查看更多>>摘要:针对高密度颗粒密度大,数量多,形态不一,且颜色相近的情况,通过传统方法对砂岩颗粒分割难度存在检测不准和漏检的不足.想要在少量样本中获取更好的效果,变得更加困难.基于上述问题提出一种基于改进Mask R-CNN的DGC-Mask R-CNN检测模型,针对少量样本、高密度砂岩颗粒的分割与识别.首先收集了 128张超高分辨率的图片,每张图片有近200个砂岩颗粒实例,共26 200个实例对象.为了使模型拥有更好的泛化能力,防止少量样本下的过拟合,使用Albu进行图像增强.用自监督预训练模型Barlow Twins来对砂岩颗粒的特征进行初步提取.在DGC-Mask R-CNN中,构建ResNet50模型作为骨干特征提取网络,在ResNet50的BottleNeck的C3、C4、C5特征卷积层中改进传统卷积方式,使用可变形卷积神经网络(deformable convolutional neural network,DCN),并添加全局上下文建模框架(global context block,GCB)注意力机制.在上采样器的多个级联上采样模块中,结合改进的上采样算法CARAFE.实验结果表明,改进后的DGC-Mask R-CNN,使得检测与分割识别的平均精度达到 88.9%和 88.8%,与传统的 Mask R-CNN、Cascade-Mask R-CNN、Mask Scoring R-CNN、HybridTaskCascade相比检测精度更高.在均值平均精度方面,与其他模型相比提升较为明显.将模型分割后得到的结果,进行砂岩颗粒的统计以及长短轴的计算,可实现对该部分砂岩颗粒的溯源,计算地壳运动导致的砂岩迁移的距离,进而评估地下油藏.