深部神经网络用于提高岩石显微ct图像二维和三维多矿物分割的物理精度( Deep Neural Networks for Improving Physical Accuracy of 2D and 3D Multi-Mineral Segmentation of Rock micro-CT Images )

YD Wang M Shabaninejad RT Armstrong P Mostaghimi

岩石样品的三维微计算机层析(uCT)图像的分割是进一步进行数字岩石物理(DRP)分析的关键，然而传统的阈值分割和分水岭分割等方法容易受到用户偏见的影响。深度卷积神经网络(CNNs)已经在自然图像和uCT岩石图像中产生了精确的像素语义（多类别）分割结果，但物理精度还没有很好的证明。对4种CNN体系结构在10种配置下的二维和三维情况进行了性能测试。手工分割的MT的uCT图像。以QEMSCANs为指导的Simon Sandstone作为地面真实数据，作为训练和验证数据，获得了较高的体素精度（99%以上）。下游分析用于验证物理精度。测量了各矿物的拓扑结构，直接模拟了孔隙空间绝对渗透率和单/混合润湿多相流。这些物理测量显示出很高的方差，在体素精确度上达到95%+的模型具有数量级的渗透率和连通性。介绍了一种混合融合U-Net和ResNet的网络体系结构，在网络中网络配置中结合了短和长跳过连接，在某些矿物中总体上优于U-Net和ResNet变体，而在所有矿物中在体素和物理精度方面优于SegNet。网络结构和数据集体积分数影响精度权衡，因为稀有矿物被低精度网络如SegNet过度分割，而其他矿物分割不足，这可以通过损失加权来缓解。这是在训练用于分割的物理精确模型时特别重要的考虑因素。

SciDown文献求助系统（解决99%问题） Public Download Elsevier ResearchGate