image
Home Journals Progress in Geophysics
Progress in Geophysics

Abbreviation (ISO4): Prog Geophy      Editor in chief:

About  /  Aim & scope  /  Editorial board  /  Indexed  /  Contact  / 
Online first  /  Current issue  /  All issues  /  Top access  /  RSS

Progress in Geophysics >

2025 , Vol. 40 >Issue 1: 143 - 154

DOI: https://doi.org/10.6038/pg2025HH0480

Research on fracture segmentation of FMI logging images based on deep learning

  • YuFan CHEN , 1 ,
  • Yang WANG 1 ,
  • Wei JIANG 1 ,
  • YongSheng WANG 1 ,
  • QingYan MEI 2 ,
  • Xin WANG , 1, *
Expand
  • 1 School of Computer Science, Southwest Petroleum University, Chengdu 610500, China
  • 2 Exploration and Development Research Institute, PetroChina Southwest Oil and Gasfield Company, Chengdu 610043, China

Received date: 2024-03-25

  Online published: 2025-03-13

Copyright

Copyright ©2025 Progress in Geophysics. All rights reserved.
Fold

Abstract

In the process of reservoir drilling and development, it is of great significance to accurately extract, identify and evaluate the fractures in the formation to guide the drilling and development of oil and gas exploration. To solve the problem of imprecise fracture region segmentation by traditional methods, a fracture segmentation method based on Formation Micro-Scanner Image based on deep learning is proposed. Firstly, F-Criminisi algorithm is used to repair the blank strip with missing pixel information in the original FMI logging image. Then, a generative adversus-network based on U-Net is constructed, and dual attention mechanism is introduced to construct a fracture segmentation model to achieve accurate fracture segmentation under complex background. Combining pixel and edge information, loss function is designed to enable the model to more accurately segment the fracture and background region in the logging image and make the fracture boundary in the segmentation result clearer. In this paper, the proposed model is tested by using real FMI logging image of carbonate reservoir. The results show that the Dice coefficient of the proposed fracture segmentation method is 5% higher than that of the classical fracture segmentation model U-Net. This method can accurately extract fracture information from FMI logging images, and provides a basis for subsequent quantitative calculation of fracture parameters and logging interpretation, and has good practicability.

Key words： Fracture segmentation; Deep learning; Semantic segmentation; Generative adversarial network; Imaging logging; Attention mechanism

Cite this article

YuFan CHEN , Yang WANG , Wei JIANG , YongSheng WANG , QingYan MEI , Xin WANG . Research on fracture segmentation of FMI logging images based on deep learning[J]. Progress in Geophysics, 2025 , 40(1) : 143 -154 . DOI: 10.6038/pg2025HH0480

0 引言

裂缝通常指地壳中的断裂带，是地球表面上的岩石层断裂形成的裂缝或裂纹.在油气勘探中，裂缝是地下油气运移的重要通道，能够促进油气的聚集和储集(李长海等，2021；高霞和谢庆宾，2007).通过对裂缝的检测和识别，可以帮助勘探人员了解裂缝的形状轮廓、位置、密度等特征，从而指导油气勘探的钻探和开发工作(陈钢花等，1999).同时，对裂缝的评价还可以帮助预测油气运移路径，优化勘探和开发策略，提高勘探成功率和产量效益.因此，对裂缝的准确提取识别是裂缝性油气藏勘探成功的关键因素之一.
在勘探工作中，裂缝分布及特征通常是通过测井成像方法来获取，成像测井在提取裂缝和实现储层的精细评价方面具有显著优势(黄继新等，2006).传统的成像测井裂缝识别主要包括两类，第一类依赖勘探人员的人工经验识别裂缝，这样做既耗费了大量时间精力，又容易出现主观判断误差；第二类借助图像处理技术进行裂缝提取与识别，能够有效降低资源消耗与主观误判的风险，杨绪海和张晓春(2000)使用声成像测井进行裂缝特征识别，利用小波分析与模糊识别理论实现对岩石裂缝特征的自动识别，但对图像质量有一定要求，适用于裂缝特征清晰，噪声较少的测井图像；陆敬安等(2004)使用中值滤波与二值变换提取裂缝，减少了图像中的冗余信息，但很难甄别图像中的非裂缝噪声.此外，使用图像处理进行成像测井裂缝提取还包括使用蚁群聚类算法(张程恩等，2012；何风等，2014；彭诚和邹长春，2015)、元胞自动法模型(张群会等，2012；冯林等，2003)、二维小波变换(张晓峰和潘保芝，2012)、边缘检测(张豪洁和周箩鱼，2019)等方法.这些基于图像处理的方法通常以像素点的灰度值为依据进行分割，对图像质量要求较高，分割结果的精度受到了一定的限制.
深度学习作为机器学习的一个分支，具有更强大的特征学习和特征表达能力(卢宏涛和张秦川，2016).在计算机视觉方面，深度学习对图像每个像素点进行预测，能够减少裂缝分割结果中的非裂缝信息.近年来，许多学者开始使用深度学习技术进行成像测井图像处理.注意力机制(马同乐等，2024；吴桐，2021)、卷积神经网络(杜小强等，2019；刘红岐等，2022)等深度学习技术方法已被应用于成像测井裂缝分割与识别. 在FMI(Formation Micro-Scanner)测井图像上，魏伯阳等(2020)提出使用CGAN实现FMI测井图像中的裂缝自动识别，但未对裂缝形状进行分割，无法进一步提取裂缝参数；李冰涛等(2019)使用语义分割模型DeepLabv3+对裂缝区域进行像素分割，有效提取裂缝区域，然而FMI原始图像中存在的空白条带一定程度上影响了分割结果的完整性，并未得到解决；樊永东等(2022)利用图像分割提高样本质量，使用深度神经网络进行图像识别实现小样本情况下的孔缝识别.
尽管这些基于深度学习的方法在裂缝分割中发挥了作用，但它们仍存在一些局限性.
(1) 由于FMI仪器电极覆盖率没有达到百分之百，无法完全覆盖井眼，使用的各极板间会存在一定的间隔，这也导致了一些地层信息无法被完整地探测到和记录下来，从而在图像上显示为有规律的空白条带(罗歆等，2021)，影响裂缝分割的连续性.
(2) FMI测井图像中裂缝形状与大小的多样性增加了深度学习模型在裂缝分割任务中出现错误分割的风险.同时，部分深度学习模型在区分裂缝与背景之间的边界时，存在分割边界的清晰度不理想的问题.此外，网络结构的缺陷以及对边缘信息关注不充分，也限制了深度学习模型捕捉裂缝边缘细节的能力，导致分割结果缺少微小的边界信息.
基于以上问题，本文对FMI测井图像中存在的空白条带进行填补，并对修复后图像进行语义分割，获得具有突出显示的裂缝区域掩膜，并将该任务定义为裂缝分割任务.本文提出一种结合了图像修复的基于深度学习的成像测井裂缝分割方法.本文改进Criminisi算法的填补优先级(Criminisi et al., 2004)，得到F-Criminisi算法对FMI原始图像进行空白条带填补，得到像素信息完整的FMI修复图像；融合U-Net与双重注意力机制构建生成对抗网络，并在损失函数中加入对边缘的惩罚项，形成裂缝分割模型对FMI修复图像数据集进行训练分割.基于深度学习的FMI测井图像裂缝分割方法在修复时提升了图像质量，有助于进行接下来的裂缝分割任务，所提出的裂缝分割模型针对分割后裂缝区域细节及边缘不明显、裂缝不连续的问题进行优化，实现更加稳定可靠的裂缝分割效果.

