基于深度学习理论的页岩孔隙及矿物类型智能识别方法研究.pdfVIP

摘要

摘要

页岩扫描电镜图技术具有高分辨率成像特征，该技术能直观地揭示页岩的矿物、

孔隙的分布特征及发育情况，这在岩土工程、地质工程、油气勘探开发等领域的岩层

评价工作中具有关键作用。随着岩层评价工作的要求不断提升，工作中所使用到的岩

石图像数据量也在不断激增，岩层评价工作智能化愈渐重要。利用传统人工分析的方

式处理上万张甚至更多的页岩扫描电镜图像效率极低，不仅耗时、易遗漏关键信息，

分析结果还会受到主观因素影响。而人工智能算法改善了这一缺陷，利用深度学习技

术不仅可快速识别页岩扫描电镜中的孔隙及矿物，显著提升分析效率与精度，还能为

大规模岩层评价和动态模拟提供技术支撑，推动岩层评价工作向智能化、精细化方向

发展。为解决传统方法中存在的问题，本文以深度学习理论为基础，将目标检测技术

应用于页岩扫描电镜图像分析工作中，实现页岩孔隙及矿物智能检测。

本文通过深度分析传统的目标检测算法和基于深度学习的单阶段、双阶段目标检

测模型的差异性，以满足实际工程应用中的准确度、速度需求为出发点，选择使用实

时性能更强大的YOLO系列目标检测模型对页岩扫描电镜图像中孔隙及矿物展开智

能识别研究。研究利用混淆矩阵、精确度、召回率、mAP50以及mAP50-95五种评

YOLOv3YOLOv5YOLOv7YOLOv8

价指标，从多方面对、、、模型识别页岩孔隙及

矿物的结果进行评价。混淆矩阵结果表明YOLOv8模型对石英、有机质、黄铁矿、

无机质孔隙的识别结果比较好，所有模型对有机质孔隙的识别结果均一般；其中

YOLOv5模型与YOLOv8模型的性能较为接近，但召回率、mAP50以及mAP50-95

的结果表明YOLOv8模型均优于其他模型。

研究选择以综合性能更强的YOLOv8模型为基础，根据页岩扫描电镜图像中孔

ShuffleSE

隙及矿物的特征选择引入注意力机制、注意力机制、小目标检测层以及双

向特征金字塔网络，同时构建C2f_SE模块与Concat_BiFPN模块，建立适用于页岩

扫描电镜图像的Shale-YOLO目标检测模型。实验结果表明，Shale-YOLO模型在各

方面均优于YOLOv8模型及其他模型，Shale-YOLO模型的精确度、召回率、mAP50

mAP50-9594.924%92.607%96.308%72.484%YOLOv8

以及分别为、、以及，相较于

模型分别提高了1.949%、2.552%、2.0521%、4.46%，识别有机质孔隙的准确度提高

了10%。可视化结果与消融实验也表明Shale-YOLO模型的准确度更高，改进后的模

型能更准确地识别微小目标、应对复杂环境。

最后研究利用Python语言编程，Pytorch-gpu版本作为深度学习框架，采用PyQt5

java

构建用户界面，语言编程构建系统前端，开发页岩孔隙及矿物智能识别系统。系

I

重庆三峡学院硕士学位论文

统提供模型导入、图像分析、视频分析以及实时检测四个功能区块，不仅能在扫描电

镜实验过程中实时辅助实验人员拍摄信息量更丰富的页岩扫描电镜图像，同时还能节

约大量人力、物力资源，大大提高页岩岩层评价工作的效率与准确性。该系统处理单

张图像仅需203.1毫秒，屏幕画面与摄像头画面实时检测时，每一帧的处理速度仅需

1191

毫秒，即高达每秒钟帧，完全能够满足实际工程应用的需求。

关键词：深度学习；目标检测；扫描电镜；页岩；岩层评价

II

Abstract