砂样图像岩屑自动分割提取方法

夏文鹤,唐印东,李 皋,韩玉娇,林永学,吴雄军,石祥超

(1. 西南石油大学 电气信息学院, 四川 成都 610500; 2. 西南石油大学 石油与天然气工程学院,四川 成都 610500; 3. 中国石化 石油工程技术研究院, 北京 102200)

岩屑录井过程中对砂样成分进行判定,可以准确地反映全井地层的岩性情况(张欣等, 2020 )。但由于砂样中岩屑颗粒的混杂堆叠,所以岩性分析人员往往只能采用人为估算的方式进行岩性成分占比的计算。如果能将砂样中混杂堆叠的单颗粒岩屑进行分离,通过单颗粒识别的方式确定砂样成分,将能大幅提高砂样岩性分析的精度和效率。但目前尚无将砂样进行单颗粒分离的设备,手工分离费时费力。因此利用图像处理技术,将砂样图像中的单颗粒图像进行智能分割提取,具有重要的现场应用价值(孙岿, 2022; Hamitouche and Jonic, 2022)。

钻井现场拍摄的砂样图像主要用于后续细化分析,因此井场拍摄人员往往未对岩屑颗粒按照“大段摊开”的要求进行拍照(潘柯宇等, 2020),而是直接将未进行挑选的岩屑倒入载物台拍摄,使得图像中岩屑颗粒之间混合堆叠在一起。若采用智能图像处理技术,替代人为摊开处理环节,对留底拍照的砂样图像进行智能分割处理,可提取出单颗粒岩屑图像。但由于密集型砂样图像智能识别精度低(杨智宏等, 2021),故从密集岩屑颗粒图像中较精确地分割出单颗粒图像成为技术关键(Caoetal., 2022)。

对于此问题,吴晓红等(2010)通过边沿流检测算法得到不连续边界问题,提出把边沿流作为水平集的一个变量带入水平集函数方程进行轮廓优化。沈清波等(2009)对岩屑图像进行形态学去噪,在相对保留边沿信息的同时降低了噪声干扰,通过非线性阈值变换分离出梯度图像的背景与目标,运用分水岭算法分割出独立小区域,对一些过分割区域利用区域合并最终完成岩屑颗粒图像分割。王倩等(2014)用改进的边沿流检测算法对自然平铺岩屑图像进行边沿检测,再通过曲线演化连接边沿得到封闭边沿,依据区域颜色相似度对相邻区域进行区域合并。覃本学等(2022)针对岩屑图像的特征设计了一种岩屑图像的语义分割网络Debseg-Net,该网络采用编解码结构,卷积与转置卷积结合实现对岩屑图像特征的提取与像素级分类,识别准确率领先同类型分割网络2.59%～7.04%。夏文鹤等(2023)针对人为摊开处理过的砂样图像,提出了先通过计算砂样图像的像素值梯度并求取颗粒质心,再采用分水岭算法获取岩屑颗粒轮廓线并标记,分割准确率最高达到95.28%,但只能用于人为摊开处理后的砂样图像。Baklanova等(2015)使用K均值聚类对彩色矿石进行了自动分割,但需手动设置聚类中心数。Ting等(2017)使用基于改进的归一化切割方法分割了岩石颗粒图像,并取得了较好结果,但对样品的均质性要求较高。Karimpouli和Tahmasebi(2019)使用CT扫描技术获得了岩石原始图像后,对少量的样本进行扩增,并通过SegNet成功地分割了数字岩石图像。

上述传统图像处理方法和深度学习方法虽在一定程度上可以解决如图1a所示的 “大段摊开”处理过的岩屑,但是均未解决摊开处理环节或单颗粒岩屑提取环节需要人工干预的问题。而本文处理的砂样图像如图1b所示,是未经过大段摊开处理的砂样图像,具有堆叠严重、小颗粒岩屑多、岩屑粒径相差大、图片分辨率高且尺寸大等特点。现阶段图像分割的传统算法效果最好的主要以分水岭算法为代表,但是经过实验发现,分水岭算法处理本文的砂样图像依然会因为纹理和色泽的原因存在误分割问题。如果采用神经网络进行图像分割,又面临参数量大、小颗粒分割效果差(金鹭等, 2022)、现场应用的硬件条件无法满足要求等问题。