1 方法流程

本文提出的基于深度学习的FMI测井图像裂缝分割方法总体流程如图 1所示.FMI测井图像裂缝分割方法主要包括图像修复模块与图像分割模块.图像修复模块使用F-Criminisi算法对具有像素信息缺失的FMI原始图像进行修复，填补FMI原始图像中的空白条带，得到的FMI修复图像能够提供更丰富的裂缝信息.图像分割模块将FMI修复图像与人工标注得到的裂缝掩码图像作为输入，在U-Net的基础上增加生成对抗网络架构与双重注意力机制，构建裂缝分割模型，实现对FMI测井图像中裂缝的精确分割.
图1 本文方法流程

Fig 1 The working flow of our approach

2 F-Criminisi算法填补空白条带

本文根据FMI测井图像特点对Criminisi算法进行改进，得到改进后的F-criminisi算法进行图像修复，有效填补图像中缺失像素信息的空白条带部分.
Criminisi算法原理如图 2所示，I为整张图像，Ω为待填补的空白条带区域，Φ为空白条带区域外具有所有已知像素信息的源区域(Φ=I-Ω)，δΩ为空白条带区域与源区域的边界轮廓，p是边界轮廓上的点，Ψp是以p为中心的填补块.
图2 Criminisi算法步骤

Fig 2 Steps of Criminisi algorithm

Criminisi算法主要有三个步骤，分别是计算边界轮廓上各点的填补优先级、在源区域寻找与填补块匹配度最高的匹配块Ψq，以及复制信息至填补块并更新边界轮廓信息，如图 2展示Crimini算法步骤.
经过改进后的F-Criminisi算法具体方法如下：
(1) 首先给定一个输入图像I，明确目标区域Ω、源区域Φ以及边界轮廓δΩ，通过人机交互确定目标区域Ω，并将其定义为空白条带区域Ω.填补块Ψ默认大小9×9像素，然而不同填补块大小对FMI原始图像修复效果有较大影响，本文通过对比获得适用于FMI测井图像实际情况同时耗费时间较少的填补块大小，最后选择设置大小为20×20像素.
(2) 计算边界轮廓上p点优先级.以边界上像素点p为中心获取其所在填补块Ψp，为每个填补块分配优先级，当计算好所有像素点的优先级，即可得到其中优先级最高的像素点$\hat{p} $及其填补块，方便之后从源区域中寻找最佳匹配块对它进行填补.填补优先级计算公式如下：
$P(p)=C(p) D(p), $
其中C(p)代表置信度项，用来度量像素p周围可靠信息数量，空白区域Ω的点置信度项初始化为0，源区域Φ的点置信度项初始化为1，其目的在于首先填补具有更多已知像素信息的填补块；D(p)代表数据项，决定填补块中线性结构特征强弱，二者定义如下：
$C(p)=\frac{\sum\nolimits_{q \in \psi_p \cap(I-\Omega)} C(q)}{\left|\psi_p\right|}, $
$D(p)=\frac{\left|\nabla \boldsymbol{I}_P^{\perp} \cdot \boldsymbol{n}_p\right|}{\alpha}, $
公式(2)中，C(q)为匹配块对应中心点q的置信度项，分子对Ψp中具有已知像素信息的所有像素点q的置信度项进行加和，分母|Ψp|是Ψp的面积.公式(3)中，▽IP⊥为p点的等照度线(isophote)向量，等照度线是指在图像上具有相同亮度或颜色的像素连接在一起形成的曲线，其梯度是照度变化的方向，因此等照度线向量的方向即其梯度向量的垂直方向；np为p点的法向量，即在点p上正交于边界轮廓δΩ的单位向量；a为归一化参数，一般情况下取值255.Criminisi算法符号如图 3所示.
图3 Criminisi算法符号图

