[论文解读] Deep learning for lithological classification of carbonate rock micro-CT images

Carlos Eduardo Menezes dos Anjos, Manuel R. V. Avila+5 more|arXiv (Cornell University)|Jul 30, 2020

Hydrocarbon exploration and reservoir analysis参考文献 49被引用 5

一句话总结

本研究提出了一种深度学习工作流程，用于使用四种卷积神经网络（CNN）架构对巴西盐下碳酸盐岩微CT图像进行无损岩性分类。表现最佳的模型采用空间金字塔池化（SPP）和图像缩放技术，在整体岩石芯样集体分类中实现了81.33%的准确率，展现出在自动化储层表征任务中的巨大潜力。

ABSTRACT

In addition to the ongoing development, pre-salt carbonate reservoir characterization remains a challenge, primarily due to inherent geological particularities. These challenges stimulate the use of well-established technologies, such as artificial intelligence algorithms, for image classification tasks. Therefore, this work intends to present an application of deep learning techniques to identify patterns in Brazilian pre-salt carbonate rock microtomographic images, thus making possible lithological classification. Four convolutional neural network models were proposed. The first model includes three convolutional layers followed by fully connected layers and is used as a base model for the following proposals. In the next two models, we replace the max pooling layer with a spatial pyramid pooling and a global average pooling layer. The last model uses a combination of spatial pyramid pooling followed by global average pooling in place of the last pooling layer. All models are compared using original images, when possible, as well as resized images. The dataset consists of 6,000 images from three different classes. The model performances were evaluated by each image individually, as well as by the most frequently predicted class for each sample. According to accuracy, Model 2 trained on resized images achieved the best results, reaching an average of 75.54% for the first evaluation approach and an average of 81.33% for the second. We developed a workflow to automate and accelerate the lithology classification of Brazilian pre-salt carbonate samples by categorizing microtomographic images using deep learning algorithms in a non-destructive way.

研究动机与目标

• 通过深度学习与微CT成像技术，实现对巴西盐下碳酸盐岩样品岩性分类的自动化。
• 解决传统薄片法岩性识别中存在的主观性强和效率低下的问题。
• 开发一种无损、可扩展的工作流程，基于岩心的三维微观结构对碳酸盐岩微CT图像进行分类。
• 评估预处理（图像缩放）和池化技术（SPP、GAP）对岩性分类模型性能的影响。
• 实现更快、更一致的岩性标注，以支持流体流动和力学性质估算等下游任务。

提出的方法

• 提出四种CNN架构：基础模型包含三个卷积层和全连接层。
• 在两个变体中，将最大池化替换为空间金字塔池化（SPP）和全局平均池化（GAP）。
• 在最终模型中结合SPP与GAP，以提升多尺度特征表示能力。
• 在来自三种岩性类别的6,000张微CT图像上训练模型：颗粒灰岩、叠层石和球粒岩。
• 应用图像缩放以降低计算成本并提升推理速度，同时保持准确率。
• 通过单张图像分类和整体芯样级别分类两种方式评估模型，其中每个芯样以最频繁的预测结果作为最终标签。

实验结果

研究问题

• RQ1 深度学习模型能否准确分类巴西盐下碳酸盐岩微CT图像中的岩性？
• RQ2 不同的池化策略（最大池化 vs. SPP vs. GAP）对微CT数据的分类性能有何影响？
• RQ3 图像缩放是否能在不降低分类质量的前提下提升模型准确率和推理速度？
• RQ4 对同一岩芯样本的多张图像进行集体分类，是否能相比单张图像评估提升整体准确率？
• RQ5 主要的误分类来源是什么？如何通过预处理优化来减少错误？

主要发现

• 模型2（采用空间金字塔池化并使用缩放图像进行训练）在单张图像分类中表现最佳，准确率达到75.54%。
• 在按每个岩芯样本最频繁预测类别进行评估时，同一模型准确率提升至81.33%，表明在芯样级别具有更高的鲁棒性。
• 使用图像缩放使训练和推理时间相比使用原始分辨率图像的模型减少了约三倍。
• 误分类主要发生在孔隙充填与多孔样品之间，球粒岩图像因结构相似性常被误分类为颗粒灰岩或叠层石。
• 所有三种岩性类别均保持较高的F1分数，表明即使在少数类中也表现出一致的性能。
• 结果表明，结合SPP与GAP池化技术并配合图像缩放，能显著提升基于微CT的岩性分类模型的泛化能力与效率。