图1 砂样原图像Fig. 1 Original images of sand sample

故本文提出一种以图像融合算法为桥梁,将卷积神经网络和分水岭算法相结合的单颗粒图像分割提取方法。首先利用改进的Mask R-CNN网络快速分割砂样原图,获得其初分割图像;然后,将初分割图像与砂样原图进行融合,再使用分水岭算法对融合结果进行分割;最后,利用砂样原图坐标点匹配方法,将分水岭分割得到的结果图像进行修正,完成单颗粒岩屑图像提取。具体处理流程如图2所示。

图2 砂样图像单颗粒提取流程图Fig. 2 Flow chart of single particle extraction from sand sample image

1 单颗粒岩屑图像初分割

1.1 初分割图像获取方法

砂样图像中单颗粒之间相互重叠,颜色相似,部分颗粒粘连严重,边沿信息模糊。但是该砂样图像是录井专业人员采用专用的设备所拍摄的高分辨率放大图像,分辨率均为3 550×3 550大小,分辨率高且颗粒轮廓相关特征保留较为充分,可尝试采用神经网络模型获取初分割图像。

1. 2 砂样图像样本库建立

若采用神经网络模型获取初分割图像,首先需要建立训练网络模型的砂样图像单颗粒岩屑标示样本库。初步研究过程发现,如果直接以砂样原图(3 550×3 550)作为样本集,在对神经网络进行训练时存在以下问题: ① 样本集制作困难,且人为标注单颗粒岩屑边界存在很多的粗大误差; ② 对设备性能要求极高,不符合实际工程应用的需求,比如Mask R-CNN网络处理3 584×3 584大小的砂样图像参数量在1 400 M左右; ③ 神经网络训练速度慢,预测时间长,准确率低,学习到的特征少(Jinetal., 2022)。

针对以上问题,在制作初分割图像样本集之前,需要对高分辨率的砂样原图进行预处理。由于本文选取的神经网络模型对于输入图像的尺寸要求能够被26整除,并且保证图像不失真,所以预处理方式为:首先将3 550×3 550的砂样图像采用0值进行边沿填充,将其填充至3 584×3 584,再进行高宽7等分,所以每张砂样图像将被等分为49张512×512大小的图像,之后采用LabelMe标注工具进行人工标注。经过统计分析,此尺寸的大部分图像中岩屑颗粒数量未超过30,为留有一定余量且因为背景需要单独标记为一类, 所以设为41分类最合理,并以rock01～rock41进行命名,部分岩屑颗粒标注图像如图3所示。

图3 部分标签图像Fig. 3 Partial label images

由于砂样图像在采集过程中岩屑颗粒分布散乱且拍摄角度存在多样性,加之对岩屑清洗程度差异,导致岩屑样本表面明暗程度不一致,同时制作岩屑样本的工作量较大,录井专业人员的标注数据较少,因此本文考虑采用旋转、噪音、镜像以及亮度变化等方法对岩屑样本进行扩增。从扩增后的样本集(共1 176张图像)中随机选择70%图像作为训练集(共824张图像),20%图像作为验证集(共235张图像),10%图像作为测试集(共118张图像)。

1.3 改进Mask R-CNN主干网络结构

现有的深度学习图像分割网络主要以FCN、U-net DeepLabV3+、Mask R-CNN等为主(Heetal., 2020),其中Mask R-CNN相较于其他图像分割网络泛化能力较强,可扩展性较强,网络结构比较灵活便于完成不同的任务,还能实现图像的像素级分割。但现有Mask R-CNN网络参数量大(宋玲等, 2021),预测时间长,精度不稳定,本文考虑通过对Mask R-CNN的主干特征提取网络进行改进,以提高初分割图像的获取速度,而且能够基本满足精度的要求。现有的Mask R-CNN主干网络结构如图4所示,目前由Resnet101作为主干网络,包含Conv block与Identity block两个模块,这两个模块均属于倒残差结构的神经网络,其中Conv block模块用于改变图像的维度大小,而Identity block模块用于加深网络的层数(Samiretal., 2015)。由于网络层数深导致训练时间长,预测时间慢,参数量大,并且Resnet101采取的普通卷积方式导致提取到岩屑的局部特征信息丢失严重。