Fig 3 Criminisi algorithm symbol diagram

仅通过置信度项与数据项相乘获得填补优先级会导致优先级对任一项都有着强烈依赖，而置信度项会在修复后期迅速减小，因此优先级也随之减小，数据项在此时不再对优先级起到重要作用，因此对优先级计算方式进行调整.为减小后期置信度项骤减造成的优先级的偏差，采取分段的方式决定优先级.在置信度项小于0.5时增加数据项在优先级计算时所占比重，置信度项大于等于0.5时保持原有优先级计算方式，同时根据本实验特定FMI测井图像数据集特点在第一个分式中添加调节系数ω(ω≥1)，增加数据项权重.结合实验数据分布，经优选后本文中的ω取值为5；在不同场景下应用时，ω的取值可进行调优后确定.修改后填补优先级公式为：
$P(p)=\left\{\begin{array}{l}C(p) D(p)+\omega D(p), C(p)<0.5 \\C(p) D(p), C(p) \geqslant 0.5\end{array} .\right.$
(3) 搜索最佳匹配块并填补.获得具有最高优先级的点$ \hat{p}$及其填补块后，利用SSD准则(Sum of Squared Differences)在源区域搜索与填补块相似度最高的匹配块，并将其像素点复制到对应的填补块位置中，搜索公式如下：
$\psi_{\hat{q}}=\operatorname{argmin}_{\psi_q \in \Phi}\left[f_{\mathrm{SSD}}\left(\psi_{\hat{p}}, \psi_q\right)\right], $
其中，$ \psi_{\hat{p}}$指边界轮廓上所有点的优先级都计算出来后，优先级最高的点$ \hat{p}$的填补块，Ψq为源区域中以点q为中心的匹配块，[fSSD($ \psi_{\hat{p}}$, Ψq)]为填补块与匹配块之间的距离，定义为两个块中已填补的像素的平方差之和.
在我们接触到的案例中，裂缝在FMI测井图像上呈现横向分布的特点，因此将原算法中的全局搜索改为以填补块及填补块相邻上下一共三个填补块高度为范围进行局部搜索，减少搜索时间，提高修复效率.
(4) 更新置信度项
空白条带区域填补块获得填补后，边界轮廓发生变化，具有最高填补优先级的点也将改变，因此对已知像素点的置信度项和优先级进行更新.更新置信度项为：
$C\left(p^{\prime}\right)=C(p), \forall p \in \psi_{\widehat{q}} \cap \Omega, $
循环以上填补过程直到整个图像中没有待填补点.
填补效果如图 4所示，图像修复补全了FMI原始图像中空白条带导致的缺失，提高图像完整性，为下一步图像分割任务提供了更高质量的输入图像数据集.
图4 图像修复效果

Fig 4 Image repair effect

3 基于生成对抗网络与注意力机制的裂缝分割

在裂缝分割任务中，传统的深度学习模型通常过度强调对单个像素的准确分类，而忽略了像素之间的关联信息.这会导致裂缝分割结果存在着不连贯性和不准确性.为了解决这个问题，本文采用生成对抗网络(Generative Adversarial Network，GAN)(Goodfellow et al., 2014)来进行分割任务，以根据专家指导进行人工标注获得的裂缝掩码图像作为真实裂缝掩码图像.生成对抗网络由两个核心部分组成：生成器和判别器.在裂缝分割任务中，生成器接收FMI修复图像作为输入，提取裂缝特征信息并将其映射到分割结果上，得到逼真的生成裂缝掩码图像.判别器则根据真实裂缝对学习对裂缝像素的正确分类，比较生成裂缝对中生成裂缝掩码图像与裂缝掩码图像对裂缝像素分类的差异，输出一个表示生成裂缝掩码图像为真实裂缝掩码图像可能性的概率值.在训练过程中，生成器根据判别器的评估结果对参数进行改进，以生成更接近真实裂缝掩码图像的裂缝分割结果.生成器和判别器通过迭代训练不断优化裂缝分割模型的性能，最终得到更真实准确、高质量的裂缝掩码图像.本文提出的裂缝分割模型如图 5所示.
图5 裂缝分割模型

