摘要
针对微电阻率成像测井图像部分缺失的问题,该文提出了一种基于改进U-Net卷积神经网络的修复方法.该方法使用了VGG16 网络的预训练权重,对模型参数进行初始化;引入混合空洞卷积增大感受野来捕获多尺度缺失区域信息;并且通过在模型中引入双向注意力图模块,前向注意力图进行缺失区域权重的重加权,反向注意力图注重修复区域的质量提升.根据实验结果,测试集中五组缺失区域大小不同的成像测井图像的平均结构相似性度量为0.93,相比其他同类方法提升了0.25 左右.研究表明,该方法可用于微电阻率成像测井图像的修复,并在语义结构连贯、纹理细节等方面有不错的提升,从而为保证对微电阻率成像测井图像后续解释的顺利推进提供了一种新的深度学习方法.
基金项目
黑龙江省自然科学基金(LH2019F004)
东北石油大学优秀中青年科研创新团队项目(KYCXTD201903)
国家科技期刊平台
NSTL
维普
万方数据