基于多元数据融合的钻孔岩性识别方法

摘要

为研究矿区钻探勘察过程中钻孔岩性类别分层及识别的自动化检测技术，解决现有深度学习技术中岩性识别精度低、分层误差较大等问题，提出了一种结合自然伽马测井曲线的多尺度融合网络的钻孔岩性识别方法，并对6#、9#、10#超前钻探孔进行岩性类别自动识别试验。该方法首先使用SENet通道注意力机制、多尺度检测改进YOLOv5模型框架，提高模型的泛化能力和分类性能；然后采用EIOU Loss替换CIOU Loss损失函数，使得预测框更加有效的拟合真实目标框；最后，利用自然伽马测井曲线与模型预测结果进行相互印证，降低岩性的分层误差。结果表明：该方法在钻孔岩性识别中平均精度、准确率和召回率相较于YOLOv5算法分别提升9.86%、5.38%和4.96%;平均分层综合匹配度为85.05%,平均岩性匹配度为94.02%,验证了钻孔岩性自动分层及识别算法的有效性和实用性。

关键词

探测技术 / 钻孔岩性 / 孔壁信息 / 自然伽马