基于U2-Net网络的钻井图像中的结构表面的细分和智能识别
Qingjun Yu1, Guannan Wang1, Hai Cheng2
1Chifengshan Jinhongling Nonferrous Mining Co., Ltd, Inner Mongolia, PR China.
PloS one
|March 7, 2024
概括
本研究介绍了一种智能U2-Net模型,用于在岩石质量钻井图像中对结构平面进行细分,提高了采矿岩石力学中手工方法的准确性和效率.
科学领域:
- 地质技术工程 地质技术工程
- 岩石机械学 岩石机械学
- 人工智能在地球科学中的应用
背景情况:
- 结构平面对岩石质量的强度和稳定性产生重大影响,需要在采矿中进行准确的分析.
- 对结构平面钻孔图像的手动分析是劳动密集型,低效和主观的.
- 高清钻探摄像头为深层结构平面分析提供了关键数据.
研究的目的:
- 开发钻井图像中的结构平面的智能细分方法.
- 在工作量,效率,主观性和准确性方面克服手工处理的局限性.
- 应用深度学习,特别是U2-Net网络,用于自动化结构平面识别.
主要方法:
- 一组数据集由1013个钻井图像组成,包括结构平面类型,石质学和颜色.
- 广泛的数据增强 (翻转,颜色动,模糊,混) 将数据集扩展到12,421张图像.
- 使用PyTorch框架与特定的超参数 (学习率0.001,批量大小4,Adam优化器) 训练了U2-Net网络.
主要成果:
- 开发的U2-Net模型在0.7.7的信心值下达到0.749的最大F测量值.
- 该模型的准确率高达0.85,回忆率大于0.5.5.
- 细分模型表现出高准确度和低平均绝对误差,表明了良好的概括能力.
结论:
- 智能分段模型在钻井图像中分析结构平面的手动方法上提供了显著的改进.
- 开发的方法为岩石力学研究提供了可靠和高效的工具.
- 这项研究为地质和采矿工程中结构平面的智能识别提供了宝贵的参考.
