，从而获得地质及工程技术资料。近年来，随着井下超声成像的发展，现在已经能够获得大量的井壁和井壁附近直观的超声测井图像，这些测井图像能够反映井壁的岩性特征，尤其是能够获取裂缝在井眼周围的分布情况和具体结构。
3.裂缝是岩石受力而产生变化的一种地质构造，裂缝不仅对地层中油气水的分布情况有很大影响，还对油气勘探开发具有指导意义。所以，裂缝的准确识别和定量分析是十分重要的，同时，这也是成像测井技术的难点。现有的成像测井资料的裂缝提取方法通常是利用传统的图像处理方法进行裂缝提取，往往是先通过分水岭分割，阈值分割、小波变换等图像分割算法提取裂缝。
4.但是现有方法依然存在一些缺陷，传统的分割方法非常依赖于阈值的选取，所以很容易造成过分割或欠分割。因此，现有的方法都需要对参数进行多次调整，或者需要满足某些特定的应用条件。此外，由于成像过程的非理想性等原因，裂缝往往存在着或多或少的缺陷，在图像中体现为明显的不完整性，这将严重影响到裂缝的有效识别及提取。


技术实现要素：

5.有鉴于此，有必要提供一种基于深度学习的超声测井图像裂缝提取方法、装置、电子设备及计算机可读存储介质，用以解决现有测井图像裂缝提取方法中参数设置过多，稳定性不够的问题。
6.为了解决上述问题，本发明提供一种基于深度学习的超声测井图像裂缝提取方法，包括：
7.创建初始卷积神经网络模型；
8.获取测井成像图，并将已标记的测井成像图加入训练数据集；
9.将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；
10.获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。
11.进一步地，基于跳跃连接的卷积神经网络模型，所述网络模型加入了密集连接模块和se注意力模块。
12.进一步地，将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练包括：设置所述初始卷积神经网络模型中的训练块大小、初始学习率、损失函数、优化器、权值衰减和动量。
13.进一步地，将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练包括：
14.将所述训练数据集划分为验证集和训练集，利用所述训练集对所述神经网络进行训练，利用所述验证集对所述网络模型进行性能验证；
15.判断训练后的网络模型是否达到预设的性能标准，如果没有达到预设的性能标准，则对所述网络模型继续进行训练；如果达到所述预设的性能标准，则输出所述网络模型为训练完备的卷积神经网络模型。
16.进一步地，获取实时测井成像图包括：
17.获取实时测井信号；
18.对所述实时测井信号进行处理，得到实时测井成像图。
19.进一步地，对所述实时测井信号进行处理，得到实时测井成像图包括：
20.根据声波在泥浆中的衰减特性，补偿所述实时测井信号的衰减，提取所述实时测井信号中的有效首波信号幅值；
21.根据所述有效首波信号幅值，得到实时测井成像图。
22.进一步地，所述方法还包括利用预设算法根据所述提取的裂缝图像进行裂缝修补，得到优化后的裂缝提取结果。
23.本发明还提供一种基于深度学习的超声测井图像裂缝提取装置，包括：
24.模型创建模块，用于创建初始卷积神经网络模型；
25.数据集生成模块，用于获取测井成像图，并将已标记的测井成像图加入训练数据集；
26.模型优化模块，用于将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；
27.提取模块，用于获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。
28.本发明还提供一种电子设备，包括存储器和处理器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现如上述任一技术方案所述的基于深度学习的超声测井图像裂缝提取方法。
29.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于深度学习的超声测井图像裂缝提取方法。