图4 原主干网络结构Fig. 4 Original backbone network structure

针对上述问题,本文采用轻量级特征提取模型作为改进Mask R-CNN主干网络。其中,MobileNetV2作为轻量级网络代表,采用深度可分离卷积作为特征提取结构,大幅减少了模型运算参数数量,并保证了准确率。与ResNet101相比,MobileNetV2具有层数较少、计算量少、内存占用少等优势,是广泛应用的轻量级神经网络。采用深度卷积和逐点卷积拆分标准卷积的方式,实现了卷积过程中通道信息和空间信息的分离映射,从而实现轻量化效果(严开忠等, 2021)。与标准卷积相比,深度可分离卷积引入了1×1卷积核,从而大幅减少了模型的权重参数数量,提升了模型的运算速度(胡亮等, 2022)。

改进网络基本结构如图5所示。对比图5和图4可知,因为本文在预处理阶段,已实现了输入网络的尺寸图像尺寸能够被26整除,故改进结构中已将ZeroPadding进行删除,并用ConvD和Conv2d组合替换掉原主干网络的Conv block与Identity block,定义Conv2d为标准卷积,定义ConvD为深度可分离卷积。经过实验发现原网络参数量为58.2 M,改进的主干特征提取网络结构后的参数量为24 M,该改进方式极大降低了模型的参数量。

图5 改进的主干网络结构Fig. 5 Improved backbone network structure

为了验证本文改进主干特征提取网络的有效性,本文进行了对比实验,比较了Mask R-CNN原主干网络ResNet101和本文改进的主干网络在特征提取上的表现(胡云鸽等, 2020)。实验结果的局部特征信息对比如图6～图9所示,其中图6为浅层特征,图7～图8为中间层特征,图9为深层特征。由图6对比可知,浅层特征主要包括岩屑的直观细节信息,边沿差别较大的特征会表现得极其明显,本文改进的特征提取结构能够更加多地提取到单颗粒岩屑之间的位置和边沿信息。中间特征图像素值逐渐抽象,包含岩屑颗粒表面特征的局部语义信息,更多地表达岩屑的局部细节信息,由图7和图8可知本文主干网络提取的局部语义信息均优于原主干网络。深层则是提取出更多的深层局部特征信息以及组合的特征信息,从而表达全局语义信息。由图9对比可知,本文改进的主干特征提取网路在深层时候能够提取到更多的全局语义信息,而原网络全局语义信息基本已经丢失。

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

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

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

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

1.4 Mask R-CNN整体结构优化

Mask R-CNN由主干特征提取网络、特征融合模块(FPN)、区域建议网络(RPN)、特征匹配层(ROI Align)、分类回归网络和全卷积网络组成。区域建议网络可根据主干特征提取网络的结果对不包含岩屑的区域进行粗筛选,分类回归网络的作用是进行岩屑的分类预测,掩膜网络的作用是与分类回归网络结合输出带标记的分割图。其中分类回归网络包含图像分类回归分支和目标检测分支,分类回归网络和掩膜网络均由全连接层组成。由图6～图9可知,改进特征提取网络提取的特征图不仅含有浅层特征,还含有深层特征,通过实际测试发现,若仅利用O2～O5作为最终的特征送入RPN区域建议网络进行训练,会导致岩屑图像中粘连严重部分的像素信息在下一个采样的流程中丢失,进而影响分割的精度。为了充分保留特征信息,以便于RPN区域建议网络进行学习更好的单颗粒信息,因此利用FPN特征融合结构融合浅层与深层特征图信息,以增强网络特征提取能力。对于本应用场景而言,即为融合不同分辨率图像下的不同特征。该方式有利于提取小颗粒岩屑的特征以及弱边沿信息,极大地提高初分割图像的准确率,具体融合过程如图10所示。

