砂樣圖像巖屑自動分割提取方法

夏文鶴,唐印東,李 皋,韓玉嬌,林永學(xué),吳雄軍,石祥超

(1. 西南石油大學(xué) 電氣信息學(xué)院, 四川 成都 610500; 2. 西南石油大學(xué) 石油與天然氣工程學(xué)院,四川 成都 610500; 3. 中國石化 石油工程技術(shù)研究院, 北京 102200)

巖屑錄井過程中對砂樣成分進(jìn)行判定,可以準(zhǔn)確地反映全井地層的巖性情況(張欣等, 2020 )。但由于砂樣中巖屑顆粒的混雜堆疊,所以巖性分析人員往往只能采用人為估算的方式進(jìn)行巖性成分占比的計算。如果能將砂樣中混雜堆疊的單顆粒巖屑進(jìn)行分離,通過單顆粒識別的方式確定砂樣成分,將能大幅提高砂樣巖性分析的精度和效率。但目前尚無將砂樣進(jìn)行單顆粒分離的設(shè)備,手工分離費時費力。因此利用圖像處理技術(shù),將砂樣圖像中的單顆粒圖像進(jìn)行智能分割提取,具有重要的現(xiàn)場應(yīng)用價值(孫巋, 2022; Hamitouche and Jonic, 2022)。

鉆井現(xiàn)場拍攝的砂樣圖像主要用于后續(xù)細(xì)化分析,因此井場拍攝人員往往未對巖屑顆粒按照“大段攤開”的要求進(jìn)行拍照(潘柯宇等, 2020),而是直接將未進(jìn)行挑選的巖屑倒入載物臺拍攝,使得圖像中巖屑顆粒之間混合堆疊在一起。若采用智能圖像處理技術(shù),替代人為攤開處理環(huán)節(jié),對留底拍照的砂樣圖像進(jìn)行智能分割處理,可提取出單顆粒巖屑圖像。但由于密集型砂樣圖像智能識別精度低(楊智宏等, 2021),故從密集巖屑顆粒圖像中較精確地分割出單顆粒圖像成為技術(shù)關(guān)鍵(Caoetal., 2022)。

對于此問題,吳曉紅等(2010)通過邊沿流檢測算法得到不連續(xù)邊界問題,提出把邊沿流作為水平集的一個變量帶入水平集函數(shù)方程進(jìn)行輪廓優(yōu)化。沈清波等(2009)對巖屑圖像進(jìn)行形態(tài)學(xué)去噪,在相對保留邊沿信息的同時降低了噪聲干擾,通過非線性閾值變換分離出梯度圖像的背景與目標(biāo),運用分水嶺算法分割出獨立小區(qū)域,對一些過分割區(qū)域利用區(qū)域合并最終完成巖屑顆粒圖像分割。王倩等(2014)用改進(jìn)的邊沿流檢測算法對自然平鋪巖屑圖像進(jìn)行邊沿檢測,再通過曲線演化連接邊沿得到封閉邊沿,依據(jù)區(qū)域顏色相似度對相鄰區(qū)域進(jìn)行區(qū)域合并。覃本學(xué)等(2022)針對巖屑圖像的特征設(shè)計了一種巖屑圖像的語義分割網(wǎng)絡(luò)Debseg-Net,該網(wǎng)絡(luò)采用編解碼結(jié)構(gòu),卷積與轉(zhuǎn)置卷積結(jié)合實現(xiàn)對巖屑圖像特征的提取與像素級分類,識別準(zhǔn)確率領(lǐng)先同類型分割網(wǎng)絡(luò)2.59%～7.04%。夏文鶴等(2023)針對人為攤開處理過的砂樣圖像,提出了先通過計算砂樣圖像的像素值梯度并求取顆粒質(zhì)心,再采用分水嶺算法獲取巖屑顆粒輪廓線并標(biāo)記,分割準(zhǔn)確率最高達(dá)到95.28%,但只能用于人為攤開處理后的砂樣圖像。Baklanova等(2015)使用K均值聚類對彩色礦石進(jìn)行了自動分割,但需手動設(shè)置聚類中心數(shù)。Ting等(2017)使用基于改進(jìn)的歸一化切割方法分割了巖石顆粒圖像,并取得了較好結(jié)果,但對樣品的均質(zhì)性要求較高。Karimpouli和Tahmasebi(2019)使用CT掃描技術(shù)獲得了巖石原始圖像后,對少量的樣本進(jìn)行擴(kuò)增,并通過SegNet成功地分割了數(shù)字巖石圖像。