30.与现有技术相比，本发明的有益效果包括：首先，创建初始卷积神经网络模型；其次，获取测井成像图并将已标记的测井成像图加入训练数据集，利用所述训练数据集对初始网络模型进行训练，得到训练完备的卷积神经网络模型；最后，获取实时测井成像图，根据实时测井成像图和训练完备的卷积神经网络模型进行裂缝图像提取。本发明的方法在基于跳跃连接的卷积神经网络模型加入了密集连接模块和se注意力模块，提高了网络模型对裂缝这种局部特征的学习能力，提升了网络模型对裂缝提取的性能；通过声波衰减补偿消除了声波能量幅度衰减对裂缝提取的影响。
附图说明
31.图1为本发明提供的一种基于深度学习的超声测井图像裂缝提取装置的应用场景示意图；
32.图2为本发明提供的一种基于深度学习的超声测井图像裂缝提取方法一实施例的流程示意图；
33.图3为本发明实施例中提供的基于跳跃连接的卷积神经网络模型结构示意图；
34.图4(a)为本发明实施例中提供的补偿前的测井信号的波形图；
35.图4(b)为本发明实施例中提供的补偿后的测井信号的波形图；
36.图5(a)为本发明实施例中提供的实时测井成像图；
37.图5(b)为本发明实施例中提供的通过网络模型得到的裂缝图像；
38.图5(c)为本发明实施例中提供的进行裂缝修补后的裂缝图像；
39.图6为本发明提供的基于深度学习的超声测井图像裂缝提取装置一实施例的结构框图；
40.图7为本发明提供的电子设备一实施例的结构框图。
具体实施方式
41.下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
42.本发明提供了一种基于深度学习的超声测井图像裂缝提取方法、装置、电子设备及计算机可读存储介质，以下分别进行详细说明。
43.本发明实施例提供了一种基于深度学习的超声测井图像裂缝提取方法的应用系统，图1为本发明提供的基于深度学习的超声测井图像裂缝提取方法应用系统一实施例的场景示意图，该系统可以包括服务器100，服务器100中集成基于深度学习的超声测井图像裂缝提取装置，如图1中的服务器。
44.本发明实施例中服务器100主要用于：
45.创建初始卷积神经网络模型；
46.获取测井成像图，并将已标记的测井成像图加入训练数据集；
47.将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；
48.获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。
49.本发明实施例中，该服务器100可以是独立的服务器，也可以是服务器组成的服务器网络或服务器集群，例如，本发明实施例中所描述的服务器100，其包括但不限于计算机、网络主机、单个网络服务器、多个网络服务器集或多个服务器构成的云服务器。其中，云服务器由基于云计算(cloud computing)的大量计算机或网络服务器构成。
50.可以理解的是，本发明实施例中所使用的终端200可以是既包括接收和发射硬件的设备，即具有能够在双向通信链路上，执行双向通信的接收和发射硬件的设备。这种设备可以包括：蜂窝或其他通信设备，其具有单线路显示器或多线路显示器或没有多线路显示器的蜂窝或其他通信设备。具体的终端200可以是台式机、便携式电脑、网络服务器、掌上电
脑(personal digital assistant，pda)、移动手机、平板电脑、无线终端设备、通信设备、嵌入式设备等，本实施例不限定终端200的类型。
51.本领域技术人员可以理解，图1中示出的应用环境，仅仅是与本发明方案一种应用场景，并不构成对本发明方案应用场景的限定，其他的应用环境还可以包括比图1中所示更多或更少的终端，例如图1中仅示出2个终端，可以理解的，该基于深度学习的超声测井图像裂缝提取方法的应用系统还可以包括一个或多个其他终端，具体此处不作限定。
52.另外，如图1所示，该基于深度学习的超声测井图像裂缝提取方法的应用系统还可以包括存储器200，用于存储数据，如初始卷积神经网络模型、振动中心位置等。
53.需要说明的是，图1所示基于深度学习的超声测井图像裂缝提取的应用系统的场景示意图仅仅是一个示例，本发明实施例描述的基于深度学习的超声测井图像裂缝提取方法的应用系统以及场景是为了更加清楚地说明本发明实施例的技术方案，并不构成对于本发明实施例提供的技术方案的限定，本领域普通技术人员可知，随着基于深度学习的超声测井图像裂缝提取方法的应用系统的演变和新业务场景的出现，本发明实施例提供的技术方案对于类似的技术问题，同样适用。
