基于3D U-Net的卡斯特水库CT图像的自动细分和卡斯特空间结构的识别
ZhangXiong Zhu1,2, Haitao Wang3,4, Guiwen Xu3,4
1College of Petroleum Engineering, Chongqing University of Science and Technology, Chongqing, 401331, China. zhuzzx@cqust.edu.cn.
Scientific reports
|November 7, 2025
概括
本研究介绍了一种改进的3D U-Net模型,用于对岩水库计算机断层扫描 (CT) 图像进行细分. 改进的模型准确地识别了多个尺度上的复杂的岩结构,改进了水库分析.
科学领域:
- 地质物理学 地质物理学
- 图像分析 图像分析
- 储水库工程 储水库工程
背景情况:
- 电脑断层扫描 (CT) 图像提出了诸如模糊边界和尺度变化等挑战.
- 现有的3D U-Net细分方法在这些复杂图像中的详细特征识别和整体结构表示方面扎.
研究的目的:
- 开发一个改进的3D U-Net架构,用于精确细分岩水库CT图像.
- 为了解决岩水库成像中固有的多尺度和低对比特征.
主要方法:
- 在编码器中实现了多尺度输入路径,以捕获各种分辨率的特征.
- 在跳过连接中集成了一个空间注意模块,以强调关键边界和区域.
- 在训练过程中利用了子损失和基于梯度的边界意识损失的组合,以提高边界灵敏度.
主要成果:
- 实现了87.8%的子系数,这表明细分的区域重叠很大.
- 获得了1.9像素边界误差,显示了高边界精度.
- 在不同尺度上成功识别了岩结构,验证了模型的有效性.
结论:
- 改进的3D U-Net模型显著提高了岩水库CT图像细分的准确性.
- 该方法通过准确地划分多尺度的地特征,为复杂的水库建模和分析提供可靠的数据.