Fig 5 Fracture segmentation model

3.1 生成器与判别器设计

在执行裂缝分割任务时，FMI测井图像中裂缝区域和非裂缝区域的像素数量通常存在明显的不均衡.这种不平衡情况会导致模型对裂缝的边缘和细节信息掌握不足，从而降低分割准确性.U-Net网络(Ronneberger et al., 2015)是一种简单高效的分割模型，可以通过调整类别权重解决像素数量分类不平衡的问题, 其结构如图 6a所示.U-Net采用了编码器-解码器结构，FMI修复图像输入左边编码器后，经过四层卷积池化进行裂缝特征提取和图像尺寸压缩，每层包括两个卷积-批归一化(Batch Normalization，BN)-RELU架构，层与层之间以一个步幅为2的2×2最大池化连接；为使输出图像与输入大小相同，右边解码器通过四层反卷积进行上采样以扩增图像，每层包括两个反卷积-批归一化-RELU架构；上采样层产生的特征图与对应的编码器层级进行跳跃连接(skip-connection)，相应层级的卷积特征映射通过连接层进行拼接，最后输出分割图像.成像测井对测量出的各深度井壁的电阻率进行色标刻度，以此获得井眼环周的二维图像.FMI测井图像中，裂缝内部呈现为暗色和黑色，与周围亮色区域有明显的明暗变化.为获得裂缝区域更好的特征表示，加强对空间位置与特征通道的关注，在上述基准U-Net的基础上，我们融入了基于双重注意力机制的DANet，搭建了新的生成器，其网络结构如图 6所示.通过融入注意力机制，我们的生成器能够更好地取裂缝区域的特征信息.
图6 生成器网络结构

Fig 6 Generator network structure

双重注意力机制DANet(Fu et al., 2019)能够有效地提高网络的特征表示能力和判别性，进而提高模型的分割准确率和鲁棒性.DANet模块具体包括位置注意力模块与通道注意力模块，该模块结构如图 7所示.
图7 双重注意力模块结构

Fig 7 Dual attention module structure

DANet通过ResNet获得特征图，分别输入至两个注意力模块：位置注意力模块和通道注意力模块.位置注意力模块对输入的特征图进行三次卷积获得三张特征图，再对其进行重塑(reshape)与转置(transpose)，获得一个忽略通道的位置注意力矩阵，再通过softmax和重塑操作，与输入特征图相加得到输出.而通道注意力模块不进行卷积计算，直接对输入的特征图进行重塑转置，获得通道注意力矩阵，进行特征图的相乘重塑与相加后得到输出.最后将两个注意力模块的输出融合，获得更好的特征表示.
我们根据文献(Isola et al., 2017)，比较了几个输出大小不同的模型作为判别器.从像素级别的pixel GAN到补丁级别大小为10×10和80×80的两个patch GAN，再到图像级别的image GAN，综合判别器比较结果选择效果最佳的模型.Pixel GAN在用于我们的数据集时综合显示出了最好的性能，因此选择Pixel GAN作为我们模型的判别器.

3.2 目标函数

本文生成器输入FMI修复图像，GAN的目标函数L1如下：
$\begin{aligned}L_1= & E_{x, y \sim p_{{data }}(x, y)}[\log D(x, y)]+E_{x \sim p_{ {data }}(x)} \\& {[\log (1-D(x, G(x)))], }\end{aligned}$
式中，x为FMI修复图像；y为实际样本的标签；G(x) 为生成器输出结果；Ex, y~pdata(x, y)表示x，y服从FMI修复图像与真实裂缝图像分布取样的期望；Ex~pdata(x)表示x服从FMI修复图像分布取样的期望；D(x, y)表示判别器对真实裂缝对(x, y)的判别结果，D(x, G(x))表示判别器对生成裂缝对(x, G(x))的判别结果.
为使判别器学习训练做出正确判断，应最大化D(x, y)，期望真实裂缝更趋近于1；最小化D(x, G(x))，期望模型生成裂缝更趋近于0.相反，生成器生成的输出希望判别器无法做出正确判断，因此判别器试图最大化目标函数，生成器试图最小化目标函数.
在进行裂缝分割任务时，我们不仅要求生成器“骗过”判别器，更希望其产生与真实裂缝图像相近的输出.为达到这个目的，在目标中添加二元交叉熵，计算真实裂缝图像与输出之间的距离，对错误分割进行惩罚.损失函数L2公式如下：
$\begin{aligned}L_2= & -E_{x, y \sim p_{ {data }}(x, y)}[y \cdot \log G(x)+ \\& \quad\quad(1-y) \cdot \log (1-G(x))], \end{aligned}$
可以看出，当样本为真实样本时(y=1)，L2趋近于0，当样本为生成样本时(y=0)，损失巨大，趋近于无穷.
FMI测井图像中的裂缝区域在边缘处像素突变明显，包含丰富特征信息.保留裂缝边缘信息有利于更好地定义裂缝轮廓，从而提高图像分割效果.为此，我们在目标中添加一项边缘感知损失函数，使用Sobel算子定位边缘，加大对裂缝边缘信息的关注度，对边缘区域的不准确分割进行惩罚，减少模糊的分割结果.损失函数L3如下所示：
$\begin{aligned}L_3= & -E_{x, y \sim p_{ {data }}(x, y)}\left[y_{\mathrm{e}} \cdot \log G(x)_{\mathrm{e}}+\right. \\& \left.\left(1-y_{\mathrm{e}}\right) \cdot \log \left(1-G(x)_{\mathrm{e}}\right)\right], \end{aligned}$
式中ye代表真实裂缝边缘，G(x)e代表生成裂缝边缘.
因此，可以总的目标函数L表示为：
$L=L_1+\lambda_1 L_2+\lambda_2 L_3, $
其中λ1，λ2为平衡系数，平衡三个目标函数.