54.本发明实施例提供了一种基于深度学习的超声测井图像裂缝提取方法方法，其流程示意图如图2所示，所述基于深度学习的超声测井图像裂缝提取方法包括：
55.步骤s201、创建初始卷积神经网络模型；
56.步骤s202、获取测井成像图，并将已标记的测井成像图加入训练数据集；
57.步骤s203、将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；
58.步骤s204、获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。
59.在本发明实施例中，首先，创建初始卷积神经网络模型；其次，获取测井成像图并将已标记的测井成像图加入训练数据集，利用所述训练数据集对初始网络模型进行训练，得到训练完备的卷积神经网络模型；最后，获取实时测井成像图，根据实时测井成像图和训练完备的卷积神经网络模型进行裂缝图像提取。本发明的方法可以提高网络模型对裂缝这种局部特征的学习能力，提升网络模型对裂缝的提取的性能；并且通过声波衰减补偿消除了声波能量幅度衰减对裂缝提取的影响。
60.作为优选的实施例，在步骤s201中，所述初始卷积神经网络模型包括：基于跳跃连接的卷积神经网络模型，所述网络模型加入了密集连接模块和se注意力模块。
61.具体的，所述基于跳跃连接的卷积神经网络模型结构如图3所示，密集连接模块(dense block)的加入，提高了层与层之间的特征传递效率，从而能更有效地利用所学习到的特征；se注意力模块(attention block)的加入，提高了网络对裂缝这种局部特征的学习能力，从而进一步提升网络的裂缝提取性能。
62.作为一个具体的实施例，在步骤s202中，首先获取200张测井成像图，通过旋转、翻折和缩放等处理方法进行图像增广，提高训练所需的数据量。其中每张测井成像图生成5张图像(包括原始图)，共计1000张测井成像图，在此基础上，经过voc格式的标注，标注包含2类目标：裂缝和背景，将已标记的1000张测井成像图加入训练数据集。
63.作为优选的实施例，在步骤s203中，将所述训练数据集输入到所述初始卷积神经
网络模型进行迭代训练包括：设置所述初始卷积神经网络模型中的训练块大小、初始学习率、损失函数、优化器、权值衰减和动量。
64.具体的，将训练块大小设为8，初始学习率为0.01，损失函数为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。
65.作为优选的实施例，将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练包括：
66.将所述训练数据集划分为验证集和训练集，利用所述训练集对所述神经网络进行训练，利用所述验证集对所述网络模型进行性能验证；
67.判断训练后的网络模型是否达到预设的性能标准，如果没有达到预设的性能标准，则对所述网络模型继续进行训练；如果达到所述预设的性能标准，则输出所述网络模型为训练完备的卷积神经网络模型。
68.具体的，为了提高模型的训练效果，在训练过程中进行交叉验证，将训练数据集划分为七份，每次取其中一份作为验证集，其余作为训练集，开始对模型进行训练。在训练过程中，当连续5个周期，网络的性能不再提升，则停止训练，得到最终训练完备的卷积神经网络模型。
69.作为优选的实施例，在步骤s204中，获取实时测井成像图包括：
70.获取实时测井信号；
71.对所述实时测井信号进行处理，得到实时测井成像图。
72.作为一个具体的实施例，利用超声换能器对井壁发射脉冲并接收回波信号，得到由不同深度不同方位的回波信号值，即为实时测井信号，用s表示。
73.作为优选的实施例，对所述实时测井信号进行处理，得到实时测井成像图包括：
74.根据声波在泥浆中的衰减特性，补偿所述实时测井信号的衰减，提取所述实时测井信号中的有效首波信号幅值；
75.根据所述有效首波信号幅值，得到实时测井成像图。
76.作为一个具体的实施例，对所述实时测井信号进行处理包括以下步骤：
77.步骤s401、声波衰减补偿：
