基于轻量级卷积神经网络的岩石图像岩性识别方法

刘善伟; 马志伟; 魏世清; 魏忠勇

doi:10.19509/j.cnki.dzkq.tb20240348

您当前的位置：

首页 >

文章列表页 >

基于轻量级卷积神经网络的岩石图像岩性识别方法

更新时间：2026-11-05

- 基于轻量级卷积神经网络的岩石图像岩性识别方法
- Bulletin of Geological Science and Technology Vol. 45, Issue 1, Pages: 360-370(2026)
- 作者机构：
  
  1. 中国石油大学(华东)海洋与空间信息学院
  2. 山东省煤田地质局物探测量队
- 作者简介：
- 基金信息：
- DOI：10.19509/j.cnki.dzkq.tb20240348
  CLC： P618.13
- Published：2026
- 稿件说明：
移动端阅览
刘善伟, 马志伟, 魏世清, et al. 基于轻量级卷积神经网络的岩石图像岩性识别方法[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 360-370.
DOI：

刘善伟, 马志伟, 魏世清, et al. 基于轻量级卷积神经网络的岩石图像岩性识别方法[J]. Bulletin of Geological Science and Technology, 2026, 45(1): 360-370. DOI： 10.19509/j.cnki.dzkq.tb20240348.

摘要

岩性识别是油气勘探和开发过程中的重要环节，对于油气勘探定位、储层评价以及储层模型建立具有重要的指导意义。但传统的人工岩性识别方法耗时耗力，经典的深度学习模型虽然识别精度高，但模型的参数量较大，为了提高模型识别精度，同时降低模型的参数量，使模型适用于岩性实时识别工作，首先收集了白云岩、砂岩等8种岩石共3 016张岩石图像构建岩性识别数据集，然后以轻量型卷积神经网络ShuffleNetV2模型为基础网络，提出了一种Rock-ShuffleNetV2岩性识别模型（RSHFNet模型）。模型中将混合注意力机制模块（convolutional block attention module，简称CBAM）以及多尺度特征融合模块（multi-scale feature fusion module，简称MSF）融入基础网络中以加强模型的特征提取能力，提升模型识别性能，并优化模型中ShuffleNetV2单元的堆叠次数以减少模型参数量。结果表明：与基础模型相比，RSHFNet模型的准确率达到了87.21%，提高了4.98%；同时，模型参数量与浮点运算量分别降低到了869 702个，0.93×10

，分别是基础模型的0.67

0.63倍，模型参数量明显降低；并且RSHFNet模型的综合性能明显优于现有的卷积神经网络。RSHFNet岩性识别模型具有较高的识别精度和较好的泛化能力，同时更加的轻量化，为实现野外实时的岩性识别工作提供了新思路。

Abstract

关键词

Keywords

references

Keithan G. Martin,Timothy R. Carr.Developing a quantitative mudrock calibration for a handheld energy dispersive X-ray fluorescence spectrometer[J].Sedimentary Geology,2020.

Xiangjin Ran,Linfu Xue,Yanyan Zhang,Zeyu Liu,Xuejia Sang,Jinxin He.Rock Classification from Field Image Patches Analyzed Using a Deep Convolutional Neural Network[J].Mathematics,2019.

Connor Shorten,Taghi M. Khoshgoftaar.A survey on Image Data Augmentation for Deep Learning[J].Journal of Big Data,2019.

Chengxiang Deng,Heping Pan,Sinan Fang,Ahmed Amara Konaté,Ruidong Qin.Support vector machine as an alternative method for lithology classification of crystalline rocks[J].Journal of Geophysics and Engineering,2017.

Karen Simonyan,Andrew Zisserman.Very Deep Convolutional Networks for Large-Scale Image Recognition.[J].CoRR,2014.

Mariusz Młynarczuk,Andrzej Górszczyk,Bartłomiej Ślipek.The application of pattern recognition in the automatic classification of microscopic rock images[J].Computers and Geosciences,2013.