上述傳統(tǒng)圖像處理方法和深度學(xué)習(xí)方法雖在一定程度上可以解決如圖1a所示的 “大段攤開”處理過的巖屑,但是均未解決攤開處理環(huán)節(jié)或單顆粒巖屑提取環(huán)節(jié)需要人工干預(yù)的問題。而本文處理的砂樣圖像如圖1b所示,是未經(jīng)過大段攤開處理的砂樣圖像,具有堆疊嚴(yán)重、小顆粒巖屑多、巖屑粒徑相差大、圖片分辨率高且尺寸大等特點。現(xiàn)階段圖像分割的傳統(tǒng)算法效果最好的主要以分水嶺算法為代表,但是經(jīng)過實驗發(fā)現(xiàn),分水嶺算法處理本文的砂樣圖像依然會因為紋理和色澤的原因存在誤分割問題。如果采用神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割,又面臨參數(shù)量大、小顆粒分割效果差(金鷺等, 2022)、現(xiàn)場應(yīng)用的硬件條件無法滿足要求等問題。

圖1 砂樣原圖像Fig. 1 Original images of sand sample

故本文提出一種以圖像融合算法為橋梁,將卷積神經(jīng)網(wǎng)絡(luò)和分水嶺算法相結(jié)合的單顆粒圖像分割提取方法。首先利用改進(jìn)的Mask R-CNN網(wǎng)絡(luò)快速分割砂樣原圖,獲得其初分割圖像;然后,將初分割圖像與砂樣原圖進(jìn)行融合,再使用分水嶺算法對融合結(jié)果進(jìn)行分割;最后,利用砂樣原圖坐標(biāo)點匹配方法,將分水嶺分割得到的結(jié)果圖像進(jìn)行修正,完成單顆粒巖屑圖像提取。具體處理流程如圖2所示。

圖2 砂樣圖像單顆粒提取流程圖Fig. 2 Flow chart of single particle extraction from sand sample image

1 單顆粒巖屑圖像初分割

1.1 初分割圖像獲取方法

砂樣圖像中單顆粒之間相互重疊,顏色相似,部分顆粒粘連嚴(yán)重,邊沿信息模糊。但是該砂樣圖像是錄井專業(yè)人員采用專用的設(shè)備所拍攝的高分辨率放大圖像,分辨率均為3 550×3 550大小,分辨率高且顆粒輪廓相關(guān)特征保留較為充分,可嘗試采用神經(jīng)網(wǎng)絡(luò)模型獲取初分割圖像。

1. 2 砂樣圖像樣本庫建立

若采用神經(jīng)網(wǎng)絡(luò)模型獲取初分割圖像,首先需要建立訓(xùn)練網(wǎng)絡(luò)模型的砂樣圖像單顆粒巖屑標(biāo)示樣本庫。初步研究過程發(fā)現(xiàn),如果直接以砂樣原圖(3 550×3 550)作為樣本集,在對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練時存在以下問題: ① 樣本集制作困難,且人為標(biāo)注單顆粒巖屑邊界存在很多的粗大誤差; ② 對設(shè)備性能要求極高,不符合實際工程應(yīng)用的需求,比如Mask R-CNN網(wǎng)絡(luò)處理3 584×3 584大小的砂樣圖像參數(shù)量在1 400 M左右; ③ 神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度慢,預(yù)測時間長,準(zhǔn)確率低,學(xué)習(xí)到的特征少(Jinetal., 2022)。

針對以上問題,在制作初分割圖像樣本集之前,需要對高分辨率的砂樣原圖進(jìn)行預(yù)處理。由于本文選取的神經(jīng)網(wǎng)絡(luò)模型對于輸入圖像的尺寸要求能夠被26整除,并且保證圖像不失真,所以預(yù)處理方式為:首先將3 550×3 550的砂樣圖像采用0值進(jìn)行邊沿填充,將其填充至3 584×3 584,再進(jìn)行高寬7等分,所以每張砂樣圖像將被等分為49張512×512大小的圖像,之后采用LabelMe標(biāo)注工具進(jìn)行人工標(biāo)注。經(jīng)過統(tǒng)計分析,此尺寸的大部分圖像中巖屑顆粒數(shù)量未超過30,為留有一定余量且因為背景需要單獨標(biāo)記為一類, 所以設(shè)為41分類最合理,并以rock01～rock41進(jìn)行命名,部分巖屑顆粒標(biāo)注圖像如圖3所示。

圖3 部分標(biāo)簽圖像Fig. 3 Partial label images

由于砂樣圖像在采集過程中巖屑顆粒分布散亂且拍攝角度存在多樣性,加之對巖屑清洗程度差異,導(dǎo)致巖屑樣本表面明暗程度不一致,同時制作巖屑樣本的工作量較大,錄井專業(yè)人員的標(biāo)注數(shù)據(jù)較少,因此本文考慮采用旋轉(zhuǎn)、噪音、鏡像以及亮度變化等方法對巖屑樣本進(jìn)行擴(kuò)增。從擴(kuò)增后的樣本集(共1 176張圖像)中隨機(jī)選擇70%圖像作為訓(xùn)練集(共824張圖像),20%圖像作為驗證集(共235張圖像),10%圖像作為測試集(共118張圖像)。

