基于通道注意力机制的碳酸盐岩缝洞识别方法及系统与流程

1.本发明属于碳酸盐岩油气藏开发技术领域，特别涉及基于通道注意力机制的碳酸盐岩缝洞识别方法及系统。


背景技术：

2.塔里木盆地塔中地区是中国海相碳酸盐岩油气勘探的主战场之一，储层发育复杂多样的储集空间类型，除原生孔隙外，主要发育裂缝、溶孔、溶洞等次生孔隙。其中裂缝、溶孔、溶洞往往是有效的储集空间，因此碳酸盐岩中裂缝、溶孔、溶洞的识别是储层评价的关键。
3.由于测井成像图能够直观的显示井下沿井周的地层微观特征，因此对于裂缝、孔洞识别更为准确和有效。裂缝、孔洞在电成像及声波成像图上都有自己独特的响应及图像显示。目前基于测井成像图的裂缝、孔洞识别技术主要采用人机交互的阈值分割、边缘检测等方法，自动化程度低，识别结果受人为主观判断影响大。
4.目前基于测井成像图的裂缝、孔洞识别技术主要采用人机交互的阈值分割、边缘检测等方法，自动化程度低，识别结果受人为主观判断影响大。
5.目前尚未见到深度学习语义分割技术用于基于测井成像图的裂缝、孔洞识别的报道。深度学习语义分割技术基于编码器-解码器架构。其中编码器网络是一个交替的卷积神经网络，包含卷积、池化、非线性激活等层，各卷积层的输出是具有不同感受野的特征，由于空间池化，编码器网络生成的特征图的空间维度小于原始图像，解码器网络通过上采样与反池化将特征图扩大为最终的语义分割结果。在常规的编解码器架构中，编码器网络的顶层得到的特征图是用作解码器网络的输入的，此特征图包含对小的变化保持不变的高级特征，这种不变性对语义分割这种需要精确像素信息的密集图像标记任务并不理想，因为重要的关系可能被抽象掉了。为充分利用编码器提取的多级特征，u-net网络在编码器和解码器之间引入“跳过连接”，如图2所示，将各级编码器提取的特征以完全相同的权重复制到相同级别的解码器中，这样做的效果是神经网络对于图像的全部特征是等价处理的，没有对特征的重要性进行区分，这种处理方式不利于网络对整幅图像的理解，从而不利于有效地进行语义分割。


