Рабочий процесс компьютерного зрения, основанный на двухэтапной неконтролируемой модели сегментации изображения для обнаружения соответствующих интервалов глубины, представляющих геологические закономерности.
Введение
За последние годы мир компьютерного зрения добился больших успехов. Многие документы, наборы данных, модели машинного обучения и фреймворки теперь доступны в Интернете благодаря сообществу. Компании могут воспользоваться этими инструментами для разработки собственных бизнес-решений.
Несмотря на этот прогресс, применение моделей Computer Vision к сложным сценариям использования может оказаться сложной задачей, особенно когда речь идет о работе с нетрадиционными данными в отношении распространенных сценариев использования, с которыми сталкивается сообщество машинного обучения.
В этой статье мы поговорим о приложении Computer Vision, касающемся нового двухэтапного рабочего процесса неконтролируемой сегментации изображения для определенного набора геологических изображений.
В первом абзаце мы описываем характеристики этих изображений и то, как они повлияли на дизайн подхода. Затем мы кратко опишем каждый шаг рабочего процесса. В конце мы делаем некоторые выводы о подходе.
1. Вариант использования
Бизнес-цель состоит в том, чтобы улучшить оценку петрофизических свойств подземных пластов и выявить их основные текстурные изменения. Мы сделали это, применив методы компьютерного зрения к определенному типу геологических изображений, называемых каротажными диаграммами скважинных изображений.
Перед тем, как перейти к следующим разделам, мы даем введение в каротажные изображения скважины и их характеристики.
1.1 Каротажные диаграммы скважинных изображений
Скважина – это узкая шахта, пробуренная в земле с различной или меняющейся ориентацией с вертикальной на горизонтальную. Скважина может быть построена для различных целей, включая добычу воды, других жидкостей (например, нефти) или газов (например, природного газа), в рамках геотехнических исследований и т. д. [1]
Каротаж скважин, также известный как скважинный каротаж, – это практика ведения подробных записей (каротажа) геологических формаций, через которые проходит скважина. Каротаж может основываться либо на визуальном осмотре образцов, доставленных на поверхность (геологические каротажи), либо на физических измерениях, сделанных приборами, опущенными в скважину (геофизические каротажи). [2]
Таким образом, графики скважинных изображений представляют собой изображения, сгенерированные путем обработки и объединения набора каротажных диаграмм, представляющих физические параметры, например, удельное сопротивление, плотность и т. д. Эти сигналы улавливаются некоторыми инструментами, сканирующими скважину, закрывающую на всю внутреннюю поверхность скважины.
Эти изображения можно использовать для улучшения оценки петрофизических свойств (например, пористости, проницаемости и т. д.) вокруг скважины.
Пример скважинного каротажа показан на рис. 1.
Понятно, что такого рода изображения сильно отличаются от тех, что используются в компьютерном зрении, поэтому требуют специальной подготовки и управления.
Учитывая эти конкретные изображения, их характеристики повлияли на дизайн нашего подхода, и больше всего повлияли их круговой характер, возможное наличие пробелов и размер.
1.1.1 "Круговой" характер
Поскольку каротажные изображения скважины формируются путем объединения сигналов по глубине по всей внутренней поверхности скважины (рис. 1), их можно рассматривать как цилиндр, представляющий поверхность самой скважины. Эти изображения необходимо развернуть для анализа.
Важно помнить, что прямая линия, вдоль которой решают разрезать, а затем развернуть цилиндр, определяет левое и правое поля, которые, следовательно, связаны. При движении по развернутой поверхности цилиндра, чтобы выделенные области были осмысленными и непротиворечивыми, их границы должны быть независимы от смещений влево или вправо.
1.1.2 Наличие пробелов
Иногда эти изображения генерируются с помощью сигналов, улавливаемых мягкими инструментами, например, инструментами с механическими компонентами, которые касаются внутренней поверхности ствола скважины. Эти инструменты не могли охватить всю скважину. В этих случаях некоторые сигналы будут отсутствовать, что приведет к появлению пропусков, например, области каротажа изображения ствола скважины, не имеющие ценности.
Поскольку пробелы представляют собой неопределенность, их можно заполнить или проигнорировать. Мы игнорировали наличие пропусков, чтобы избежать добавления шума или артефактов в изображение: сигналы агрегируются без учета пропусков. Хотя на некоторых ребрах, идентифицированных алгоритмом, присутствует неопределенность, результат более соответствует характеру данных.
1.1.3 Размер
Каротажные диаграммы изображений расширяются по глубине, поэтому их высота обычно очень велика: каротажная каротаж длиной 400 м без пропусков и с высокой частотой дискретизации по вертикали может достигать размера 145000 x 192 пикселей, что близко к разрешению 8K UHD (например, 33M пикселей).
Несмотря на размер, обработка этих изображений за несколько минут важна для того, чтобы позволить геологам и петрофизикам провести несколько экспериментов.
2. Рабочий процесс
При наличии каротажа изображения скважины основная цель нашей работы состоит в том, чтобы позволить конечным пользователям находить повторяющиеся области, которые, вероятно, представляют определенную комбинацию петрофизических свойств, чтобы лучше охарактеризовать формирование недр на глубине. . Это превращается в задачу семантической сегментации изображения.
