基于迁移学习的岩屑岩性识别

doi:10.7523/j.ucas.2022.026

摘要/Abstract

摘要： 岩屑录井在地质构造研究及油气勘探等领域中有重要作用。随着录井技术提升，岩屑录井图片数量剧增，传统人工识别岩屑已远不能满足实际工作需求。基于迁移学习的卷积神经网络在图片分类识别中以高效著称。以常见的18种岩屑为研究对象，基于在ImageNet图像数据集上训练好的VGG-16模型建立符合岩屑图片数据集特征的迁移学习模型，并应用到实际的岩性识别中。选用5 877张岩屑录井图片，以3∶1∶1的比例随机划分训练集、验证集和测试集，其岩性识别准确率分别达到99.7%、87.2%和87.3%。测试学习结果表明该方法比卷积神经网络模型在岩性分类识别中具有更高的准确率。

关键词: 岩性识别, 卷积神经网络, 迁移学习, VGG-16

Abstract: Cutting logging plays an important role in the fields of geological structure research and oil and gas exploration. With the improvement of logging technology, the number of cutting logging pictures has increased sharply, and traditional manual identification of cuttings is far from meeting actual work requirements. Convolutional neural networks based on transfer learning are known for their high efficiency in image classification and recognition. This paper focuses on 18 common kinds of cuttings as the research object. Based on the VGG-16 model trained on the ImageNet image data set, a migration learning model conforming to the characteristics of the cuttings image data set is established and applied to the actual lithology recognition. This paper selects 5 877 cutting logging pictures, and the training set, validation set, and test set were randomly divided in the ratio of 3:1:1. The lithology recognition accuracies of the training set, validation set, and test set reach 98.6%, 87.2%, and 87.2%, respectively. The test results on learning show that this method is very effective in lithology classification and recognition.

Key words: lithology recognition, convolution neural network, transfer learning, VGG-16

中图分类号:

P588

董文豪, 张怀. 基于迁移学习的岩屑岩性识别[J]. 中国科学院大学学报, 2023, 40(6): 743-750.

DONG Wenhao, ZHANG Huai. Lithology recognition of cuttings based on transfer learning[J]. Journal of University of Chinese Academy of Sciences, 2023, 40(6): 743-750.