技术实现要素：

6.本发明的目的在于提供基于通道注意力机制的碳酸盐岩缝洞识别方法及系统，以解决传统识别方法自动化程度低、识别结果受人为主观判断影响大的问题。
7.为实现上述目的，本发明采用以下技术方案：
8.基于通道注意力机制的碳酸盐岩缝洞识别方法，包括：
9.准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；
10.基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；
11.初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；
12.将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；
13.把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。
14.进一步的，训练集、验证集和测试集，三者的功能分别是训练模型，调整模型和输出识别结果，三者的比例为6：2：2。
15.进一步的，训练集和验证集的每幅测井电成像图像均对应了一组人工标注的裂缝、孔洞标记，增加图像库中不存在的碳酸盐岩地层测井电成像图像并自行进行裂缝、孔洞标注。
16.进一步的，构建网络模型具体包括：在常规unet网络的基础上进行了改进，构建的是引入通道注意力机制约束的unet网络，具体改进方法：在unet 编码器的卷积组合层后添加注意力模块，实现对不同通道的特征进行不同程度的关注，然后将经过注意力约束的特征裁剪并传递到解码器相应的卷积组合层进行解码。
17.进一步的，通道注意力机制模块包括挤压、激励以及注意三部分，挤压部分通过对特征按通道进行全局平均池化或最大池化而将卷积层输出的h*w*c 维的特征信息压缩为1*1*c维的向量，此处c为特征通道数；
18.激励部分包括卷积层1-激活层1-卷积层2-激活层2，其中卷积层1将特征维数降低到原来的1/r，激活层1为relu函数，实现数据的非线性化，卷积层 2将维度升回到原来的大小1*1*c，激活层2是sigmoid函数，通过对卷积层卷积核参数的学习，得到一个1*1*c的激励权重，给出的权重范围在(0,1)之间；
19.注意部分是将权重值与卷积层输出的特征图相乘。
20.进一步的，模型参数初始化为：选择模型优化算法，初始化批大小、迭代次数、学习率初始值模型参数；
21.进一步的，训练模型中，模型的输出为预测的标记，把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差大于设置的阈值，就反向传播更新参数；反复迭代直至误差小于设置的阈值，停止更新参数并保存网络参数。
22.进一步的，验证过程为：把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差小于设置的阈值，则证明训练的网络参数已达到最优，进行裂缝、孔洞识别；如果误差大于设置的阈值，则证明训练的网络参数未达到最优，返回重新训练网络，直到验证阶段能得到很好的识别效果。
23.进一步的，识别流程为：把测试集中的图像输入到训练好的unet网络中，输出识别结果。
24.与现有技术相比，本发明有以下技术效果：
25.本发明提出了一种基于通道注意力机制约束unet神经网络的碳酸盐岩缝洞识别方法，将深度学习与碳酸盐岩缝洞识别相结合，以端到端的方式实现碳酸盐岩缝洞的准确
识别，使用所提方法基于电成像及声波成像图对裂缝、孔洞识别进行识别，可以提高裂缝、孔洞识别的准确率和自动化程度。
26.这种基于通道注意力机制约束的unet网络的碳酸盐岩裂缝、孔洞识别技术，以改善碳酸盐岩裂缝、孔洞识别质量，解决了传统识别方法自动化程度低、识别结果受人为主观判断影响大的问题，实现了碳酸盐岩缝洞的高准确度、自动识别，为后续测井地质解释的可靠性与准确性提供支持。
附图说明
27.图1是本发明通道注意力机制约束的u-net网络结构图
28.图2是常规u-net网络结构图
29.图3是通道注意力机制模块结构图
30.图4是本发明缝洞识别流程图
31.图5是训练步骤流程图
32.图6是识别步骤流程图
具体实施方式
33.以下结合附图对本发明进一步说明：
34.请参阅图1至图6，基于通道注意力机制的碳酸盐岩缝洞识别方法，包括：
35.准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；
36.基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；
37.初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；
38.将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；
39.把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。
40.本发明提出了一种基于通道注意力机制约束unet神经网络的碳酸盐岩缝洞识别方法，将深度学习与碳酸盐岩缝洞识别相结合，以端到端的方式实现碳酸盐岩缝洞的准确识别，使用所提方法基于电成像及声波成像图对裂缝、孔洞识别进行识别，可以提高裂缝、孔洞识别的准确率和自动化程度。
41.实施例1：
42.基于通道注意力机制的碳酸盐岩缝洞识别方法，包括：
43.准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；
44.基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；
45.初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；
46.将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；
47.把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。
48.训练集和验证集的每幅测井电成像图像均对应了一组人工标注的裂缝、孔洞标记，增加图像库中不存在的碳酸盐岩地层测井电成像图像并自行进行裂缝、孔洞标注。
49.构建网络模型具体包括：在常规unet网络的基础上进行了改进，构建的是引入通道注意力机制约束的unet网络，具体改进方法：在unet编码器的卷积组合层后添加注意力模块，实现对不同通道的特征进行不同程度的关注，然后将经过注意力约束的特征裁剪并传递到解码器相应的卷积组合层进行解码。
50.训练模型中，模型的输出为预测的标记，把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差大于设置的阈值，就反向传播更新参数；反复迭代直至误差小于设置的阈值，停止更新参数并保存网络参数。
51.验证过程为：把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差小于设置的阈值，则证明训练的网络参数已达到最优，进行裂缝、孔洞识别；如果误差大于设置的阈值，则证明训练的网络参数未达到最优，返回重新训练网络，直到验证阶段能得到很好的识别效果。
52.识别流程为：把测试集中的图像输入到训练好的unet网络中，输出识别结果。
53.这种基于通道注意力机制约束的unet网络的碳酸盐岩裂缝、孔洞识别技术，以改善碳酸盐岩裂缝、孔洞识别质量，解决了传统识别方法自动化程度低、识别结果受人为主观判断影响大的问题，实现了碳酸盐岩缝洞的高准确度、自动识别，为后续测井地质解释的可靠性与准确性提供支持。
54.实施例2：
55.本发明缝洞识别流程图如图4所示，具体步骤如下：
56.步骤1：准备数据集。
57.准备三种数据集：训练集、验证集和测试集，三者的功能分别是训练模型，调整模型和输出识别结果，三者的比例为6：2：2。
