基于 U-Net 网络的成像测井图像修复方法研究

来源：计算机技术与发展杂志2023年第06期北京时间：

作者：曹茂俊;冯昊

单位：东北石油大学 计算机与信息技术学院,黑龙江 大庆 163318 Author(s): CAO Mao-jun;FENG Hao School of Computer and Information Technology,Northeast Petroleum University,Daqing 163318,China 关键词: 微电阻率成像测井;U-Net 卷积神经网络;VGG16 网络;混合空洞卷积;注意力图 Keywords: micro - resistivity imaging logging; U - Net convolutional neural network; VGG16 network; hybrid dilated convolution;attention map 分类号: TP181 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 06. 010 摘要: 针对微电阻率成像测井图像部分缺失的问题,该文提出了一种基于改进 U-Net 卷积神经网络的修复方法。 该方法使用了 VGG16 网络的预训练权重,对模型参数进行初始化;引入混合空洞卷积增大感受野来捕获多尺度缺失区域信息;并且通过在模型中引入双向注意力图模块,前向注意力图进行缺失区域权重的重加权,反向注意力图注重修复区域的质量提升。 根据实验结果,测试集中五组缺失区域大小不同的成像测井图像的平均结构相似性度量为 0. 93,相比其他同类方法提升了 0. 25 左右。 研究表明,该方法可用于微电阻率成像测井图像的修复,并在语义结构连贯、纹理细节等方面有不错的提升,从而为保证对微电阻率成像测井图像后续解释的顺利推进提供了一种新的深度学习方法。

摘要：针对微电阻率成像测井图像部分缺失的问题,该文提出了一种基于改进 U-Net 卷积神经网络的修复方法。 该方法使用了 VGG16 网络的预训练权重,对模型参数进行初始化;引入混合空洞卷积增大感受野来捕获多尺度缺失区域信息;并且通过在模型中引入双向注意力图模块,前向注意力图进行缺失区域权重的重加权,反向注意力图注重修复区域的质量提升。 根据实验结果,测试集中五组缺失区域大小不同的成像测井图像的平均结构相似性度量为 0. 93,相比其他同类方法提升了 0. 25 左右。 研究表明,该方法可用于微电阻率成像测井图像的修复,并在语义结构连贯、纹理细节等方面有不错的提升,从而为保证对微电阻率成像测井图像后续解释的顺利推进提供了一种新的深度学习方法。

关键词：微电阻率成像测井;U-Net 卷积神经网络;VGG16 网络;混合空洞卷积;注意力图