图10 主干网络+FPN特征融合结构Fig.10 Backbone network + FPN feature fusion structure

图10中,下一层特征图经过上采样与上一层特征图进行特征图的相加操作,得到特征图P2至P6。通过FPN融合之后的特征图P2～P6中包含很多通过卷积层丢失的细节信息(程飞, 2022),提取到的P2～P6作为RPN网络的有效特征层。将有效特征层送入RPN区域建议网络和ROI Align进行初分割图像的学习,其中P6仅用于训练RPN网络使用。

将全卷积网络定义为初分割图像预测网络。ROI Align一般有两种结构,一种是获得7×7大小的特征图,另一种是获得14×14大小的特征图。为了使得特征图中能够保留更多的细节信息,也使获取到的初分割图像更加准确,本文使用ROI Align获得14×14大小的特征图。另一方面,由于本研究的重点在岩屑颗粒图像分割,所以对于分类回归网络中的目标检测结构进行删减,并对Mask R-CNN的损失函数进行优化。原Mask R-CNN损失函数包含类别损失、回归框损失、初分割预测网络损失,将这些损失函数求和就是整体误差,用来训练评估模型(司晨冉等, 2020),保留初分割图像预测网络的损失和类别(cls)损失,如式(1)所示。

Lloss=Lcls+Lmask

(1)

式中,Lloss为损失函数,Lcls为类别预测损失函数,Lmask为初分割图像预测损失函数。

为了提升网络的收敛效率并防止过度拟合现象,将Batch Normalize(BN)层添加至图10的P2～P6之后的卷积层中。BN层能够对网络输入特征向量进行归一化处理,从而使得代入参数对网络产生的影响降低。BN层输出连接RPN区域建议网络,区域建议网络运用主干特征提取网络获得的有效特征层,来筛选出包含岩屑颗粒目标信息的区域。RPN由3×3的卷积和两个1×1卷积组成,3×3卷积通过增加局部上下文信息的方式从而提高特征图的判别力,其中一个1×1卷积用于预测是岩屑还是背景,另一个计算针对原图坐标的偏移量,以获得精确的目标候选区域。然后,将带有建议框的特征层与主干特征提取网络获得的有效特征层传入ROI Align模块进行感兴趣区域的对齐。最后,将局部特征传入分类回归网络和初分割图像预测网络。分类回归网络主要用于计算回归边框损失进行参数优化,初分割图像预测网络进行初分割图像的计算,其计算结果再结合分类回归网络的参数优化结果,得到单颗粒岩屑图像初分割结果。改进后的网络结构图如图11所示。

图11 改进后的Mask R-CNN网络结构Fig. 11 Improved Mask R-CNN network structure

1.5 网络训练和初分割结果

分别采用ResNet50、ResNet101和MobileNetV2作为主干网络进行对比实验,学习率设置为0.0001,batch_size设为145时,模型损失下降最优。将网络的准确率、模型内存大小作为网络的性能评价指标,通过初分割的准确率(P)和初分割召回率(R)作为分割结果的评价指标。测试集由岩屑录井专家建立的待分析的100张图像组成,单张岩屑图像中包含岩屑颗粒个数在40左右。初分割准确率和召回率评估图像分割准确率的计算公式如下:

P=TTP/(TTP+TTN)

(2)

R=TTP/(TTP+FFN)

(3)

式中,TTP代表岩屑颗粒被准确分割的个数,TTN为将背景误认为是岩屑颗粒的个数,FFN为将前景误认为是背景的个数。分别采用3种不同的主干特征提取网络进行初分割图像提取的测试实验,实验结果中各参数对比如表1所示。由表1可知,MobileNetV2对比ResNet50和ResNet101,初分割图像召回率(R)提升到96.11%,参数量和消耗时间大幅缩减。利用训练好的网络模型进行图像初分割,结果如图12所示,图中红色线框表示3种主干模型初分割结果中的误分割对比。