参考文献

[1] 刘永明. 岩屑录井技术发展之前瞻[J]. 中国石油和化工标准与质量, 2012, 33(11):117. DOI:10.3969/j.issn.1673-4076.2012.11.097.
[2] 贺新, 杨膳源. 岩屑录井技术影响因素及对策分析[J]. 石化技术, 2019, 26(9):147-147, 149. DOI:10.3969/j.issn.1006-0235.2019.09.083.
[3] 柳金钟, 张海翠, 王秀荣, 等. 文72块沙三中地层特征分析及岩性特征识别[J]. 内蒙古石油化工, 2005, 31(8):156-159.
[4] 付玉宝. 岩屑远程识别技术研究与应用[J]. 录井工程, 2015, 26(1):66-69. DOI:10.3969/j.issn.1672-9803.2015.01.016.
[5] 黄蕾, 郭超亚. 基于变差函数和局部方差图的煤岩图像纹理特征提取[J]. 工矿自动化, 2018, 44(4):62-68. DOI:10.13272/j.issn.1671-251x.17311.
[6] 吴正文. 卷积神经网络在图像分类中的应用研究[D]. 成都:电子科技大学, 2015.
[7] 阎治全, 周波, 李栋巍, 等. K近邻分类法在岩屑数字图像岩性分析中的应用[J]. 录井工程, 2017, 28(1):8-11. DOI:10.3969/j.issn.1672-9803.2017.01.002.
[8] 万红吉, 杨晓敏, 陈默, 等. 基于模糊C均值聚类算法的岩屑识别方法研究[J]. 四川大学学报(自然科学版), 2010, 47(3):537-542. DOI:10.3969/j.issn.0490-6756.2010.03.025.
[9] 陈超, 李文藻. 一种基于随机森林与颜色特征的岩屑识别算法[J]. 四川大学学报(自然科学版), 2012, 49(3):587-592. DOI:10.3969/j.issn.0490-6756.2012.03.020.
[10] 郑远攀, 李广阳, 李晔. 深度学习在图像识别中的应用研究综述[J]. 计算机工程与应用, 2019, 55(12):20-36. DOI:10.3778/j.issn.1002-8331.1903-0031.
[11] 张琦, 张荣梅, 陈彬. 基于深度学习的图像识别技术研究综述[J]. 河北省科学院学报, 2019, 36(3):28-36. DOI:10.16191/j.cnki.hbkx.2019.03.004.
[12] 郑尊凯. 深度学习模型下岩屑图像识别研究[D].荆州:长江大学,2019.
[13] Bianco S, Buzzelli M, Mazzini D, et al. Deep learning for logo recognition[J]. Neurocomputing, 2017, 245:23-30. DOI:10.1016/j.neucom.2017.03.051.
[14] 金连文, 钟卓耀, 杨钊, 等. 深度学习在手写汉字识别中的应用综述[J]. 自动化学报, 2016, 42(8):1125-1141. DOI:10.16383/j.aas.2016.c150725.
[15] 白林, 姚钰, 李双涛, 等. 基于深度学习特征提取的岩石图像矿物成分分析[J]. 中国矿业, 2018, 27(7):178-182. DOI:10.12075/j.issn.1004-4051.2018.07.038.
[16] Goodfellow I, Bengio Y, Courville A, et al. Deep Learning[M]. Cambridge:Massachusetts Institute of Technology Press, 2016.
[17] 万川, 王正勇, 何海波, 等. 基于改进P-Unet模型的岩屑颗粒识别[J]. 信息技术与网络安全, 2020,39(11):56-61. DOI:10.19358/j.issn.2096-5133.2020.11.009.
[18] 熊越晗, 刘东燕, 刘东升, 等. 基于岩样细观图像深度学习的岩性自动分类方法[J]. 吉林大学学报(地球科学版), 2021, 51(5):1597-1604. DOI:10.13278/j.cnki.jjuese.20200291.
[19] Theodoridis S. Machine learning:a Bayesian and optimization perspective[M]. 2nd ed. Amsterdam:Elsevier Ltd, 2020.
[20] Deng J, Dong W, Socher R, et al. ImageNet:a large-scale hierarchical image database[C]//2009 IEEE Conference on Computer Vision and Pattern Recognition. June 20-25, 2009, Miami, FL, USA. IEEE, 2009:248-255. DOI:10.1109/CVPR.2009.5206848.
[21] 杨真真, 匡楠, 范露, 等. 基于卷积神经网络的图像分类算法综述[J]. 信号处理, 2018, 34(12):1474-1489. DOI:10.16798/j.issn.1003-0530.2018.12.009.
[22] 王鹿, 曾国辉, 黄勃. 基于深度学习的风格迁移算法的研究与实现[J]. 智能计算机与应用, 2020, 10(2):57-60, 65. DOI:10.3969/j.issn.2095-2163.2020.02.011.
[23] Pan S J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge and Data Engineering, 2010, 22(10):1345-1359. DOI:10.1109/TKDE.2009.191.
[24] Weiss K, Khoshgoftaar T M, Wang D D. A survey of transfer learning[J]. Journal of Big Data, 2016, 3:9. DOI:10.1186/s40537-016-0043-6.
[25] Hashemi, A S, Bär A, Mozaffari S, et al. Transferable universal adversarial perturbations using generative models[EB/OL]. arXiv:2010.14919v2(2020-10-29)[2022-01-20]. https://arxiv.org/abs/2010.14919v2.
[26] Gupta A, Ahuja S. Parametric variational linear units (PVLUs) in deep convolutional networks[EB/OL]. arXiv:2110.12246v4(2021-12-16)[2022-01-20]. https://arxiv.org/abs/2110.12246v4.
[27] 白林, 魏昕, 刘禹, 等. 基于VGG模型的岩石薄片图像识别[J]. 地质通报,2019, 38(12):2053-2058.
[28] Liu C Z, Li M C, Zhang Y, et al. An enhanced rock mineral recognition method integrating a deep learning model and clustering algorithm[J]. Minerals, 2019, 9(9):516. DOI:10.3390/min9090516.
[29] 许振浩, 马文, 林鹏, 等. 基于岩石图像迁移学习的岩性智能识别[J]. 应用基础与工程科学学报, 2021, 29(5):1075-1092. DOI:10.16058/j.issn.1005-0930.2021. 05.002.
[30] 刘晨, 赵晓晖, 梁乃川, 等. 基于ResNet50和迁移学习的岩性识别与分类研究[J]. 计算机与数字工程, 2021, 49(12):2526-2530, 2578. DOI:10.3969/j.issn.1672-9722.2021.12.020.
[31] 范思萌, 王梅, 杨二龙, 等. 基于SVM-FTVGG16的岩屑检测方法[J]. 现代电子技术, 2021, 44(20):103-106. DOI:10.16652/j.issn.1004-373x.2021.20.021.
[32] 何为民, 何铮, 周娜. 深度学习的热与冷[J]. 单片机与嵌入式系统应用, 2021, 21(11):2-4.
[33] 周志华. 机器学习[M].北京:清华大学出版社, 2016.
[34] 张有健, 陈晨, 王再见. 深度学习算法的激活函数研究[J]. 无线电通信技术, 2021, 47(1):115-120.DOI:10.3969/j.issn.1003-3114.2021.01.016.
[35] 周飞燕, 金林鹏, 董军. 卷积神经网络研究综述[J]. 计算机学报, 2017, 40(6):1229-1251. DOI:10.11897/SP.J.1016.2017.01229.
[36] 黄庆康, 宋恺涛, 陆建峰. 应用于不平衡多分类问题的损失平衡函数[J].智能系统学报, 2019, 14(5):953-958. DOI:10.11992/tis.201808004.
[37] 庄福振, 罗平, 何清, 等. 迁移学习研究进展[J].软件学报, 2015, 26(1):26-39. DOI:10.13328/j.cnki.jos.004631.
[38] Wei F M, Zhang J P, Chu Y, et al. FSFP:transfer learning from long texts to the short[J]. Applied Mathematics & Information Sciences, 2014, 8(4):2033-2040. DOI:10.12785/amis/080462.
[39] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[EB/OL], arXiv:1409.1556v6(2015-04-10)[2022-01-20].https://arxiv.org/abs/1409.1556v6.
[40] 万磊, 佟鑫, 盛明伟, 等. Softmax分类器深度学习图像分类方法应用综述[J]. 导航与控制, 2019, 18(6):1-9, 47. DOI:10.3969/j.issn.1674-5558.2019.06.001.