现有的传统孔隙分割方法不能准确提取岩心图像中细小狭长的孔隙,且容易受到岩石图像噪声的干扰,针对上述问题,提出了一种深度学习网络模型ARC-Unet(Attention and Recurrent-Convolution Unet),用于更加精确的分割岩石孔隙。采用Unet作...现有的传统孔隙分割方法不能准确提取岩心图像中细小狭长的孔隙,且容易受到岩石图像噪声的干扰,针对上述问题,提出了一种深度学习网络模型ARC-Unet(Attention and Recurrent-Convolution Unet),用于更加精确的分割岩石孔隙。采用Unet作为基础网络,并在网络上加入注意力机制,用于解决在分割时小面积的孔隙容易被漏分割的情况。将循环卷积模块代替原来的卷积模块,可以拟合更多的岩石特征,提高孔隙分割的准确度。通过在采集并制作的岩石数据集上进行训练并在通过在测试集的分割结果上进行模型评估,改进模型在测试集上的F1达到了88.15%,有着较好的岩石孔隙分割结果。展开更多
文摘现有的传统孔隙分割方法不能准确提取岩心图像中细小狭长的孔隙,且容易受到岩石图像噪声的干扰,针对上述问题,提出了一种深度学习网络模型ARC-Unet(Attention and Recurrent-Convolution Unet),用于更加精确的分割岩石孔隙。采用Unet作为基础网络,并在网络上加入注意力机制,用于解决在分割时小面积的孔隙容易被漏分割的情况。将循环卷积模块代替原来的卷积模块,可以拟合更多的岩石特征,提高孔隙分割的准确度。通过在采集并制作的岩石数据集上进行训练并在通过在测试集的分割结果上进行模型评估,改进模型在测试集上的F1达到了88.15%,有着较好的岩石孔隙分割结果。