表1 测试集准确率和模型性能对比Table 1 Comparison of test set accuracy and model performance

图12 初分割图像获取结果Fig.12 Initial segmentation image acquisition results

2 岩屑图像融合和分水岭精确分割

2.1 基于像素点的图像融合算法

为了保留小颗粒岩屑图像,同时保持原有分割的大颗粒岩屑分割结果不受影响,以获取准确的分水岭分割结果,本文提出基于像素点的图像融合算法,在初分割图像中添加小颗粒岩屑图像。具体而言,将经过Mask R-CNN分割网络得到的初分割图像与原图像进行融合。在保留初分割结果的基础上,融合过程中关注两图像中背景区域的差异,对有明显差异的背景区域,利用原图对初分割图像进行修正,不仅使原图像中表面纹理结构杂乱的粘连岩屑颗粒成为单一像素的图像,并且能将误分割的小颗粒岩屑通过原图像得到保留(Madarászetal., 2021)。

融合算法具体实现过程以图13为例,先对图a进行Mask R-CNN网络分割得到图b;再对图b进行边沿检测,得到的边沿检测结果为B_canny,以此来保留岩屑的边沿特征;然后采用连通域像素点坐标值提取的方式,同步遍历图a和图b,当遍历到图b中的连通域Di时,记录对应的像素坐标值x,并将a中对应位置的像素值改为m;同时判断不同岩屑颗粒所形成的不同连通域边沿,如果存在边沿附近像素差值小于6的像素点,将其归入该连通域内,输出一个新的初分割图像c;再将图像c与图像a相加(司晨冉, 2019)。此时相加的结果图像中有3种像素值分别是大颗粒岩屑的像素值m、背景像素值0和小颗粒岩屑的像素值n;接着将相加结果图像中像素值非0和非m的部分更改为m,且将该图与B_canny相加,最终得到融合图像d。其中示意图中m的值为129,而红色框则表示了融合算法保留的初分割图像中未提取到的部分小颗粒岩屑。

图13 融合算法示意图Fig. 13 Schematic diagram of fusion algorithm

为了验证图像融合算法的有效性,随机选取部分岩屑颗粒图像用Mask R-CNN网络分割出初步结果(图14c),然后将它们接着进行融合处理,最终得到结果(图14d)。可以看出,在Mask R-CNN网络获得的初分割图像中,部分小颗粒岩屑未能被准确分割;利用融合算法处理后,图14d相较于图14b,标注的小颗粒岩屑被保留了下来,从而证明该算法不仅可以解决由于人为制作样本造成的误差,也可以解决由于神经网络学习导致的小岩屑颗粒误差,从红色框内的局部区域对比中也可以证明,图像融合算法对小颗粒岩屑具有较高的处理效果。

图14 岩屑图像融合算法结果对比Fig. 14 Comparison of cutting image fusion algorithm results

2.2 单颗粒岩屑的分水岭分割

经过本文融合算法处理后,图像中包含3种像素值,分别代表岩屑颗粒内部、边沿和外部的像素。使用该融合算法处理后的图像可以避免分水岭算法在颜色和边沿区别不明显时的误分割问题。分水岭算法核心原理是在极小值点处注入水,然后随着注水的深入,每个极小值点逐渐向外扩散,并且一直持续到两个水盆地汇合的地方,这个地方形成了分水岭的边界。但是由于岩屑图像中存在个别大颗粒岩屑,大颗粒岩屑会产生多个极小值点,每一个极小值点就会分割出一个岩屑轮廓,即增加一个单颗粒岩屑图像,因此如果直接在极小值点使用传统的分水岭算法,可能会导致过度分割,即将一个独立的岩屑颗粒被误分割成多个区域。故本文采取极值点合并的方式改进分水岭算法,有效减少极值点数量,减少误分割的岩屑数量。具体方法首先对优化二值图做距离变换,得到极值点灰度图像,求取极值点图像的像素最大值和像素最小值;然后根据各极点像素值大小分层,同一层包含相同像素值大小的极值点,像素集合S为各层极值点像素集合;遍历集合S,利用不同大小的结构元素对各层极值点进行形态学膨胀操作;最后将各层计算结果叠加在一起。合并前后结果对比如图15所示,修正前的岩屑距离图像如图15a所示,修正后的岩屑距离图像如图15b所示,红框内的部分为修正前后的极值点,深蓝色为背景区域。通过极值点校正后,单目标颗粒上多极值点能够根据颗粒大小自适应膨胀融合。