1.3 改進(jìn)Mask R-CNN主干網(wǎng)絡(luò)結(jié)構(gòu)

現(xiàn)有的深度學(xué)習(xí)圖像分割網(wǎng)絡(luò)主要以FCN、U-net DeepLabV3+、Mask R-CNN等為主(Heetal., 2020),其中Mask R-CNN相較于其他圖像分割網(wǎng)絡(luò)泛化能力較強(qiáng),可擴(kuò)展性較強(qiáng),網(wǎng)絡(luò)結(jié)構(gòu)比較靈活便于完成不同的任務(wù),還能實現(xiàn)圖像的像素級分割。但現(xiàn)有Mask R-CNN網(wǎng)絡(luò)參數(shù)量大(宋玲等, 2021),預(yù)測時間長,精度不穩(wěn)定,本文考慮通過對Mask R-CNN的主干特征提取網(wǎng)絡(luò)進(jìn)行改進(jìn),以提高初分割圖像的獲取速度,而且能夠基本滿足精度的要求?，F(xiàn)有的Mask R-CNN主干網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示,目前由Resnet101作為主干網(wǎng)絡(luò),包含Conv block與Identity block兩個模塊,這兩個模塊均屬于倒殘差結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),其中Conv block模塊用于改變圖像的維度大小,而Identity block模塊用于加深網(wǎng)絡(luò)的層數(shù)(Samiretal., 2015)。由于網(wǎng)絡(luò)層數(shù)深導(dǎo)致訓(xùn)練時間長,預(yù)測時間慢,參數(shù)量大,并且Resnet101采取的普通卷積方式導(dǎo)致提取到巖屑的局部特征信息丟失嚴(yán)重。

圖4 原主干網(wǎng)絡(luò)結(jié)構(gòu)Fig. 4 Original backbone network structure

針對上述問題,本文采用輕量級特征提取模型作為改進(jìn)Mask R-CNN主干網(wǎng)絡(luò)。其中,MobileNetV2作為輕量級網(wǎng)絡(luò)代表,采用深度可分離卷積作為特征提取結(jié)構(gòu),大幅減少了模型運算參數(shù)數(shù)量,并保證了準(zhǔn)確率。與ResNet101相比,MobileNetV2具有層數(shù)較少、計算量少、內(nèi)存占用少等優(yōu)勢,是廣泛應(yīng)用的輕量級神經(jīng)網(wǎng)絡(luò)。采用深度卷積和逐點卷積拆分標(biāo)準(zhǔn)卷積的方式,實現(xiàn)了卷積過程中通道信息和空間信息的分離映射,從而實現(xiàn)輕量化效果(嚴(yán)開忠等, 2021)。與標(biāo)準(zhǔn)卷積相比,深度可分離卷積引入了1×1卷積核,從而大幅減少了模型的權(quán)重參數(shù)數(shù)量,提升了模型的運算速度(胡亮等, 2022)。

改進(jìn)網(wǎng)絡(luò)基本結(jié)構(gòu)如圖5所示。對比圖5和圖4可知,因為本文在預(yù)處理階段,已實現(xiàn)了輸入網(wǎng)絡(luò)的尺寸圖像尺寸能夠被26整除,故改進(jìn)結(jié)構(gòu)中已將ZeroPadding進(jìn)行刪除,并用ConvD和Conv2d組合替換掉原主干網(wǎng)絡(luò)的Conv block與Identity block,定義Conv2d為標(biāo)準(zhǔn)卷積,定義ConvD為深度可分離卷積。經(jīng)過實驗發(fā)現(xiàn)原網(wǎng)絡(luò)參數(shù)量為58.2 M,改進(jìn)的主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)后的參數(shù)量為24 M,該改進(jìn)方式極大降低了模型的參數(shù)量。

圖5 改進(jìn)的主干網(wǎng)絡(luò)結(jié)構(gòu)Fig. 5 Improved backbone network structure

為了驗證本文改進(jìn)主干特征提取網(wǎng)絡(luò)的有效性,本文進(jìn)行了對比實驗,比較了Mask R-CNN原主干網(wǎng)絡(luò)ResNet101和本文改進(jìn)的主干網(wǎng)絡(luò)在特征提取上的表現(xiàn)(胡云鴿等, 2020)。實驗結(jié)果的局部特征信息對比如圖6～圖9所示,其中圖6為淺層特征,圖7～圖8為中間層特征,圖9為深層特征。由圖6對比可知,淺層特征主要包括巖屑的直觀細(xì)節(jié)信息,邊沿差別較大的特征會表現(xiàn)得極其明顯,本文改進(jìn)的特征提取結(jié)構(gòu)能夠更加多地提取到單顆粒巖屑之間的位置和邊沿信息。中間特征圖像素值逐漸抽象,包含巖屑顆粒表面特征的局部語義信息,更多地表達(dá)巖屑的局部細(xì)節(jié)信息,由圖7和圖8可知本文主干網(wǎng)絡(luò)提取的局部語義信息均優(yōu)于原主干網(wǎng)絡(luò)。深層則是提取出更多的深層局部特征信息以及組合的特征信息,從而表達(dá)全局語義信息。由圖9對比可知,本文改進(jìn)的主干特征提取網(wǎng)路在深層時候能夠提取到更多的全局語義信息,而原網(wǎng)絡(luò)全局語義信息基本已經(jīng)丟失。

