基于深度学习的油页岩CT图像有机质识别分割方法研究 |
| |
引用本文: | 王欣,杨栋,黄旭东.基于深度学习的油页岩CT图像有机质识别分割方法研究[J].太原理工大学学报,2023(4):663-672. |
| |
作者姓名: | 王欣 杨栋 黄旭东 |
| |
作者单位: | 太原理工大学原位改性采矿教育部重点实验室 |
| |
基金项目: | 国家重点研发计划项目(2019YFA0705501); |
| |
摘 要: | 【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%.【...
|
关 键 词: | 深度学习 油页岩 有机质 混合空洞卷积 语义分割 |
|
|