4 实验细节与结果

4.1 数据集与实验环境

本文数据为来自某气田某井段的FMI测井图像，使用标注工具labelme进行裂缝形状人工标注.为避免数据量较少导致的过拟合现象，将FMI测井图像裁剪为分辨率大小239×336的184张FMI原始图像，以8:2的比例分为训练集与测试集，通过左右翻转、旋转的方式扩增训练集，共获得3492张样本图像，其中5%的数据作为验证集.
实验在Windows10，tensorflow2.6.0，python3.8，GeForce RTX 4090 GPU的环境下进行.

4.2 超参数

输入裂缝分割模型的FMI测井图像为彩色图，拥有RGB三通道，每张图像都被归一化为每个通道的Z-Score分值以消除图像灰度的不一致.在验证集上选择生成器损失最小的模型，经过多轮训练直到收敛，其中判别器与生成器交替训练一个epoch.我们采用了Adam算法优化器，其中初始学习率为0.0002，批次大小为1，训练迭代次数为20000次，β1系数设置为0.5，并将公式(10)中的平衡系数λ1固定为10，λ2固定为2.

4.3 评价指标

我们使用ROC(Receiver Operating Characteristic Curve，受试者工作特征曲线)曲线下面积(ROC-AUC)、查准率-查全率曲线下面积(PR-AUC)和Dice系数曲线下面积(Dice-AUC)来评估模型的性能.
ROC以假阳性率(FPR)为横坐标，以真阳性率(TPR)为纵坐标，主要表现为二者的权衡.PR以查全率(Recall)即真阳性率为横坐标，以查准率(Precision)为纵坐标绘制图像，二者均关注正例，更适用于类别不平衡问题.ROC和PR曲线下面积值越大，代表分割模型效果越好.ROC与PR横纵坐标计算公式如下：
$\mathrm{TPR} / \text { Recall }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FN}}, $
$\mathrm{FPR}=\frac{\mathrm{FP}}{\mathrm{FP}+\mathrm{TN}}, $
$\text { precision }=\frac{\mathrm{TP}}{\mathrm{TP}+\mathrm{FP}}, $
其中，TP是被正确预测的裂缝样本，FN是被错误预测的裂缝样本，FP是被错误预测的非裂缝样本，TN是被正确预测的非裂缝样本.
Dice系数是语义分割的一种评价指标，用于度量两个样本相似度，其计算公式如下：
$\text { Dice }=\frac{2|X \cap Y|}{|X|+|Y|}, $
其中X为真实裂缝的集合，Y为生成裂缝的集合，Dice的取值范围为在0到1之间，分割效果越好越接近1.

4.4 实验结果

4.4.1 图像修复算法对比

为验证F-Criminisi算法的有效性，将FMI原始图像作为原始图像，在原始图像上制造人工空白条带，作为破损图像，再用Criminisi算法、其他改进算法(Ou et al., 2018，后文以Ou算法代指)和F-Criminisi算法获得修复图像.选取该井5100~5304 m深度的修复图像可视化结果如图 8所示，包括(a)人工空白条带；(b)FMI原始图像；(c)Ciminisi算法；(d)Ou算法；(e)F-Criminisi算法.观察例1、例2、例3的(c)、(d)、(e)修复图像可以发现，使用Criminisi算法修复图像，例3的人工空白条带处出现了大面积的像素信息缺失，使用Ou算法修复图像则出现不同程度的结构不连续和纹理错误，从视觉上观察并未呈现良好的修复效果，而使用F-Criminisi算法修复后的图像在深色裂缝修复区域总体连续平滑，主观上达到修复目的.
图8 不同图像修复对比

Fig 8 Comparison of different image inpainting

使用峰值信噪比(PSNR)和结构相似性(SSIM)对Criminisi算法、Ou算法和F-Criminisi算法的效果进行客观评价.PSNR衡量原始图像与修复图像之间的峰值信噪比，主要关注图像像素值的差异，PSNR数值越大，差异越小，说明图像修复效果越好.而SSIM衡量的是原始图像与修复图像之间的结构相似性，考虑了结构、内容、亮度等方面的相似性，更综合地评估图像的质量，其取值在-1到1之间，SSIM值越接近1，图像越相似，说明图像修复越好.不同修复算法客观评价结果如表 1所示.
表1 不同修复算法结果的PSNR、SSIM值

Table 1 PSNR and SSIM values of different inpainting algorithms

图像 评价指标 Criminisi算法 Ou算法 F-Criminisi算法
例1 PSNR/dB 24.4847 25.1091 26.5270
SSIM 0.9579 0.9620 0.9670
例2 PSNR/dB 23.1494 25.5784 25.9807
SSIM 0.9549 0.9615 0.9641
例3 PSNR/dB 19.2778 26.9933 28.0929
SSIM 0.9498 0.9670 0.9708
平均 PSNR/dB 21.9772 22.6057 22.9451
SSIM 0.9417 0.9454 0.9465
由表 1可知，经过F-Criminisi算法修复的例1、例2、例3的PSNR值分别为26.5270、25.9807和28.0929，SSIM值分别为0.9670、0.9641和0.9708，客观上修复效果均为最好.同时，使用所有图像的PSNR、SSIM平均值来验证算法的适用性与整体性能时，F-Criminisi算法修复后图像PSNR、SSIM平均值分别为22.9451和0.9465，仍然表现出最佳的效果.综合主观图像视觉效果与客观评价指标来看，F-Criminisi算法修复结果要好于原始Criminisi算法，同时针对我们下一步的裂缝分割任务具有更高的针对性与准确性.