Когда это приложение выполняется вручную, оно занимает много времени, а результаты субъективны. Поэтому получить достаточно размеченных данных очень сложно.
Мы разработали и внедрили двухэтапную неконтролируемую модель сегментации изображений для этих изображений:
· Этап 1: Сначала мы делим изображение на согласованные и однородные области,
· Этап 2: затем находим группы похожих отрезков..
Рабочий процесс принимает развернутое изображение в качестве входных данных. Он состоит из четырех шагов, каждый из которых параметризуется и управляет свойствами каротажных изображений скважины (рис. 2):
Рабочий процесс, который мы построили:
· Гибкий: работает и с другими типами геологических изображений.
· Модульный: каждый шаг отделен от других, что позволяет проводить изолированное тестирование, использование, улучшение и замену.
· Параметризованный: каждый шаг параметризуется, чтобы пользователи могли выполнять анализ чувствительности и повышать надежность результатов.
2.1 Шаг 1: предварительная обработка
Для анализа необходимо подготовить каротажные диаграммы изображений, поэтому масштабируем изображение в диапазоне [0,1]. Если детали недостаточно видны, мы можем использовать некоторые методы (например, сопоставление гистограмм) для улучшения качества изображения.
2.2 Шаг 2: сегментация
Этап сегментации является ядром рабочего процесса. Он делит изображение на области, а затем присваивает каждой области уникальную метку. Модель была разработана в соответствии с характеристиками скважинных каротажных изображений, но она также управляет геологическими изображениями и другими типами каротажных изображений скважин. Выход:
· представляет регионы, внутренне однородные
· инвариантен к равномерным вращениям
· учитывает граничные ограничения, предоставляется ли маска предварительной сегментации.
Характеристики каротажных диаграмм скважинных изображений касались нашего исследования моделей сегментации изображений на основе графов.
2.3 Шаг 3: извлечение признаков
Как только регионы (здесь называемые сегментами) обнаружены, мы извлекаем набор признаков для характеристики каждого сегмента.
Мы используем векторы цветовой когерентности для цвета [3] и фильтры Габора [4] для текстуры.
Весь процесс учитывает границы каждого сегмента: объекты за пределами границ области игнорируются.
Затем мы используем извлеченные функции для обнаружения групп похожих сегментов.
2.4 Шаг 4: кластеризация
На последнем этапе мы группируем регионы со схожими характеристиками.
Мы используем иерархическую кластеризацию, чтобы найти группы сегментов, представляющих различные петрофизические структуры. Кластеризация выполняется по определенной мере определения меры расстояния, определенной для каждого набора функций:
· для цвета мы используем расстояние гистограммы
· для текстуры используем евклидово расстояние
. Пользователю разрешено выбирать количество кластеров, глядя на то, как изменяется дендрограмма. Необходимо выбрать количество выходных кластеров, проверяя иерархическую дендрограмму. Пример интерактивной дендрограммы представлен на рис. 3.
Выводы
В этой статье мы представили приложение компьютерного зрения для определенного типа изображений, которое ставит нас в игру с теоретической точки зрения.
Это было очень сложно из-за размера и формы каротажных диаграмм скважинных изображений, их характера и их недоступности в сообществе машинного обучения.
Мы обнаружили, что совместная работа с конечными пользователями очень важна для понимания контекста, поиска правильных моделей и подходов и улучшения с течением времени:
· Во время исследования данных они помогли нам правильно управлять каротажными диаграммами скважин на каждом этапе рабочего процесса.
· Во время своих демонстраций они показали нам, как они работают, чтобы мы могли лучше собирать потребности и параметризовать наши инструменты.
· Во время тестирования мы поддерживали их в принятии и использовании наших инструментов, и они давали нам отзывы о результатах, чтобы мы могли их улучшить.
В конце процесса мы могли бы расширить наш рабочий процесс, чтобы он мог работать с другими типами геологических изображений.
Если вы хотите узнать больше об этом подходе, мы рекомендуем вам прочитать статью [5], вдохновленную этой статьей.
Ссылки
[1] Авторы Википедии, Скважина. Википедия, свободная энциклопедия. Доступно по адресу: https://en.wikipedia.org/wiki/Borehole
[2] Авторы Википедии, Каротаж скважин. Википедия, свободная энциклопедия. Доступно по адресу: https://en.wikipedia.org/wiki/Well_logging
[3] Пасс Г., Забих Р. и Миллер Дж. «Сравнение изображений с использованием векторов цветовой когерентности». МУЛЬТИМЕДИА '96, 1997.
[4] К. Джайн и Ф. Фаррохния, «Сегментация текстуры без учителя с использованием фильтров Габора», 1990 г. Международная конференция IEEE по системам, человеку и материалам конференции по кибернетике, 1990 г., стр. 14–19, doi: 10.1109/ICSMC.1990.142050.
[5] Риччиути Федерико, Онзака Кристиан, Берто Роберто и Галли Мария Тереза. «Неконтролируемое распознавание текстурных фаций на изображениях скважины: новый и эффективный метод двухэтапной сегментации». Доклад представлен на конференции и выставке OMC Med Energy, Равенна, Италия, сентябрь 2021 г.