58.其中训练集为一个已标记好裂缝、孔洞的测井成像图的图像库，每幅测井电成像图像均对应了一组人工标注的裂缝、孔洞标记，用户亦可以增加图像库中不存在的碳酸盐岩地层测井电成像图像并自行进行裂缝、孔洞标注。验证集为一个测井成像图的图像库，每幅测井电成像图像均对应了一组人工标注的裂缝、孔洞标记。测试集为一个待识别裂缝、孔洞的测井电成像图像的图像库。
59.步骤2：构建网络模型。
60.基于常规unet网络模型，是在常规unet网络的基础上进行了改进，构建的是引入通道注意力机制约束的unet网络。
61.具体改进方法如图2所示：
62.在unet编码器的卷积组合层后添加注意力模块，实现对不同通道的特征进行不同程度的关注，然后将经过注意力约束的特征裁剪并传递到解码器相应的卷积组合层进行解码。
63.本发明所述通道注意力机制模块包括挤压、激励以及注意三部分，其结构如图3所示。
64.挤压部分通过对特征按通道进行全局平均池化或最大池化而将卷积层输出的h*w*c维的特征信息压缩为1*1*c维的向量，此处c为特征通道数。激励部分包括卷积层1-激活层1-卷积层2-激活层2，其中卷积层1将特征维数降低到原来的1/r，激活层1为relu函数，实现数据的非线性化，卷积层2将维度升回到原来的大小1*1*c，激活层2是sigmoid函数，通过对卷积层卷积核参数的学习，得到一个1*1*c的激励权重，给出的权重范围在(0,1)之间。注意部分是将权重值与卷积层输出的特征图相乘，实现对通道的加权处理，从而实现对重要特征的注意。
65.步骤3：初始化参数并训练模型。
66.选择合适的模型优化算法，初始化批大小、迭代次数、学习率初始值等模型参数。
67.将训练集中的测井成像图及其对应的裂缝、孔洞标记输入步骤(2)构建好的网络模型进行训练，模型的输出为预测的标记，把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差大于设置的阈值(阈值大小根据实际情况设定)，就反向传播更新参数。
68.反复迭代直至误差小于设置的阈值，停止更新参数并保存网络参数。
69.采用梯度下降法、共轭梯度法等优化算法进行参数求解，在误差反向传播时，根据误差梯度信息对参数进行更新。训练模型的流程图如图5所示。
70.步骤4：验证模型。
71.将验证集中的测井成像图及其对应的裂缝、孔洞标记输入步骤(2)构建好的网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差小于设置的阈值(阈值大小根据实际情况设定)，则证明训练的网络参数已达到最优，可以进入步骤(5)进行裂缝、孔洞识别。
72.如果误差大于设置的阈值，则证明训练的网络参数未达到最优，返回步骤 (3)重新训练网络，直到验证阶段能得到很好的识别效果。
73.步骤5：应用于实测的测井成像图像的裂缝、孔洞识别。把测试集中的测井成像图像输入到已经训练好并验证过的本发明所述网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。识别的流程图如图6所示。
74.本发明提出了一种基于通道注意力机制约束的unet网络的碳酸盐岩裂缝、孔洞识别技术，以改善碳酸盐岩裂缝、孔洞识别质量，解决了传统识别方法自动化程度低、识别结果受人为主观判断影响大的问题，实现了碳酸盐岩缝洞的高准确度、自动识别，为后续测井地质解释的可靠性与准确性提供支持。
75.适用于测井资料处理流程，由于测井成像图能够直观地显示井下沿井周的地层微观特征，当测井过程中测得了电成像及声波成像图时，可以使用所提技术基于电成像及声波成像图对裂缝、孔洞识别进行识别，提高裂缝、孔洞识别的准确率和自动化程度。
76.应用前景：
77.目前基于深度学习的智能算法在各行各业中已得到广泛应用，结合深度学习技术的测井资料处理解释算法也成为测井勘探中的重要研究方向。基于深度学习语义分割的裂缝、孔洞识别技术可以提高识别的准确度和自动化程度。相比采用人机交互的阈值分割、边缘检测等传统识别方法，所提技术结合深度学习方法，在大量测井成像资料的处理中拥有更高的运行效率、更理想的重建效果，具备较高的应用价值和理想的应用前景，有望成为改善测井资料处理质量的强有力工具之一。
78.下述为本发明的装置实施例，可以用于执行本发明方法实施例。对于装置实施例中未披露的细节，请参照本发明方法实施例。
79.本发明实施例中，提供一种基于通道注意力机制的碳酸盐岩缝洞识别系统，能够用于实现上述的基于通道注意力机制的碳酸盐岩缝洞识别方法，具体的，该系统包括：
80.数据准备模块，用于准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；
81.网络模型构建模块，用于基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；
82.训练模块，用于初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；
83.验证模块，用于将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；
84.识别模块，用于把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。
85.前述的基于通道注意力机制约束unet神经网络的碳酸盐岩缝洞识别方法的实施例涉及的各步骤的所有相关内容均可以援引到本发明施例中的基于通道注意力机制约束unet神经网络的碳酸盐岩缝洞识别系统所对应的功能模块的功能描述，在此不再赘述。
86.本发明实施例中对模块的划分是示意性的，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，另外，在本发明各个实施例中的各功能模块可以集成在一个处理器中，也可以是单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。
87.本发明再一个实施例中，提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。
88.处理器可能是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor、dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列 (field-programmable gatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能；本发明实施例所述的处理器可以用于基于通道注意力机制的碳酸盐岩缝洞识别方法
的操作。
89.本发明再一个实施例中，本发明还提供了一种存储介质，具体为计算机可读存储介质(memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速ram存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中有关的相应步骤。
90.本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、 cd-rom、光学存储器等)上实施的计算机程序产品的形式。
91.本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
92.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
93.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
94.最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