4.4.2 图像修复算法在分割模型上的对比

为证明图像修复的必要性并显示F-Criminisi算法的效果，表 2对比了不同图像修复算法下本文裂缝分割模型输出结果的ROC、PR和Dice系数曲线下面积.
表2 使用不同图像修复算法的模型ROC、PR、Dice系数曲线下面积(AUC)的比较

Table 2 Comparison of the Area Under Curve (AUC) for ROC, PR, and Dice coefficients of the model using different image inpainting algorithms

图像修复算法 ROC PR Dice
未修复 0.7876 0.5632 0.6181
Criminisi算法 0.8057 0.6569 0.6623
Ou算法 0.8306 0.6679 0.6471
F-Criminisi算法 0.8583 0.7539 0.7360
从表 2的结果来看，未进行图像修复的裂缝分割结果三个评价指标最低，这意味着图像修复确实提升了模型的性能；而F-Criminisi算法的ROC曲线下面积为0.8583、PR曲线下面积为0.7539、Dice系数曲线下面积为0.7360，三个评价指标均高于使用Criminisi算法与Ou算法进行修复后的裂缝分割结果，说明F-Criminisi算法使图像修复更准确完善.

4.4.3 图像分割模型对比

为体现本文提出的裂缝分割模型效果，我们比较了图像修复后本模型与经典语义分割模型SegNet (Badrinarayanan et al., 2017)、FCN(Fully Convolutional Networks) (Shelhamer et al., 2017)和U-Net的ROC、PR和Dice系数的曲线下面积(AUC)，如表 3所示.
表3 不同分割模型在ROC、PR和Dice系数的曲线下面积(AUC)的比较

Table 3 Comparison of the Area Under Curve (AUC) for ROC, PR and Dice coefficient of different segmentation models

分割模型 ROC PR Dice
SegNet 0.6949 0.6203 0.5288
FCN 0.7062 0.6669 0.5600
U-Net 0.8206 0.7256 0.6863
Ours 0.8583 0.7539 0.7360
从结果可以看出，本文模型的ROC、PR和Dice系数曲线下面积分别比其他语义分割模型中结果最高的U-Net模型ROC、PR和Dice系数曲线下面积的最高值分别提升了3.77%、2.83%和4.97%, 表现效果最佳，说明本文模型分割效果最好，提升了FMI测井图像裂缝的分割精度.
为从主观上说明本文方法的效果，节选4张图像的分割结果视觉对比如图 9所示.可以观察到本文模型的分割结果呈现出更加连续的裂缝特征，且对裂缝信息的提取更加全面，表现出更为卓越的分割效果.
图9 不同模型的分割结果视觉对比

Fig 9 Visual comparison of segmentation results of different models

4.4.4 消融实验

为证明生成对抗网络框架和双重注意力模块对FMI测井图像裂缝分割任务的有效性，在现有数据集上对本文模型进行消融实验.实验结果如表 4所示.其中Ours_base表示不加GAN框架与双重注意力模块的基准模型，Ours_GAN表示只增加GAN框架，Ours_attention表示只增加双重注意力模块，Ours为本文模型.
表4 消融实验ROC、PR和Dice系数的曲线下面积(AUC)结果

Table 4 The Area Under Curve (AUC) for ROC, PR and Dice coefficient of ablation experiment

模型 ROC PR Dice
Ours_base 0.8206 0.7256 0.6863
Ours_GAN 0.8375 0.7263 0.7301
Ours_attention 0.8416 0.7377 0.7171
Ours 0.8583 0.7539 0.7360
从表 4结果来看，相比基准模型，分别添加生成对抗网络框架、双重注意力模块的模型ROC、PR和Dice系数曲线下面积均有提升，说明双重注意力机制可以帮助模型更好地聚焦于裂缝特征区域，从而减少了对无关信息的处理，提高模型的效率和准确性；同时，利用GAN架构可以使得模型能够更好地学习到数据的分布特征，从而生成更加真实、连续的分割结果.而同时加入GAN框架和双重注意力模块的模型各评价指标均为最高，证明二者对于提升模型性能是缺一不可的.

4.4.5 计算时间

本文提出的裂缝分割模型在GPU上的平均训练时间为两个半小时.

