本文主要研究内容
作者郑尊凯（2019）在《深度学习模型下岩屑图像识别研究》一文中研究指出：地层岩性作为石油地质特性的基本研究对象,能够准确反映出油气藏产能分布状况,指明油气勘探方向,为相似盆地勘探提供参考,对现场录井很有必要。岩石的分类是后续油藏模拟管理的前期准备工作。在油气勘探中,通过岩屑录井来识别井下地层的岩性是一项常用的方法。通过岩屑录井获得的地层岩屑资料进行分析,能帮助勘探工作者获取详细的地层特性,建立地层剖面图。岩性的准确识别是孔隙度和含油饱和度准确确定的前提,也是储层特征研究、储量计算和地质建模的基础。岩屑的识别鉴定最传统做法是采用人工方式对岩屑进行采集,拍照后提取有效信息并进行分析。这需要专业人员来判读,而且工作量大,很容易受到主观因素的影响,最终提取的信息以及分析结论存在误差,从而影响专家对储层微观结构的观察鉴定结果。并且随着油田录井过程中PDC钻头的逐步推广使得采集岩屑细碎且数量少,由此很大程度上影响了岩屑描述的正确率。仅通过传统的岩屑描述方法已无法满足目前岩屑录井工作的需求。针对当前的岩屑描述鉴别的难题,本文对岩屑的特征描述进行深入研究,考虑到深度学习的在图像处理分析领域取得巨大的成果,提出了利用在图像分类识别方面优势的深度卷积网络进行岩屑图像的识别。本文主要的工作如下:首先研究了传统的数字图像特征识别岩屑图像原理方法。并对常用的图像识别特征颜色和纹理提取方法进行了实验论证研究。发现了图像识别在特征不稳定以及特征维度低的情况下很难取得较好的效果。在通过对岩屑图像识别的困难以及对图像识别研究现状分析后,提出了利用深度卷积神经网络结合度量学习Triplet结构识别图像,以避免光照,背景的影响从而提高识别的准确率。Triplet度量学习能够将卷积神经网络提取的特征映射到特征度量空间,通过度量特征距离,以增大样本非同类间的距离同时较少同类间特征距离的原则来训练网络模型参数提高网络模型的识别精度。为了验证本文提出的方法的有效性,分别对文中所提到识别方法设计了对比实验。在传统的数字图像颜色和纹理特征分类识别、卷积神经网络图像分类和本文的提出的卷积神经网络结合度量学习Triplet Loss对比实验中,本文所提出的方法对于岩屑图像的识别较之于其他几种方法有明显的改善,识别准确率分别提高了9.8%和3.8%。同时,文中对几种数据扩增技术进行研究分析,提出的几种数据扩增方案均对提高模型识别精度具有可行性。
Abstract
de ceng yan xing zuo wei dan you de zhi te xing de ji ben yan jiu dui xiang ,neng gou zhun que fan ying chu you qi cang chan neng fen bu zhuang kuang ,zhi ming you qi kan tan fang xiang ,wei xiang shi pen de kan tan di gong can kao ,dui xian chang lu jing hen you bi yao 。yan dan de fen lei shi hou xu you cang mo ni guan li de qian ji zhun bei gong zuo 。zai you qi kan tan zhong ,tong guo yan xie lu jing lai shi bie jing xia de ceng de yan xing shi yi xiang chang yong de fang fa 。tong guo yan xie lu jing huo de de de ceng yan xie zi liao jin hang fen xi ,neng bang zhu kan tan gong zuo zhe huo qu xiang xi de de ceng te xing ,jian li de ceng pou mian tu 。yan xing de zhun que shi bie shi kong xi du he han you bao he du zhun que que ding de qian di ,ye shi chu ceng te zheng yan jiu 、chu liang ji suan he de zhi jian mo de ji chu 。yan xie de shi bie jian ding zui chuan tong zuo fa shi cai yong ren gong fang shi dui yan xie jin hang cai ji ,pai zhao hou di qu you xiao xin xi bing jin hang fen xi 。zhe xu yao zhuan ye ren yuan lai pan dou ,er ju gong zuo liang da ,hen rong yi shou dao zhu guan yin su de ying xiang ,zui zhong di qu de xin xi yi ji fen xi jie lun cun zai wu cha ,cong er ying xiang zhuan jia dui chu ceng wei guan jie gou de guan cha jian ding jie guo 。bing ju sui zhao you tian lu jing guo cheng zhong PDCzuan tou de zhu bu tui an shi de cai ji yan xie xi sui ju shu liang shao ,you ci hen da cheng du shang ying xiang le yan xie miao shu de zheng que lv 。