78.对实时声成像测井信号，结合声波在泥浆中的衰减特性，补偿信号的衰减，由此提取各深度成像点的回波信号中的有效首波信号的幅值。
79.声波在泥浆中传播，声强的衰减与传播距离和衰减系数有关，本实施例采用的补偿衰减为：
80.j＝j0e
2cd
ꢀꢀ
(1)
81.其中，j为补偿后声强，j0为补偿前声强，a为衰减系数，l为传播距离，在泥浆中，衰减系数a主要由吸收系数a1和散射系数a2两部分组成，即a＝a1 a2。其中，a1主要是由于声波在流体中传播时，克服流体内摩擦而吸收部分能量，其计算式为：
[0082][0083]
其中，f为声波的频率，c为声波在泥浆中的速度，r为泥浆密度，h为泥浆粘滞系数，这些参数都可以轻易获取，因此吸收衰减系数可以准确获取。另外，a2主要是声波在泥浆中传播时由于受到这些悬浮粒子的散射而改变原来的传播方向，致使能量减弱。其计算式为：
[0084][0085]
其中，f为声波的频率，c为声波在泥浆中的速度，a为事先所假设的散射粒子的直径，本方法中假设a为2微米，由此可算出单位体积的粒子数n。
[0086]
在此基础上，通过式(2)和式(3)可计算出吸收系数a1和散射系数a2。从而得出衰减系数a。，最后由式(1)对测井数据进行衰减补偿。
[0087]
虽然散射粒子的直径是一个估计值，所计算出来的衰减系数与真实衰减系数有一定的差距，但是通过衰减补偿，仍能对测井数据做出有效的补偿。其补偿效果可见图4(a)和图4(b)，可看出测井信号得到了有效的补偿。
[0088]
步骤s402、获取首波信号的幅值；
[0089]
对补偿后的测井数据(如图4(b)所示)，用s
补偿
表示，由于前20个点是发射信号，在计算首波信号幅值时应滤除发射信号，因此，首波信号的幅值计算式为：
[0090]
a[i]＝max(s
补偿
)
ꢀꢀ
(4)
[0091]
其中，a为所有成像点所构成幅度矩阵，i代表坐标值，由当前测井数据s
补偿
的坐标位置转化而来。也就意味着，每一个采样点得到一组测井数据，进而由这一组测井数据得到一个幅度值a[i]。最后，由所有采样点得到的幅度值构成幅度矩阵a。
[0092]
步骤s403、方位校正；
[0093]
根据仪器方位曲线数据，将各深度成像点所提取的幅值进行方位校正，调整至真实空间的方位坐标系中，其校正式为：
[0094][0095]
其中，a为所有成像点所构成幅度矩阵，i为坐标值，z为仪器方位角，由方位曲线数据中可以获取，n为扫描点总数，％为求余运算。
[0096]
步骤s404、幅度矩阵归一化处理并成像；
[0097]
将所有幅度值进行归一化处理，其归一化式为：
[0098][0099]
其中a为幅度矩阵，i为坐标值，max(a)，min(a)分别为a的最大值和最小值，通过式(6)将所有幅度值转换为0～1之间，获得实时测井成像图。
[0100]
作为一个具体的实施例，如图5(a)和图5(b)所示，图5(a)为实时测井成像图，将所述实时测井成像图的大小缩放为280x280像素，输入训练完备的卷积神经网络模型进行裂缝图像提取；通过网络模型输出的裂缝图像如图5(b)所示。
[0101]
作为优选的实施例，所述基于深度学习的超声测井图像裂缝提取方法还包括：利用预设算法根据所述提取的裂缝图像进行裂缝修补，得到优化后的裂缝提取结果。
[0102]
具体的，由于成像测井图的部分裂缝响应与背景像素重叠，模型无法完整地提取为完整的裂缝，模型的分割结果有时存在一些断点。为了获得更好的获得提取效果，利用最小生成树算法连接裂缝，可改善裂缝存在断点的情况，具体步骤为：
[0103]
①
对图中所有的局部裂缝取端点得端点集合{t1,t2,
…
,ti}。对得到的端点集合
{t1,t2,
…
,ti}，构造特殊邻接矩阵l。
[0104]
②
记g＝《v,e》是取端点后裂缝图像的一个联通的带权图，v即为已得到的端点集{t1,t2,
…
,ti}，e为边集。
[0105]
③
初始状态为：u＝{u1,u2}，v＝{v1,v2,
…
}，te＝{}。其中u1，u2为取端点后裂缝图像中最长局部裂缝单元的2个端点，v1，v2为端点集v中的端点。
[0106]
④
在所有u∈u，v∈v-u的边(u,v)∈e中找一条权值最小的边(u0,v0)，将这条边加进集合th中，同时将此边的另一顶点v0及和v0属于同一裂缝的另一点v1并入u。