圖6 O2(128×128)局部特征Fig. 6 O2(128 × 128) local feature

圖7 O3(64×64)局部特征Fig. 7 O3(64 × 64) local feature

圖8 O4(32×32)局部特征Fig. 8 O4(32 × 32) local feature

圖9 O5(16×16)局部特征Fig. 9 O5(16 × 16) local feature

1.4 Mask R-CNN整體結(jié)構(gòu)優(yōu)化

Mask R-CNN由主干特征提取網(wǎng)絡(luò)、特征融合模塊(FPN)、區(qū)域建議網(wǎng)絡(luò)(RPN)、特征匹配層(ROI Align)、分類回歸網(wǎng)絡(luò)和全卷積網(wǎng)絡(luò)組成。區(qū)域建議網(wǎng)絡(luò)可根據(jù)主干特征提取網(wǎng)絡(luò)的結(jié)果對不包含巖屑的區(qū)域進(jìn)行粗篩選,分類回歸網(wǎng)絡(luò)的作用是進(jìn)行巖屑的分類預(yù)測,掩膜網(wǎng)絡(luò)的作用是與分類回歸網(wǎng)絡(luò)結(jié)合輸出帶標(biāo)記的分割圖。其中分類回歸網(wǎng)絡(luò)包含圖像分類回歸分支和目標(biāo)檢測分支,分類回歸網(wǎng)絡(luò)和掩膜網(wǎng)絡(luò)均由全連接層組成。由圖6～圖9可知,改進(jìn)特征提取網(wǎng)絡(luò)提取的特征圖不僅含有淺層特征,還含有深層特征,通過實際測試發(fā)現(xiàn),若僅利用O2～O5作為最終的特征送入RPN區(qū)域建議網(wǎng)絡(luò)進(jìn)行訓(xùn)練,會導(dǎo)致巖屑圖像中粘連嚴(yán)重部分的像素信息在下一個采樣的流程中丟失,進(jìn)而影響分割的精度。為了充分保留特征信息,以便于RPN區(qū)域建議網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)更好的單顆粒信息,因此利用FPN特征融合結(jié)構(gòu)融合淺層與深層特征圖信息,以增強(qiáng)網(wǎng)絡(luò)特征提取能力。對于本應(yīng)用場景而言,即為融合不同分辨率圖像下的不同特征。該方式有利于提取小顆粒巖屑的特征以及弱邊沿信息,極大地提高初分割圖像的準(zhǔn)確率,具體融合過程如圖10所示。

圖10 主干網(wǎng)絡(luò)+FPN特征融合結(jié)構(gòu)Fig.10 Backbone network + FPN feature fusion structure

圖10中,下一層特征圖經(jīng)過上采樣與上一層特征圖進(jìn)行特征圖的相加操作,得到特征圖P2至P6。通過FPN融合之后的特征圖P2～P6中包含很多通過卷積層丟失的細(xì)節(jié)信息(程飛, 2022),提取到的P2～P6作為RPN網(wǎng)絡(luò)的有效特征層。將有效特征層送入RPN區(qū)域建議網(wǎng)絡(luò)和ROI Align進(jìn)行初分割圖像的學(xué)習(xí),其中P6僅用于訓(xùn)練RPN網(wǎng)絡(luò)使用。

將全卷積網(wǎng)絡(luò)定義為初分割圖像預(yù)測網(wǎng)絡(luò)。ROI Align一般有兩種結(jié)構(gòu),一種是獲得7×7大小的特征圖,另一種是獲得14×14大小的特征圖。為了使得特征圖中能夠保留更多的細(xì)節(jié)信息,也使獲取到的初分割圖像更加準(zhǔn)確,本文使用ROI Align獲得14×14大小的特征圖。另一方面,由于本研究的重點在巖屑顆粒圖像分割,所以對于分類回歸網(wǎng)絡(luò)中的目標(biāo)檢測結(jié)構(gòu)進(jìn)行刪減,并對Mask R-CNN的損失函數(shù)進(jìn)行優(yōu)化。原Mask R-CNN損失函數(shù)包含類別損失、回歸框損失、初分割預(yù)測網(wǎng)絡(luò)損失,將這些損失函數(shù)求和就是整體誤差,用來訓(xùn)練評估模型(司晨冉等, 2020),保留初分割圖像預(yù)測網(wǎng)絡(luò)的損失和類別(cls)損失,如式(1)所示。

Lloss=Lcls+Lmask

(1)