jin tong guo chuan tong de yan xie miao shu fang fa yi mo fa man zu mu qian yan xie lu jing gong zuo de xu qiu 。zhen dui dang qian de yan xie miao shu jian bie de nan ti ,ben wen dui yan xie de te zheng miao shu jin hang shen ru yan jiu ,kao lv dao shen du xue xi de zai tu xiang chu li fen xi ling yu qu de ju da de cheng guo ,di chu le li yong zai tu xiang fen lei shi bie fang mian you shi de shen du juan ji wang lao jin hang yan xie tu xiang de shi bie 。ben wen zhu yao de gong zuo ru xia :shou xian yan jiu le chuan tong de shu zi tu xiang te zheng shi bie yan xie tu xiang yuan li fang fa 。bing dui chang yong de tu xiang shi bie te zheng yan se he wen li di qu fang fa jin hang le shi yan lun zheng yan jiu 。fa xian le tu xiang shi bie zai te zheng bu wen ding yi ji te zheng wei du di de qing kuang xia hen nan qu de jiao hao de xiao guo 。zai tong guo dui yan xie tu xiang shi bie de kun nan yi ji dui tu xiang shi bie yan jiu xian zhuang fen xi hou ,di chu le li yong shen du juan ji shen jing wang lao jie ge du liang xue xi Tripletjie gou shi bie tu xiang ,yi bi mian guang zhao ,bei jing de ying xiang cong er di gao shi bie de zhun que lv 。Tripletdu liang xue xi neng gou jiang juan ji shen jing wang lao di qu de te zheng ying she dao te zheng du liang kong jian ,tong guo du liang te zheng ju li ,yi zeng da yang ben fei tong lei jian de ju li tong shi jiao shao tong lei jian te zheng ju li de yuan ze lai xun lian wang lao mo xing can shu di gao wang lao mo xing de shi bie jing du 。wei le yan zheng ben wen di chu de fang fa de you xiao xing ,fen bie dui wen zhong suo di dao shi bie fang fa she ji le dui bi shi yan 。zai chuan tong de shu zi tu xiang yan se he wen li te zheng fen lei shi bie 、juan ji shen jing wang lao tu xiang fen lei he ben wen de di chu de juan ji shen jing wang lao jie ge du liang xue xi Triplet Lossdui bi shi yan zhong ,ben wen suo di chu de fang fa dui yu yan xie tu xiang de shi bie jiao zhi yu ji ta ji chong fang fa you ming xian de gai shan ,shi bie zhun que lv fen bie di gao le 9.8%he 3.8%。tong shi ,wen zhong dui ji chong shu ju kuo zeng ji shu jin hang yan jiu fen xi ,di chu de ji chong shu ju kuo zeng fang an jun dui di gao mo xing shi bie jing du ju you ke hang xing 。
论文参考文献
论文详细介绍
论文作者分别是来自长江大学的郑尊凯，发表于刊物长江大学2019-09-04论文，是一篇关于岩屑图像识别论文,卷积神经网络论文,度量学习论文,数据扩增论文,长江大学2019-09-04论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自长江大学2019-09-04论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：岩屑图像识别论文; 卷积神经网络论文; 度量学习论文; 数据扩增论文; 长江大学2019-09-04论文;