Naresh Singh,T. N. Singh,Avyaktanand Tiwary,Kripa M. Sarkar.Textural identification of basaltic rock mass using image processing and neural network[J].Computational Geosciences,2010.

盛双占,潘海峰,石湘,冯利平.吐哈盆地胜北凹陷三间房组致密砂岩气藏沉积特征及有利区优选[J].地质科技通报,2024(04).

陈丽,刘娟,王末,李牧.中国油料作物能源利用效率与温室气体排放[J].中国生态农业学报(中英文),2023(12).

王婷婷,孙振轩,戴金龙,姜基露,赵万春.松辽盆地中央坳陷区储层岩性智能识别方法[J].吉林大学学报(地球科学版),2023(05).

张驰,潘懋,胡水清,胡亚斐,阎逸群.融合储层纵向信息的机器学习岩性识别方法[J].地质科技通报,2023(03).

袁硕,刘玉敏,安志伟,王硕昌,魏海军.基于改进ShuffleNetV2网络的岩石图像识别[J].吉林大学学报(信息科学版),2023(03).

付小平,刘苗苗.涪陵地区凉高山组富有机质泥岩微相特征及油气富集规律[J].断块油气田,2023(02).

马泽栋,马雷,李科,姚伟,王培丁,王鑫宇.基于岩石图像深度学习的多尺度岩性识别[J].地质科技通报,2022(06).

谭永健,田苗,徐德馨,盛冠群,马凯,邱芹军,潘声勇.基于Xception网络的岩石图像分类识别研究[J].地理与地理信息科学,2022(03).

高广尚.深度学习推荐模型中的注意力机制研究综述[J].计算机工程与应用,2022(09).

李娜,顾庆,姜枫,郝慧珍,于华,倪超.一种基于卷积神经网络的砂岩显微图像特征表示方法[J].软件学报,2020(11).

程国建,郭文惠,范鹏召.基于卷积神经网络的岩石图像分类[J].西安石油大学学报(自然科学版),2017(04).

付光明,严加永,张昆,胡浩,罗凡.岩性识别技术现状与进展[J].地球物理学进展,2017(01).

ZOU Caineng,YANG Zhi,ZHU Rukai,ZHANG Guosheng,HOU Lianhua,WU Songtao,TAO Shizhen,YUAN Xuanjun,DONG Dazhong,WANG Yuman,WANG Lan,HUANG Jinliang,WANG Shufang.Progress in China's Unconventional Oil & Gas Exploration and Development and Theoretical Technologies[J].Acta Geologica Sinica(English Edition),2015(03).

程国建,殷娟娟.基于SVM的岩石薄片图像分类[J].科技创新与应用,2015(01).

郭超,刘烨.多色彩空间下的岩石图像识别研究[J].科学技术与工程,2014(18).

胡前泽,王玲利,崔娥.三塘湖盆地致密油储层评价及成藏主控因素[J].大庆石油地质与开发,2013(03).

马永生,蔡勋育,赵培荣.深层、超深层碳酸盐岩油气储层形成机理研究综述[J].地学前缘,2011(04).

陈国俊,吕成福,王琪,杜贵超,陈吉.珠江口盆地深水区白云凹陷储层孔隙特征及影响因素[J].石油学报,2010(04).

Views

812

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

基于改进两步法采样策略和卷积神经网络的崩塌易发性评价

三维数字岩心孔喉特征与驱替参数对渗流驱替能力影响——以鄂尔多斯盆地富县地区长8油层组致密油储层为例

应用多尺度微地震识别沙溪庙组致密砂岩水力压裂裂缝特征

少井条件下深水重力流储层地质建模方法

强变形构造区多层含水系统承压水运移规律识别

Related Author

邓日朗

张庆华

刘伟

陈凌伟

谭建辉

高泽茂

郑先昌

Related Institution

广州大学土木工程学院

广州市城市规划勘测设计研究院

AI问答

⁰