式中,Lloss為損失函數(shù),Lcls為類別預(yù)測損失函數(shù),Lmask為初分割圖像預(yù)測損失函數(shù)。

為了提升網(wǎng)絡(luò)的收斂效率并防止過度擬合現(xiàn)象,將Batch Normalize(BN)層添加至圖10的P2～P6之后的卷積層中。BN層能夠?qū)W(wǎng)絡(luò)輸入特征向量進(jìn)行歸一化處理,從而使得代入?yún)?shù)對網(wǎng)絡(luò)產(chǎn)生的影響降低。BN層輸出連接RPN區(qū)域建議網(wǎng)絡(luò),區(qū)域建議網(wǎng)絡(luò)運用主干特征提取網(wǎng)絡(luò)獲得的有效特征層,來篩選出包含巖屑顆粒目標(biāo)信息的區(qū)域。RPN由3×3的卷積和兩個1×1卷積組成,3×3卷積通過增加局部上下文信息的方式從而提高特征圖的判別力,其中一個1×1卷積用于預(yù)測是巖屑還是背景,另一個計算針對原圖坐標(biāo)的偏移量,以獲得精確的目標(biāo)候選區(qū)域。然后,將帶有建議框的特征層與主干特征提取網(wǎng)絡(luò)獲得的有效特征層傳入ROI Align模塊進(jìn)行感興趣區(qū)域的對齊。最后,將局部特征傳入分類回歸網(wǎng)絡(luò)和初分割圖像預(yù)測網(wǎng)絡(luò)。分類回歸網(wǎng)絡(luò)主要用于計算回歸邊框損失進(jìn)行參數(shù)優(yōu)化,初分割圖像預(yù)測網(wǎng)絡(luò)進(jìn)行初分割圖像的計算,其計算結(jié)果再結(jié)合分類回歸網(wǎng)絡(luò)的參數(shù)優(yōu)化結(jié)果,得到單顆粒巖屑圖像初分割結(jié)果。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖11所示。

圖11 改進(jìn)后的Mask R-CNN網(wǎng)絡(luò)結(jié)構(gòu)Fig. 11 Improved Mask R-CNN network structure

1.5 網(wǎng)絡(luò)訓(xùn)練和初分割結(jié)果

分別采用ResNet50、ResNet101和MobileNetV2作為主干網(wǎng)絡(luò)進(jìn)行對比實驗,學(xué)習(xí)率設(shè)置為0.0001,batch_size設(shè)為145時,模型損失下降最優(yōu)。將網(wǎng)絡(luò)的準(zhǔn)確率、模型內(nèi)存大小作為網(wǎng)絡(luò)的性能評價指標(biāo),通過初分割的準(zhǔn)確率(P)和初分割召回率(R)作為分割結(jié)果的評價指標(biāo)。測試集由巖屑錄井專家建立的待分析的100張圖像組成,單張巖屑圖像中包含巖屑顆粒個數(shù)在40左右。初分割準(zhǔn)確率和召回率評估圖像分割準(zhǔn)確率的計算公式如下:

P=TTP/(TTP+TTN)

(2)

R=TTP/(TTP+FFN)

(3)

式中,TTP代表巖屑顆粒被準(zhǔn)確分割的個數(shù),TTN為將背景誤認(rèn)為是巖屑顆粒的個數(shù),FFN為將前景誤認(rèn)為是背景的個數(shù)。分別采用3種不同的主干特征提取網(wǎng)絡(luò)進(jìn)行初分割圖像提取的測試實驗,實驗結(jié)果中各參數(shù)對比如表1所示。由表1可知,MobileNetV2對比ResNet50和ResNet101,初分割圖像召回率(R)提升到96.11%,參數(shù)量和消耗時間大幅縮減。利用訓(xùn)練好的網(wǎng)絡(luò)模型進(jìn)行圖像初分割,結(jié)果如圖12所示,圖中紅色線框表示3種主干模型初分割結(jié)果中的誤分割對比。

表1 測試集準(zhǔn)確率和模型性能對比Table 1 Comparison of test set accuracy and model performance

圖12 初分割圖像獲取結(jié)果Fig.12 Initial segmentation image acquisition results

2 巖屑圖像融合和分水嶺精確分割

2.1 基于像素點的圖像融合算法

為了保留小顆粒巖屑圖像,同時保持原有分割的大顆粒巖屑分割結(jié)果不受影響,以獲取準(zhǔn)確的分水嶺分割結(jié)果,本文提出基于像素點的圖像融合算法,在初分割圖像中添加小顆粒巖屑圖像。具體而言,將經(jīng)過Mask R-CNN分割網(wǎng)絡(luò)得到的初分割圖像與原圖像進(jìn)行融合。在保留初分割結(jié)果的基礎(chǔ)上,融合過程中關(guān)注兩圖像中背景區(qū)域的差異,對有明顯差異的背景區(qū)域,利用原圖對初分割圖像進(jìn)行修正,不僅使原圖像中表面紋理結(jié)構(gòu)雜亂的粘連巖屑顆粒成為單一像素的圖像,并且能將誤分割的小顆粒巖屑通過原圖像得到保留(Madarászetal., 2021)。

