基于Unet++网络的数字岩心图像分割泛化能力

摘要

图像分割是数字岩心技术的重要组成部分，深度学习为数字岩心图像分割提供了新方法。在优选的深度学习模型的基础上确定网络结构、训练数据量来平衡计算效率，进一步在不同类型的岩心数据集上讨论网络的泛化能力及其影响因素。结果表明：Unet、Segnet和Unet++网络中，Unet++网络可以在保证分割精度的同时具有最好的物性参数预测效果；Unet++网络在训练数据量和预测数据量为1∶1,网络结构设计2次采样的条件下，Unet++网络的分割精度可以达到98%;基于多类岩心训练的Unet++网络分割不同岩心图像的平均分割精度达95%,相较于岩心的类型，岩心图像的质量更能影响Unet++网络的识别效果。

关键词

数字岩心 / 图像分割 / 深度学习 / Unet++ / 泛化能力