5 结论

为提高FMI测井图像裂缝分割结果连续性与精确性，提出了一种基于深度学习的FMI测井图像裂缝分割方法.
(1) 改进Criminisi算法中优先级计算方式，并用改进后的Criminisi算法对FMI原始图像中存在的空白条带进行填补，消除FMI原始图像中的信息缺失，提高图像的清晰度和质量，进而提高后续裂缝分割任务的准确性与鲁棒性.
(2) 应用U-Net进行裂缝分割，解决FMI测井图像数据少的问题，加入生成对抗网络，在FMI测井图像背景复杂的情况下仍能稳定进行准确分割，二者结合使得分割结果更加准确连贯，加入双重注意力机制，使模型更加聚焦于裂缝区域，结合生成对抗网络，进一步增强模型的细节保留能力和分割的精确度，得到更准确的分割结果.
(3) 在模型中增加对像素级别的细节与边缘信息的关注，准确分割FMI测井图像中的裂缝与背景区域，得到更加清晰准确的裂缝边界，实现更加精准的裂缝定位.

感谢审稿专家提出的修改意见和编辑部的大力支持！

References

Publishing order | Descend order by publishing year | Descend order by cited within
Badrinarayanan V , Kendall A , Cipolla R . SegNet: a deep convolutional encoder-decoder architecture for image segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39 (12): 2481- 2495.

DOI

Chen G H , Wu W S , Wang Z W , et al. Fracture identification by microresistivity scanner log. Well Logging Technology, 1999, 23 (4): 279- 281. 279-281, 298

DOI

Criminisi A , Pérez P , Toyama K . Region filling and object removal by exemplar-based image inpainting. IEEE Transactions on Image Processing, 2004, 13 (9): 1200- 1212.

DOI

Du X Q , Liu X , Xue Z B , et al. A preliminary study on the automatic identification method of electrical imaging logging fractures based on deep learning. Chemical Engineering Management, 2019, (24): 204- 205.

Fan Y D , Pang H W , Jin Y , et al. Intelligent segmentation and recognition of pores and fractures based on imaging logging. Oil Drilling & Production Technology, 2022, 44 (4): 500- 505.

DOI

Feng L , Qi Z J , He M F , et al. A model for automatic fractures identification with acoustic imaging logging based on cellular automata. Well Logging Technology, 2003, 27 (6): 474- 476. 474-476, 491

DOI

Fu J, Liu J, Tian H J, et al. 2019. Dual attention network for scene segmentation. //Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach: IEEE, 3141-3149.

Gao X , Xie Q B . Advances in identification and evaluation of fracture. Progress in Geophysics, 2007, 22 (5): 1460- 1465.

DOI

Goodfellow I J, Pouget-Abadie J, Mirza M, et al. 2014. Generative adversarial nets. //Proceedings of the 28th International Conference on Neural Information Processing Systems. Montreal: ACM, 2672-2680.

He F , Liu R L , Bai Y D , et al. Application of ant colony algorithm to FMI logging segmentation. Lithologic Reservoirs, 2014, 26 (2): 114- 117.

Huang J X , Peng S M , Wang X J , et al. Applications of imaging logging data in the research of fracture and ground stress. Acta Petrolei Sinica, 2006, 27 (6): 65- 69.

DOI

Isola P, Zhu J Y, Zhou T H, et al. 2017. Image-to-image translation with conditional adversarial networks. //Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 5967-5976.

Li B T , Wang Z Z , Kong C X , et al. A new intelligent method of fracture recognition based on imaging logging. Well Logging Technology, 2019, 43 (3): 257- 262.

DOI

Li C H , Zhao L , Liu B , et al. Research status and development trend of fractures in carbonate reservoir. Bulletin of Geological Science and Technology, 2021, 40 (4): 31- 48.

DOI

Liu H Q , Liu W , Chen D , et al. Identification and parameter calculation of shale in Longmaxi formation pore fractures based on deep learning. Well Logging Technology, 2022, 46 (4): 446- 452.

DOI

Lu H T , Zhang Q C . Applications of deep convolutional neural network in computer vision. Journal of Data Acquisition and Processing, 2016, 31 (1): 1- 17.

DOI

Lu J A , Wu Z L , Guan X C , et al. Automatically extract fracture parameters from resistivity images by using Hough transform. Well Logging Technology, 2004, 28 (2): 115- 117.

Luo X , Yan J P , Wang M , et al. Optimization and application of borehole wall restoration method of FMI logging image. Well Logging Technology, 2021, 45 (4): 386- 393.

DOI

Ma T L , Liu H Q , Liao H B , et al. Fracture identification method combining channel and spatial cross attention. Progress in Geophysics, 2024, 39 (2): 727- 736.

DOI

Ou X F , Yan P C , Hu W J , et al. Research of image inpainting algorithm based on image segmentation. Journal of Computational Methods in Sciences and Engineering, 2018, 18 (3): 637- 644.

DOI

Peng C , Zou C C . Automatic extraction method for imaging logs crack based on improved ant colony algorithm. Computer Engineering, 2015, 41 (8): 196- 201.

Ronneberger O, Fischer P, Brox T. 2015. U-Net: convolutional networks for biomedical image segmentation. //18th International Conference on Medical Image Computing and Computer-Assisted Intervention. Munich: Springer, 234-241.

Shelhamer E , Long J , Darrell T . Fully convolutional networks for semantic segmentation. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39 (4): 640- 651.

DOI

Wei B Y , Pan B Z , Yin Q L , et al. Identification of image logging data based on conditional generation adversarial network. Geophysical Prospecting for Petroleum, 2020, 59 (2): 295- 302.

