基于深度学习的油页岩CT图像有机质识别分割方法研究

作者：王欣; 杨栋^*; 黄旭东

来源：太原理工大学学报, 2023, 54(04): 663-672.

DOI：10.16355/j.cnki.issn1007-9432tyut.2023.04.010

• 深度学习
• 油页岩
• 有机质
• 混合空洞卷积
• 语义分割

【目的】油页岩中有机质的密度远低于其他岩石基质，因此，在CT图像中有机质的灰度值往往接近于孔隙裂隙的灰度值，从而在图像中表现为灰度值差异不明显，有机质和岩石的边界模糊等问题。【方法】为了精准识别分割出油页岩CT图像中的有机质，对深度学习领域的图像分割方法进行研究，并自主搭建了描述有机质分割的OM-Unet语义分割网络架构。通过在传统Unet模型中引入混合空洞卷积模块、由粗到精的部署策略和轻量化自适应特征融合模块，利用卷积神经网络识别分割油页岩CT图像中的有机质，并结合MIoU等评价指标对其分割效果进行评估。【结果】OM-Unet模型的MIoU为80.66%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet和LAFF-Unet模型分别增加了8.01%、17.68%、9.5%、2.54%、2.83%和9.13%.OM-Unet模型的MPA为89.16%,相较于三相分割方法、Unet、CBAM-Unet、DeepLabV3、HDC-Unet和LAFF-Unet模型分别增加了12.85%、20.62%、15.82%、8.81%、9.55%和15.34%.【结论】该结果证明OM-Unet模型可有效提高油页岩有机质分割的准确性，更加精确地确定有机质体积百分比、有机质团数量随温度或者热解条件的变化规律，为油页岩原位开发提供基础理论数据。

• 单位
  太原理工大学