融合算法具體實現(xiàn)過程以圖13為例,先對圖a進(jìn)行Mask R-CNN網(wǎng)絡(luò)分割得到圖b;再對圖b進(jìn)行邊沿檢測,得到的邊沿檢測結(jié)果為B_canny,以此來保留巖屑的邊沿特征;然后采用連通域像素點坐標(biāo)值提取的方式,同步遍歷圖a和圖b,當(dāng)遍歷到圖b中的連通域Di時,記錄對應(yīng)的像素坐標(biāo)值x,并將a中對應(yīng)位置的像素值改為m;同時判斷不同巖屑顆粒所形成的不同連通域邊沿,如果存在邊沿附近像素差值小于6的像素點,將其歸入該連通域內(nèi),輸出一個新的初分割圖像c;再將圖像c與圖像a相加(司晨冉, 2019)。此時相加的結(jié)果圖像中有3種像素值分別是大顆粒巖屑的像素值m、背景像素值0和小顆粒巖屑的像素值n;接著將相加結(jié)果圖像中像素值非0和非m的部分更改為m,且將該圖與B_canny相加,最終得到融合圖像d。其中示意圖中m的值為129,而紅色框則表示了融合算法保留的初分割圖像中未提取到的部分小顆粒巖屑。

圖13 融合算法示意圖Fig. 13 Schematic diagram of fusion algorithm

為了驗證圖像融合算法的有效性,隨機(jī)選取部分巖屑顆粒圖像用Mask R-CNN網(wǎng)絡(luò)分割出初步結(jié)果(圖14c),然后將它們接著進(jìn)行融合處理,最終得到結(jié)果(圖14d)。可以看出,在Mask R-CNN網(wǎng)絡(luò)獲得的初分割圖像中,部分小顆粒巖屑未能被準(zhǔn)確分割;利用融合算法處理后,圖14d相較于圖14b,標(biāo)注的小顆粒巖屑被保留了下來,從而證明該算法不僅可以解決由于人為制作樣本造成的誤差,也可以解決由于神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)導(dǎo)致的小巖屑顆粒誤差,從紅色框內(nèi)的局部區(qū)域?qū)Ρ戎幸部梢宰C明,圖像融合算法對小顆粒巖屑具有較高的處理效果。

圖14 巖屑圖像融合算法結(jié)果對比Fig. 14 Comparison of cutting image fusion algorithm results

2.2 單顆粒巖屑的分水嶺分割

經(jīng)過本文融合算法處理后,圖像中包含3種像素值,分別代表巖屑顆粒內(nèi)部、邊沿和外部的像素。使用該融合算法處理后的圖像可以避免分水嶺算法在顏色和邊沿區(qū)別不明顯時的誤分割問題。分水嶺算法核心原理是在極小值點處注入水,然后隨著注水的深入,每個極小值點逐漸向外擴(kuò)散,并且一直持續(xù)到兩個水盆地匯合的地方,這個地方形成了分水嶺的邊界。但是由于巖屑圖像中存在個別大顆粒巖屑,大顆粒巖屑會產(chǎn)生多個極小值點,每一個極小值點就會分割出一個巖屑輪廓,即增加一個單顆粒巖屑圖像,因此如果直接在極小值點使用傳統(tǒng)的分水嶺算法,可能會導(dǎo)致過度分割,即將一個獨立的巖屑顆粒被誤分割成多個區(qū)域。故本文采取極值點合并的方式改進(jìn)分水嶺算法,有效減少極值點數(shù)量,減少誤分割的巖屑數(shù)量。具體方法首先對優(yōu)化二值圖做距離變換,得到極值點灰度圖像,求取極值點圖像的像素最大值和像素最小值;然后根據(jù)各極點像素值大小分層,同一層包含相同像素值大小的極值點,像素集合S為各層極值點像素集合;遍歷集合S,利用不同大小的結(jié)構(gòu)元素對各層極值點進(jìn)行形態(tài)學(xué)膨脹操作;最后將各層計算結(jié)果疊加在一起。合并前后結(jié)果對比如圖15所示,修正前的巖屑距離圖像如圖15a所示,修正后的巖屑距離圖像如圖15b所示,紅框內(nèi)的部分為修正前后的極值點,深藍(lán)色為背景區(qū)域。通過極值點校正后,單目標(biāo)顆粒上多極值點能夠根據(jù)顆粒大小自適應(yīng)膨脹融合。

