铸体薄片图像孔隙自动分割方法优选
铸体薄片中孔隙度的计算是评价储层流体流动性的一个重要参数,对孔隙的分割是关键一步.但目前传统孔隙的分割方法依赖专业人员,精度较低需要进行大量的人工交互才能提高精度.快速发展的深度学习为孔隙分割提供了一个新方法,但深度学习在孔隙分割领域存在使用模型单一和孔隙标注困难.为解决模型单一问题,对12个深度学习语义分割模型进行孔隙分割测试.为解决孔隙标注困难问题,利用迁移学习完成对模型的训练.为了综合评价模型的性能,以准确度、精确度、召回率、F1-score、模型训练时间和模型文件大小作为指标评价模型分割效果.最后实验结果表明,在12个模型中最优模型是Mobilenet_Unet,该模型的F1-score、精确度、召回率和准确度分别是0.9620、0.9687、0.9572和0.975,模型文件大小为72.1M,模型训练仅需要1.6h.
铸体薄片、迁移学习、孔隙、语义分割
19
TP391(计算技术、计算机技术)
国家自然科学基金42002147
2023-04-18（万方平台首次上网日期，不代表论文的发表时间）
共4页
19-22
