用于碳酸盐岩微 CT 图像岩性分类的深度学习
计算机视觉与模式识别
2020-08-03 v1 机器学习
图像与视频处理
摘要
除了持续发展之外，盐下碳酸盐岩储层表征仍是一项挑战，主要源于其固有的地质特殊性。这些挑战促使了人工智能算法等成熟技术用于图像分类任务。因此，本工作旨在展示深度学习技术在巴西盐下碳酸盐岩显微断层图像中识别模式的应用，从而实现岩性分类。提出了四种卷积神经网络模型。第一个模型包含三个卷积层后接全连接层，并用作后续方案的基准模型。在接下来两个模型中，我们将最大池化层替换为空间金字塔池化与全局平均池化层。最后一个模型使用空间金字塔池化接全局平均池化组合替代最后的池化层。所有模型在可能时使用原始图像以及 resized 图像进行比较。数据集由来自三个不同类别的 6000 张图像组成。模型性能按每张图像单独评估，并按每个样本最频繁预测的类别评估。根据准确率，在 resized 图像上训练的模型 2 取得了最佳结果，第一种评估方式平均达 75.54%，第二种平均达 81.33%。我们开发了一种工作流，通过深度学习算法以非破坏性方式对巴西盐下碳酸盐岩样本的显微断层图像进行分类，从而实现岩性分类的自动化与加速。
引用
@article{arxiv.2007.15693,
title = {Deep learning for lithological classification of carbonate rock micro-CT images},
author = {Carlos E. M. dos Anjos and Manuel R. V. Avila and Adna G. P. Vasconcelos and Aurea M. P. Neta and Lizianne C. Medeiros and Alexandre G. Evsukoff and Rodrigo Surmas},
journal= {arXiv preprint arXiv:2007.15693},
year = {2020}
}
备注
13 pages, 8 figures