圖15 巖屑圖像極值點修正Fig. 15 Extreme point correction of cuttings image

極值點合并后,再對巖屑圖像進(jìn)行分水嶺變換操作。本文進(jìn)行分水嶺分割的具體過程如下:先進(jìn)行前景標(biāo)記,將圖像中巖屑顆粒外側(cè)的全部像素標(biāo)記為背景,然后再進(jìn)行前景標(biāo)記,對形態(tài)學(xué)處理后的圖像進(jìn)行二值化和距離變換(王洪元等, 2010),將區(qū)域極小值點采用極值點校正的方式進(jìn)行合并,對合并后的圖像標(biāo)記為前景,再通過前景標(biāo)記和背景標(biāo)記進(jìn)行分水嶺變換以獲得最終的分割結(jié)果(臧麗日等, 2022)。

為了評估本文提出的改進(jìn)分水嶺算法(Meiburgeretal., 2021)的實際效果,選取經(jīng)圖像融合算法處理后的圖像作為輸入,比較傳統(tǒng)分水嶺算法、控制標(biāo)記符分水嶺算法和本文改進(jìn)分水嶺算法的三者的分割效果。圖16中,a圖指的是砂樣的局部原圖,b圖指的是經(jīng)過圖像融合算法處理之后的圖像,c圖、d圖和e圖分別指的是應(yīng)用傳統(tǒng)分水嶺分割算法、控制標(biāo)記符分水嶺分割算法和本文改進(jìn)分水嶺分割算法的分割結(jié)果,紅色框內(nèi)表示部分誤分割。c圖說明了直接在極小值點上應(yīng)用傳統(tǒng)的分水嶺算法容易產(chǎn)生大量的誤分割,不能很好地區(qū)分單顆粒巖屑的位置信息。d圖表明控制標(biāo)記符分水嶺算法雖然對較小的顆粒能很好的進(jìn)行劃分,卻也誤分了部分較大的顆粒。而e圖說明了本文改進(jìn)分水嶺算法更為有效,不僅能將單顆粒以不同像素點進(jìn)行識別,而且能夠高度明顯地分辨出單顆粒。測試計算200張砂樣局部原圖以及改進(jìn)分水嶺算法處理之后的標(biāo)記結(jié)果,本文分水嶺分割標(biāo)記正確率達(dá)到97%,由此可見,本文改進(jìn)的分水嶺算法具有較強(qiáng)的有效性和實用性。

3 圖像拼接及現(xiàn)場應(yīng)用

3.1 基于坐標(biāo)點的圖像拼接算法

在1.2節(jié)中對完整砂樣圖像進(jìn)行了等分處理,該處理會破壞部分巖屑的完整性。為了保證巖屑圖像的完整性,方便與砂樣原圖進(jìn)行結(jié)合后完成單顆粒提取,也便于后續(xù)對完整顆粒形狀進(jìn)行識別分析,本文提出基于坐標(biāo)點的圖像拼接算法,將圖像等分過程中被分離的單顆粒圖像進(jìn)行拼接復(fù)原。坐標(biāo)點拼接算法首先提取被標(biāo)記的單顆粒巖屑在等分線的坐標(biāo)點,然后進(jìn)行相同或相近坐標(biāo)點的判定,如果判定出在拆分線兩側(cè)的連通域具有相近的坐標(biāo)點,則進(jìn)行連通域合并處理。

以圖17為例,4張經(jīng)過分水嶺標(biāo)記之后的圖像直接進(jìn)行拼接,采用以下步驟: 首先通過OpenCV提取b圖的連通域邊界的坐標(biāo),將提取到的每一個連通域Di的邊界坐標(biāo)值存在列表xi中,每一個連通域的像素值存在列表mi中,例如連通域D1的坐標(biāo)值全部存入x1中,對應(yīng)的像素值為m1,連通域D2的坐標(biāo)值全部存入x2中,對應(yīng)的像素值為m2。然后記錄下b圖的兩條等分線上點的坐標(biāo),將這些坐標(biāo)存在列表y中,然后用列表y對每一個xi中的坐標(biāo)值進(jìn)行篩選。如果橫坐標(biāo)或者縱坐標(biāo)的值不在列表y的坐標(biāo)中,那么剔除該坐標(biāo)值。對xi中的坐標(biāo)值進(jìn)行排序,只保留最大坐標(biāo)值和最小坐標(biāo)值(徐圣濱等, 2023),然后對xi和xi-1進(jìn)行相減,在返回的結(jié)果中進(jìn)行判斷。如果xi和xi-1差值結(jié)果中橫縱坐標(biāo)值均小于5,那么可以認(rèn)為兩個連通域?qū)儆谕粋€顆粒,直接將兩個連通域Di和Di-1的像素值改為mi±5。以上步驟進(jìn)行循環(huán)處理,直到所有的連通域全部處理完成,處理之后的局部圖像如圖c所示。對比圖a和圖c,可以看出執(zhí)行完拼接算法之后,標(biāo)記圖中的單顆粒巖屑圖像基本被復(fù)原為完整的巖屑顆粒圖像。