图15 岩屑图像极值点修正Fig. 15 Extreme point correction of cuttings image

极值点合并后,再对岩屑图像进行分水岭变换操作。本文进行分水岭分割的具体过程如下:先进行前景标记,将图像中岩屑颗粒外侧的全部像素标记为背景,然后再进行前景标记,对形态学处理后的图像进行二值化和距离变换(王洪元等, 2010),将区域极小值点采用极值点校正的方式进行合并,对合并后的图像标记为前景,再通过前景标记和背景标记进行分水岭变换以获得最终的分割结果(臧丽日等, 2022)。

为了评估本文提出的改进分水岭算法(Meiburgeretal., 2021)的实际效果,选取经图像融合算法处理后的图像作为输入,比较传统分水岭算法、控制标记符分水岭算法和本文改进分水岭算法的三者的分割效果。图16中,a图指的是砂样的局部原图,b图指的是经过图像融合算法处理之后的图像,c图、d图和e图分别指的是应用传统分水岭分割算法、控制标记符分水岭分割算法和本文改进分水岭分割算法的分割结果,红色框内表示部分误分割。c图说明了直接在极小值点上应用传统的分水岭算法容易产生大量的误分割,不能很好地区分单颗粒岩屑的位置信息。d图表明控制标记符分水岭算法虽然对较小的颗粒能很好的进行划分,却也误分了部分较大的颗粒。而e图说明了本文改进分水岭算法更为有效,不仅能将单颗粒以不同像素点进行识别,而且能够高度明显地分辨出单颗粒。测试计算200张砂样局部原图以及改进分水岭算法处理之后的标记结果,本文分水岭分割标记正确率达到97%,由此可见,本文改进的分水岭算法具有较强的有效性和实用性。

3 图像拼接及现场应用

3.1 基于坐标点的图像拼接算法

在1.2节中对完整砂样图像进行了等分处理,该处理会破坏部分岩屑的完整性。为了保证岩屑图像的完整性,方便与砂样原图进行结合后完成单颗粒提取,也便于后续对完整颗粒形状进行识别分析,本文提出基于坐标点的图像拼接算法,将图像等分过程中被分离的单颗粒图像进行拼接复原。坐标点拼接算法首先提取被标记的单颗粒岩屑在等分线的坐标点,然后进行相同或相近坐标点的判定,如果判定出在拆分线两侧的连通域具有相近的坐标点,则进行连通域合并处理。

以图17为例,4张经过分水岭标记之后的图像直接进行拼接,采用以下步骤: 首先通过OpenCV提取b图的连通域边界的坐标,将提取到的每一个连通域Di的边界坐标值存在列表xi中,每一个连通域的像素值存在列表mi中,例如连通域D1的坐标值全部存入x1中,对应的像素值为m1,连通域D2的坐标值全部存入x2中,对应的像素值为m2。然后记录下b图的两条等分线上点的坐标,将这些坐标存在列表y中,然后用列表y对每一个xi中的坐标值进行筛选。如果横坐标或者纵坐标的值不在列表y的坐标中,那么剔除该坐标值。对xi中的坐标值进行排序,只保留最大坐标值和最小坐标值(徐圣滨等, 2023),然后对xi和xi-1进行相减,在返回的结果中进行判断。如果xi和xi-1差值结果中横纵坐标值均小于5,那么可以认为两个连通域属于同一个颗粒,直接将两个连通域Di和Di-1的像素值改为mi±5。以上步骤进行循环处理,直到所有的连通域全部处理完成,处理之后的局部图像如图c所示。对比图a和图c,可以看出执行完拼接算法之后,标记图中的单颗粒岩屑图像基本被复原为完整的岩屑颗粒图像。

