基于生成对抗网络的岩心薄片岩性智能识别方法

宋文广，徐浩，王浩，张冰心，张秋娟，涂裕，王新城

长江大学计算机科学学院，湖北 荆州 434023

在地质学研究领域中，为了寻找油气资源，储油层的勘探是重要工作之一[1]。钻井获取地下岩心样本，地质专家凭借自身经验鉴定岩心样本的岩性。传统鉴定方法往往是将岩石样本切割打磨成岩心薄片，专业人员通过偏光显微镜观察岩石的结构和特征，再根据个人经验鉴定，最后得出岩性的鉴定结果。传统鉴定方法[2]主要依赖专业人员的知识背景和工作经验。对于大量的岩心薄片岩性辨别，则需要大量的专业人员，耗时耗力，且鉴定结果也受个人感官认识、主观性等诸多因素影响。

20世纪末，LECUN等[3]提出了卷积神经网络(convolutional neural network，CNN)[4]，在图像识别领域中取得突破性进展，其准确率远超传统的机器学习方法。传统图像识别方法通过手动设计提取图像特征进行识别，忽略了图像中高维的图像特征。在图像识别中引入CNN，可以自动提取并识别图像高维度特征，解决传统方法中存在的问题。深度学习模型通过自动学习岩性特征，如岩石的颜色、纹理、颗粒、结构构造、蚀变程度等属性[5]，建立智能识别模型，提高岩性智能识别准确率。但是，由于岩心薄片图像数据公开少且难以获得，而训练深层的网络模型需要大量的训练样本支撑，较少的岩心薄片图像样本数据不足以训练庞大的网络参数权重[6]。仅用小样本岩心薄片作为训练集训练深度神经网络模型，模型易过拟合，泛化能力差[7]，致使岩性识别准确率低，导致智能识别模型在岩性识别中的效果并不理想。……