隨機(jī)選取20張3 550×3 550大小的砂樣圖像進(jìn)行測試,人工預(yù)先對砂樣原圖進(jìn)行顆粒計數(shù),然后與拼接算法得到的連通域Di個數(shù)進(jìn)行對比。采用Di個數(shù)與顆?？倲?shù)的比值定義準(zhǔn)確率。表2為部分分割測試結(jié)果,平均分割準(zhǔn)確率在96.77%左右。

表2 部分分割測試實驗結(jié)果Table 2 Partial segmentation test experimental results

3.2 單顆粒巖屑圖像提取

在分割標(biāo)記圖中,將各巖屑顆粒圖像質(zhì)心點位置排序,在列表中記錄每一單顆粒標(biāo)記在縱橫軸上的最大、最小坐標(biāo)以及構(gòu)成該單顆粒標(biāo)記的所有像素點坐標(biāo)。以第n個單顆粒圖像標(biāo)記為例,其記錄坐標(biāo)分別為xn-min、xn-max、yn-min、yn-max和(xn-i,yn-i), 對應(yīng)像素值為D(xn-i,yn-i),將記錄下的坐標(biāo)在對應(yīng)的砂樣原圖中進(jìn)行坐標(biāo)信息匹配,對匹配部分進(jìn)行截取,如果標(biāo)記圖中像素值等于D(xn-i,yn-i),則截取圖像中對應(yīng)像素點的像素值不變,否則將截取圖像中對應(yīng)像素點的像素值變?yōu)楹谏尘?等效完成了單巖屑顆粒圖像的分割提取。砂樣圖像中n個顆粒進(jìn)行n次分割提取,以同樣方式全部完成處理后,新生成n幅單顆粒巖屑圖像,等效完成原砂樣圖像中單顆粒巖屑分割。

3.3 現(xiàn)場應(yīng)用

本文設(shè)計內(nèi)容以砂樣分割軟件形式在多個油氣區(qū)塊進(jìn)行了多井次的應(yīng)用。在四川盆地川西坳陷新場構(gòu)造帶的新盛某井、豐谷某井等井場,地層結(jié)構(gòu)較復(fù)雜,在沙溪廟、須家河等地層交界面較多,且易發(fā)生井壁失穩(wěn)等風(fēng)險,需要錄井人員密切關(guān)注井壁及返出巖屑的狀況,并快速獲取砂樣巖性成分、返出巖屑顆粒的大小形狀等參數(shù)。傳統(tǒng)巖屑錄井方式無法滿足上述需求,故在鉆進(jìn)過程中,利用本軟件進(jìn)行輔助分析。

該軟件自動從最新采集的砂樣圖像中提取單顆粒巖屑圖像。經(jīng)過長時間多圖應(yīng)用測試可知,該系統(tǒng)對每張3 550×3 550分辨率圖片的處理時間約為25 s左右,正確標(biāo)記分割率均高于96%。系統(tǒng)輸出的結(jié)果如圖18所示,由圖中單顆粒提取圖可知,提取的單顆粒巖屑圖像完整且輪廓清晰,細(xì)節(jié)信息保留完整,能有效支撐后續(xù)巖屑巖性的識別分析,也為顆粒的大小及形狀參數(shù)精確評價提供了必要條件。為了保證系統(tǒng)的流暢性,設(shè)置每30 s系統(tǒng)自動讀取一張待測圖片進(jìn)行巖屑分割處理。

4 結(jié)論

針對巖屑錄井過程中砂樣組分分析精度差、巖性識別不準(zhǔn)確而人工篩選巖屑效率低、不穩(wěn)定且耗費人力等特點,本文提出了一種新的砂樣圖像分割提取方法。該方法能在巖屑顆粒高度密集且混雜堆疊的砂樣圖像中,實現(xiàn)較高精度的單顆粒巖屑圖像分割提取,有利于通過單顆粒識別的方式確定砂樣成分,大幅提高顆粒密集砂樣巖性分析的精度和效率?，F(xiàn)場應(yīng)用表明,設(shè)計的模型計算參數(shù)少,加載圖片時間快,分割精度高達(dá)96.77%,時間為25 s/張圖片。相較于傳統(tǒng)方法,該方法的模型更輕量和精準(zhǔn),能夠更好地滿足油氣開發(fā)階段在測算油藏層構(gòu)造變化、查找潛在沉積物源及儲層動態(tài)變化等方面的需求。

該方法的應(yīng)用具有廣泛的前景。例如,在油氣勘探過程中,可使用該方法提取巖屑圖像,進(jìn)而對沉積盆地的沉積環(huán)境進(jìn)行分析,了解沉積的物質(zhì)來源、改變過程及分布規(guī)律,揭示沉積作用對儲層質(zhì)量的影響。同時,該方法可以應(yīng)用于其他領(lǐng)域的圖像分割和識別,具有一定的拓展性和應(yīng)用前景。