(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210524515.6 (22)申请日 2022.05.13 (71)申请人 西南石油大 学 地址 610500 四川省成 都市新都区新都大 道8号 (72)发明人 夏文鹤　朱喆昊　李皋　韩玉娇　 林永学　李大奇　 (74)专利代理 机构 成都金英专利代理事务所 (普通合伙) 51218 专利代理师 袁英 (51)Int.Cl. G06V 10/80(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 基于多尺度特征融合神经网络的井壁裂缝 识别方法 (57)摘要 本发明公开了基于多尺度特征融合神经网 络的井壁裂缝识别方法， 包括以下具体步骤： S1： 使用浅层特征提取模块对输入的电阻率测井成 像图进行浅层特征提取； S2： 使用多尺度空洞卷 积注意力模块对浅层特征进行深层特征提取； S3： 采用特征融合上采样模块将浅层特征和深层 特征拼接融合后特征还原至原始图像输入尺寸； S4： 调整通道数为标签类别数， 根据背景和前景 特征图结合损失函数计算每个像素点属于背景 和前景的概率， 实现井壁裂缝区域的自动识别。 本发明在确保裂缝智能识别精度和速度的前提 下， 减少了人工利用电阻率测井成像图进行裂缝 检测的工作量， 为钻井工作提供了强有力的安全 保障， 满足了当前钻井降本增效的迫切需求。 权利要求书1页 说明书6页 附图2页 CN 115035371 A 2022.09.09 CN 115035371 A 1.基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征在于， 包括以下具体步 骤： S1： 使用浅层特 征提取模块对输入的电阻率测井成像图进行浅层特 征提取； S2： 使用多尺度空洞卷积注意力模块对浅层特 征进行深层特 征提取； S3： 采用特征融合上采样模块将浅层特征和深层特征拼接 融合后特征还原至原始图像 输入尺寸； S4： 调整通道数为标签类别数， 根据背景和前景特征图结合损失函数计算每个像素点 属于背景和前 景的概率， 实现井壁裂缝区域的自动识别。 2.根据权利要求1所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述步骤S1中浅层特征提取模块包括卷积层、 BN层、 激活函数和池化层； 激活函数选 用ReLU函数； 浅层特 征提取模块整体呈现下采样过程。 3.根据权利要求1所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述多尺度空洞卷积注意力模块包括多尺度空洞卷积和注意力机制模块。 4.根据权利要求3所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述多尺度空洞卷积由三个不同尺度的卷积并列组成， 用于获取全局特征， 另外两个 为不同空洞率的空洞卷积。 5.根据权利要求3所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述注意力机制模块包括全局池化层、 全连接层、 ReLU函数和Sigmo id函数。 6.根据权利要求1所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述 步骤S3具体包括以下步骤： S301： 采用上采样 操作将深层特征尺寸还原至与浅层特 征尺寸一致； S302： 使用直连方式对还原后的深层特征和浅层特征进行拼接操作， 形成一个新的特 征张量； S303： 再次对新的特征张量连续使用3 ×3的卷积操作来提高其表征能力， 对新特征张 量进行上采样在将新特 征张量还原至 输入图像尺寸。 7.根据权利要求1所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述标签 类别数为2， 即通道为背景和前 景特征图。 8.根据权利要求1所述的基于多尺度特征融合神经网络的井壁裂缝识别方法， 其特征 在于， 所述 步骤S4具体包括以下步骤： S401： 使用1 ×1卷积来调整通道数为标签 类别数， 标签 类别数为2； S402： 根据背景和前 景特征图结合损失函数， 计算每 个像素点属于背景和前 景的概率； S403： 将背景像素点置为黑色， 前景像素点置为标签颜色， 实现井壁裂缝 区域的自动识 别。权　利　要　求　书 1/1 页 2 CN 115035371 A 2基于多尺度特征融合神经 网络的井壁裂缝识别方 法 技术领域 [0001]本发明涉及深度学习技术领域， 尤其基于多尺度特征融合神经网络的电阻率测井 成像图井壁裂缝识别方法。 背景技术 [0002]近年来， 随着大数据、 人工智能、 云计算等技术的快速发展， 以人工智能为代表的 第四次工业革命已经来到， 油气勘探开发智能化也成为了全球油气行业发展的必然趋势。 测井工程一直以来 都是油气勘探开 发领域内不可或缺的工程技术， 是油气勘探安全、 高效、 经济开发的保障。 目前我国油气行业也逐渐开始推进智能化测井 分析的进程， 结合大数据、 人工智能等 新兴理论及技 术， 有望实现复杂井况的准确分析及井筒稳定性智能闭环调控。 [0003]针对目前基于人机交互的裂缝识别技术处理过程工作量巨大， 且人为主观性强、 稳定性差， 难以达到稳定、 准确表征分析裂缝的要求等问题， 有必 要使用深度学习框架构建 多尺度特征融合裂缝智能识别网络模型， 实现对电阻率测井成像图中井壁图像深层特征的 提取， 并将浅层特征与深层特征结合形成更具表征能力的新特征， 以满足裂缝智能识别任 务对高准确度、 高速、 强抗干扰能力的需求。 并在确保裂缝智能识别精度和速度的前提下， 减少人工裂缝检测的工作量， 为钻井工作提供了强有力的安全保障， 满足当前钻井降本增 效的迫切需求， 并能为后续井筒稳定性分析及调控提供了一个有益的参 考方向。 发明内容 [0004]本发明的目的在于克服现有技术的不足， 提供基于多尺度特征融合神经网络的井 壁裂缝识别方法： 针对电阻率成像测井数据集进行裂缝轮廓智能提取和识别的问题， 对已 有网络架构优化和改进， 使其具有最佳实用性， 保证其在样本数量较少的情况下， 依然具有 较高的识别精度。 [0005]本发明的目的是通过以下技 术方案来实现的： [0006]基于多尺度特 征融合神经网络的井壁裂缝识别方法， 包括以下 具体步骤： [0007]S1： 使用浅层特 征提取模块对输入的图像进行浅层特 征提取； [0008]S2： 使用多尺度空洞卷积注意力模块对浅层特 征进行深层特 征提取； [0009]S3： 采用特征融合上采样模块将浅层特征和深层特征拼接融合后特征还原至原始 图像输入尺寸； [0010]S4： 调整通道数为标签类别数， 根据背景和前景特征图结合损失函数计算每个像 素点属于背景和前 景的概率， 实现井壁裂缝区域的自动识别。 [0011]所述步骤S1中浅层特征提取模块包括卷积层、 BN层、 激活函数和池化层， 其中所有 的卷积核大小均为3 ×3， 步长为1， padding值为1； 激活函数选用ReLU函数； 最大池化层卷积 核大小为2 ×2， 步长为2； 浅层特 征提取模块整体呈现下采样过程。 [0012]所述多尺度空洞卷积注意力模块包括多尺度空洞卷积和注意力机制模块。 [0013]所述多尺度空洞卷积由三个不 同尺度的卷积并列组成， 其中一个为1 ×1卷积， 用说　明　书 1/6 页 3 CN 115035371 A 3