基于电成像测井的多维度岩性识别方法

传统微电阻率成像(电成像)测井岩性识别主要依靠人工辨识,识别结果往往受经验和主观因素影响,同时还存在岩性表征困难等问题。为此,提出了一种基于电成像图像形状和颜色相结合的多维度岩性识别方法。利用Filtersim算法对电成像空白条带进行补全,并对补全后的数据进行K-means++聚类算法像素聚类,实现对裂缝、溶洞等弱噪声信息的标记,避免给颜色聚类引入噪声。借鉴异常检测思想,利用损失异常对强噪声样本进行筛选。根据电成像的纹理结构和电阻率响应特性,分别把电成像数据集解耦为形状集和颜色集,在此基础上提出一种形状和颜色相结合的电成像岩性识别模型;针对不同地质构造(块状、层状、纹层状)的电成像形状特征,引入标签精炼方法解决硬标签问题,建立Resnet-50网络模型实现形状特征的自动识别;针对不同电阻率响应(泥岩、灰质泥岩、砂质泥岩)的电成像颜色特征,利用K-means++聚类算法筛选出数据集总体分布的聚类中心,实现电成像颜色的快速分类。结合形状特征分类和颜色特征分类结果,识别出电成像岩性种类。应用新方法对济阳坳陷页岩油储层电成像图像进行岩性识别实验,结果表明:岩性识别准确率达83.5%,具有较高的识别精度。提出的基于电成像测井的多维度岩性识别方法,可为测井解释中的岩性识别提供良好的算法支撑。

改进YOLOX的轻量级人体跌倒检测算法

针对边缘计算设备算力和存储空间有限的问题,提出了一种基于YOLOX改进的轻量级人体跌倒检测算法。首先采用GhostNet中的Ghost模块降低YOLOX中Neck和Prediction层的卷积参数冗余;其次,在Neck层中添加坐标注意力机制,增强关键信息提取能力,减少背景带来的噪音影响;最后,针对轻量级模型检测头检测能力不足问题,引入辅助头模块以加强轻量检测头的学习能力。通过算法检测性能以及在边缘计算端NVIDIA Jetson Xavier NX运行实验,结果显示,所提模型的mAP@0.5达到84.9%,且模型大小为25.6 MB。相较于YOLOX模型,仅以牺牲少量推理速度提升了4.6%的检测精度,减少了25.4%的模型大小,另外与一些主流目标检测算法相比,也具有一定的优越性。这些结果表明所提模型能够更好地满足边缘计算设备在人体跌倒检测中对轻量化和准确性的需求。