[0107]
⑤
如果u＝v，则该算法结束；否则重复步骤(2)。算法结束时，th中包含了g中的n/2-1条边。经过上述步骤选取到的所有边恰好就构成了图g的一颗最小生成树，而该最小生成树，就连上了裂缝中断开的部分。
[0108]
对网络模型所提取的裂缝图像，如图5(b)所示，进行裂缝修补后的优化后裂缝提取结果如图5(c)所示。可看出裂缝提取结果有明显改善。
[0109]
本发明实施例提供了一种基于深度学习的超声测井图像裂缝提取装置，其结构框图，如图6所示，所述基于深度学习的超声测井图像裂缝提取装置600包括：
[0110]
模型创建模块601，用于创建初始卷积神经网络模型；
[0111]
数据集生成模块602，用于获取测井成像图，并将已标记的测井成像图加入训练数据集；
[0112]
模型优化模块603，用于将所述训练数据集输入到所述初始卷积神经网络模型进行迭代训练，得到训练完备的卷积神经网络模型；
[0113]
提取模块604，用于获取实时测井成像图，根据所述实时测井成像图和所述训练完备的卷积神经网络模型进行裂缝图像提取。
[0114]
如图7所示，上述的一种基于深度学习的超声测井图像裂缝提取方法，本发明还相应提供了一种电子设备，该电子设备可以是移动终端、桌上型计算机、笔记本、掌上电脑及服务器等计算设备。该电子设备包括处理器10、存储器20及显示器30。
[0115]
存储器20在一些实施例中可以是计算机设备的内部存储单元，例如计算机设备的硬盘或内存。存储器20在另一些实施例中也可以是计算机设备的外部存储设备，例如计算机设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。进一步地，存储器20还可以既包括计算机设备的内部存储单元也包括外部存储设备。存储器20用于存储安装于计算机设备的应用软件及各类数据，例如安装计算机设备的程序代码等。存储器20还可以用于暂时地存储已经输出或者将要输出的数据。在一实施例中，存储器20上存储有基于深度学习的超声测井图像裂缝提取方法程序40，该基于深度学习的超声测井图像裂缝提取方法的程序40可被处理器10所执行，从而实现本发明各实施例的基于深度学习的超声测井图像裂缝提取方法。
[0116]
处理器10在一些实施例中可以是一中央处理器(central processing unit,cpu)，微处理器或其他数据处理芯片，用于运行存储器20中存储的程序代码或处理数据，例如执行基于深度学习的超声测井图像裂缝提取程序等。
[0117]
显示器30在一些实施例中可以是led显示器、液晶显示器、触控式液晶显示器以及oled(organic light-emitting diode，有机发光二极管)触摸器等。显示器30用于显示在计算机设备的信息以及用于显示可视化的用户界面。计算机设备的部件10-30通过系统总
线相互通信。
[0118]
本实施例还提供了一种计算机可读存储介质，其上存储有基于深度学习的超声测井图像裂缝提取方法的程序，所述计算机该程序被处理器执行时，实现如上述任一技术方案所述的基于深度学习的超声测井图像裂缝提取方法。
[0119]
本发明公开了一种基于深度学习的超声测井图像裂缝提取方法、装置、电子设备及计算机可读存储介质，首先，创建初始卷积神经网络模型；其次，获取测井成像图并将已标记的测井成像图加入训练数据集，利用所述训练数据集对初始网络模型进行训练，得到训练完备的卷积神经网络模型；最后，获取实时测井成像图，根据实时测井成像图和训练完备的卷积神经网络模型进行裂缝图像提取。
[0120]
本发明技术方案，在基于跳跃连接的卷积神经网络模型加入了密集连接模块和se注意力模块提高了网络模型对裂缝这种局部特征的学习能力，提升了网络模型对裂缝提取的性能；通过声波衰减补偿消除了声波能量幅度衰减对裂缝提取的影响。
[0121]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。本技术所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0122]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。