Wu T. 2021. Research on automatic detection algorithm of fractures around wells under small sample conditions [Master's thesis](in Chinese). Chengdu: University of Electronic Science and Technology of China, doi: 10.27005/d.cnki.gdzku.2021.002477.

Yang X H , Zhang X C . Automatic identification of rockfractures using acoustic image logging. China Offshore Oil and Gas (Geology), 2000, 14 (6): 429- 431.

Zhang C E , Pan B Z , Liu Q R , et al. Application of improved ant colony clustering algorithm to volcanic rock lithology identification. Well Logging Technology, 2012, 36 (4): 378- 381.

DOI

Zhang H J , Zhou L Y . Research on the extraction of incline fracture of ultrasonic logging image. Journal of Optoelectronics·Laser, 2019, 30 (6): 654- 658.

DOI

Zhang Q H , Shi Y P , Chen Y L . Automatic identification of crack in imaging logging based on cellular automaton. Journal of Xi'an University of Science and Technology, 2012, 32 (6): 772- 775.

Zhang X F , Pan B Z . Two-dimensional wavelet transform to identify fractures in imaging logging. Oil Geophysical Prospecting, 2012, 47 (1): 173- 176.

陈 钢花 , 吴 文圣 , 王 中文 , 等. 利用地层微电阻率成像测井识别裂缝. 测井技术, 1999, 23 (4): 279- 281. 279-281, 298

DOI

杜 小强 , 刘 鑫 , 薛 志波 , 等. 基于深度学习的电成像测井裂缝自动识别方法初探. 化工管理, 2019, (24): 204- 205.

樊 永东 , 庞 惠文 , 金 衍 , 等. 基于成像测井的孔缝智能分割与识别. 石油钻采工艺, 2022, 44 (4): 500- 505.

DOI

冯 林 , 戚 正君 , 贺 明峰 , 等. 基于元胞自动机的声成像测井图像的裂缝自动识别模型. 测井技术, 2003, 27 (6): 474- 476. 474-476, 491

DOI

高 霞 , 谢 庆宾 . 储层裂缝识别与评价方法新进展. 地球物理学进展, 2007, 22 (5): 1460- 1465.

DOI

何 风 , 刘 瑞林 , 白 亚东 , 等. 蚁群算法在FMI成像测井图像分割中的应用. 岩性油气藏, 2014, 26 (2): 114- 117.

黄 继新 , 彭 仕宓 , 王 小军 , 等. 成像测井资料在裂缝和地应力研究中的应用. 石油学报, 2006, 27 (6): 65- 69.

李 冰涛 , 王 志章 , 孔 垂显 , 等. 基于成像测井的裂缝智能识别新方法. 测井技术, 2019, 43 (3): 257- 262.

DOI

李 长海 , 赵 伦 , 刘 波 , 等. 碳酸盐岩裂缝研究进展及发展趋势. 地质科技通报, 2021, 40 (4): 31- 48.

DOI

刘 红岐 , 刘 伟 , 陈 东 , 等. 基于深度学习的龙马溪组页岩孔缝识别与参数计算. 测井技术, 2022, 46 (4): 446- 452.

DOI

卢 宏涛 , 张 秦川 . 深度卷积神经网络在计算机视觉中的应用研究综述. 数据采集与处理, 2016, 31 (1): 1- 17.

DOI

陆 敬安 , 伍 忠良 , 关 晓春 , 等. 成像测井中的裂缝自动识别方法. 测井技术, 2004, 28 (2): 115- 117.

罗 歆 , 闫 建平 , 王 敏 , 等. FMI测井图像井壁复原方法优化及应用. 测井技术, 2021, 45 (4): 386- 393.

DOI

马 同乐 , 刘 红岐 , 廖 海博 , 等. 融合通道和空间交叉注意力的裂缝识别方法. 地球物理学进展, 2024, 39 (2): 727- 736.

DOI

彭 诚 , 邹 长春 . 基于改进蚁群算法的成像测井裂缝自动提取方法. 计算机工程, 2015, 41 (8): 196- 201.

魏 伯阳 , 潘 保芝 , 殷 秋丽 , 等. 基于条件生成对抗网络的成像测井图像裂缝计算机识别. 石油物探, 2020, 59 (2): 295- 302.

吴桐. 2021. 小样本条件下井周裂缝自动检测算法研究[硕士论文]. 成都: 电子科技大学, doi: 10.27005/d.cnki.gdzku.2021.002477.

杨绪海, 张晓春. 2000. 利用声成像测井数据实现岩石裂缝特征的自动识别. 中国海上油气(地质), 14(6): 429-431.

张 程恩 , 潘 保芝 , 刘 倩茹 , 等. 改进蚁群聚类算法在火山岩岩性识别中的应用. 测井技术, 2012, 36 (4): 378- 381.

DOI

张 豪洁 , 周 箩鱼 . 超声测井图像过井裂缝提取算法研究. 光电子·激光, 2019, 30 (6): 654- 658.

DOI

张 群会 , 师 玉璞 , 陈 有兰 . 成像测井裂缝自动识别元胞自动机方法研究. 西安科技大学学报, 2012, 32 (6): 772- 775.

张 晓峰 , 潘 保芝 . 二维小波变换在成像测井识别裂缝中的应用研究. 石油地球物理勘探, 2012, 47 (1): 173- 176.

DOI

Options
Outlines

/

〈 〉