随机选取20张3 550×3 550大小的砂样图像进行测试,人工预先对砂样原图进行颗粒计数,然后与拼接算法得到的连通域Di个数进行对比。采用Di个数与颗粒总数的比值定义准确率。表2为部分分割测试结果,平均分割准确率在96.77%左右。

表2 部分分割测试实验结果Table 2 Partial segmentation test experimental results

3.2 单颗粒岩屑图像提取

在分割标记图中,将各岩屑颗粒图像质心点位置排序,在列表中记录每一单颗粒标记在纵横轴上的最大、最小坐标以及构成该单颗粒标记的所有像素点坐标。以第n个单颗粒图像标记为例,其记录坐标分别为xn-min、xn-max、yn-min、yn-max和(xn-i,yn-i), 对应像素值为D(xn-i,yn-i),将记录下的坐标在对应的砂样原图中进行坐标信息匹配,对匹配部分进行截取,如果标记图中像素值等于D(xn-i,yn-i),则截取图像中对应像素点的像素值不变,否则将截取图像中对应像素点的像素值变为黑色背景,等效完成了单岩屑颗粒图像的分割提取。砂样图像中n个颗粒进行n次分割提取,以同样方式全部完成处理后,新生成n幅单颗粒岩屑图像,等效完成原砂样图像中单颗粒岩屑分割。

3.3 现场应用

本文设计内容以砂样分割软件形式在多个油气区块进行了多井次的应用。在四川盆地川西坳陷新场构造带的新盛某井、丰谷某井等井场,地层结构较复杂,在沙溪庙、须家河等地层交界面较多,且易发生井壁失稳等风险,需要录井人员密切关注井壁及返出岩屑的状况,并快速获取砂样岩性成分、返出岩屑颗粒的大小形状等参数。传统岩屑录井方式无法满足上述需求,故在钻进过程中,利用本软件进行辅助分析。

该软件自动从最新采集的砂样图像中提取单颗粒岩屑图像。经过长时间多图应用测试可知,该系统对每张3 550×3 550分辨率图片的处理时间约为25 s左右,正确标记分割率均高于96%。系统输出的结果如图18所示,由图中单颗粒提取图可知,提取的单颗粒岩屑图像完整且轮廓清晰,细节信息保留完整,能有效支撑后续岩屑岩性的识别分析,也为颗粒的大小及形状参数精确评价提供了必要条件。为了保证系统的流畅性,设置每30 s系统自动读取一张待测图片进行岩屑分割处理。

4 结论

针对岩屑录井过程中砂样组分分析精度差、岩性识别不准确而人工筛选岩屑效率低、不稳定且耗费人力等特点,本文提出了一种新的砂样图像分割提取方法。该方法能在岩屑颗粒高度密集且混杂堆叠的砂样图像中,实现较高精度的单颗粒岩屑图像分割提取,有利于通过单颗粒识别的方式确定砂样成分,大幅提高颗粒密集砂样岩性分析的精度和效率。现场应用表明,设计的模型计算参数少,加载图片时间快,分割精度高达96.77%,时间为25 s/张图片。相较于传统方法,该方法的模型更轻量和精准,能够更好地满足油气开发阶段在测算油藏层构造变化、查找潜在沉积物源及储层动态变化等方面的需求。

该方法的应用具有广泛的前景。例如,在油气勘探过程中,可使用该方法提取岩屑图像,进而对沉积盆地的沉积环境进行分析,了解沉积的物质来源、改变过程及分布规律,揭示沉积作用对储层质量的影响。同时,该方法可以应用于其他领域的图像分割和识别,具有一定的拓展性和应用前景。