技术特征：
1.基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，包括：准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。2.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，训练集、验证集和测试集，三者的功能分别是训练模型，调整模型和输出识别结果，三者的比例为6：2：2。3.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，训练集和验证集的每幅测井电成像图像均对应了一组人工标注的裂缝、孔洞标记，增加图像库中不存在的碳酸盐岩地层测井电成像图像并自行进行裂缝、孔洞标注。4.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，构建网络模型具体包括：在常规unet网络的基础上进行了改进，构建的是引入通道注意力机制约束的unet网络，具体改进方法：在unet编码器的卷积组合层后添加注意力模块，实现对不同通道的特征进行不同程度的关注，然后将经过注意力约束的特征裁剪并传递到解码器相应的卷积组合层进行解码。5.根据权利要求4所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，通道注意力机制模块包括挤压、激励以及注意三部分，挤压部分通过对特征按通道进行全局平均池化或最大池化而将卷积层输出的h*w*c维的特征信息压缩为1*1*c维的向量，此处c为特征通道数；激励部分包括卷积层1-激活层1-卷积层2-激活层2，其中卷积层1将特征维数降低到原来的1/r，激活层1为relu函数，实现数据的非线性化，卷积层2将维度升回到原来的大小1*1*c，激活层2是sigmoid函数，通过对卷积层卷积核参数的学习，得到一个1*1*c的激励权重，给出的权重范围在(0,1)之间；注意部分是将权重值与卷积层输出的特征图相乘。6.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，模型参数初始化为：选择模型优化算法，初始化批大小、迭代次数、学习率初始值模型参数。7.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，训练模型中，模型的输出为预测的标记，把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差大于设置的阈值，就反向传播更新参数；反复迭代直至误差小于设置的阈值，停止更新参数并保存网络参数。8.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，
验证过程为：把预测的标记与真实标记进行比对，同时计算预测标记和真实标记的误差，如果误差小于设置的阈值，则证明训练的网络参数已达到最优，进行裂缝、孔洞识别；如果误差大于设置的阈值，则证明训练的网络参数未达到最优，返回重新训练网络，直到验证阶段能得到很好的识别效果。9.根据权利要求1所述的基于通道注意力机制的碳酸盐岩缝洞识别方法，其特征在于，识别流程为：把测试集中的图像输入到训练好的unet网络中，输出识别结果。10.基于通道注意力机制的碳酸盐岩缝洞识别系统，其特征在于，包括：数据准备模块，用于准备训练集、验证集和测试集三种数据集，训练集为已标记好裂缝、孔洞的测井成像图的图像库，验证集为测井成像图的图像库，测试集为待识别裂缝、孔洞的测井电成像图像的图像库；网络模型构建模块，用于基于常规unet网络模型，构建引入通道注意力机制约束的unet网络模型；训练模块，用于初始化模型参数，将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型进行训练；验证模块，用于将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的unet网络模型，模型的输出为预测的标记，把预测的标记与真实标记进行比对，进行验证；识别模块，用于把测试集中的测井成像图像输入到已经训练好并验证过的网络中，网络的输出即对该图像中的裂缝、孔洞的预测标记。

技术总结
基于通道注意力机制的碳酸盐岩缝洞识别方法及系统，包括：准备训练集、验证集和测试集三种数据集；基于常规Unet网络模型，构建引入通道注意力机制约束的Unet网络模型；将训练集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的Unet网络模型进行训练；将验证集中的测井成像图及其对应的裂缝、孔洞标记输入构建好的引入通道注意力机制约束的Unet网络模型；裂缝、孔洞的预测标记。本发明将深度学习与碳酸盐岩缝洞识别相结合，以端到端的方式实现碳酸盐岩缝洞的准确识别，使用所提方法基于电成像及声波成像图对裂缝、孔洞识别进行识别，可以提高裂缝、孔洞识别的准确率和自动化程度。别的准确率和自动化程度。别的准确率和自动化程度。


技术研发人员：韩剑发 王珺 张承泽 刘伟锋 张键 刘宝弟 黄腊梅 齐玉娟 肖春艳 张凯 伍轶鸣 崔仕提
受保护的技术使用者：中国石油天然气股份有限公司
技术研发日：2022.03.28
技术公布日：2023/10/15