荧光录井技术是油气勘探中初步发现油气显示层段的一种直接方法，对控制重点层段具有指导作用^[1–2]。当前的荧光录井技术主要分为2种形式。一是依靠人工检测的方法^[3–4]，此类方法将岩屑样本放在传统荧光仪中紫光灯下反应，石油经紫外光照射，会发射出特殊的光^[5]，录井技术人员通过肉眼观察岩屑荧光的颜色和亮度，估算样品的含油气情况；但因录井技术人员现场经验不同，对结果的认知也会不同，样品检测结果会存在较大误差。此外，传统荧光仪只具备单一波长的灯管，其能量较小，导致无法实现准确定量，一般只能定性解释。二是采用传统的计算机视觉检测的方法^[6–7]，该类方法通过采集岩屑样本在紫光灯下的荧光图像，然后使用计算机视觉技术对图像进行分析，最后得到岩屑荧光情况。这种方法解决了由人工观察导致的误差，实现了对岩屑荧光情况的量化，但计算复杂，对设备要求高，从而导致不能即时有效地进行荧光定量分析，限制了实际的现场推广应用。随着人工智能技术的进步，石油行业逐渐引入了人工智能领域的深度学习算法^[8–10]，通过构建算法模型，可以实现任务处理的提速与精准化。

针对荧光录井技术中存在的诸多问题，笔者采用计算机视觉检测方法，设计并研发了一种基于人工智能的录井岩屑荧光智能检测系统。首先，使用工业相机采集岩屑在不同波长紫光灯下的荧光图像，降低对原油荧光的漏检率；其次，通过改进DeepLab v3+语义分割算法^[11]，在保证准确度的前提下加快检测速度和降低计算复杂度，满足岩屑荧光检测时对实时性和准确性的需求；最后，将算法模型移植到移动端设备中，并开发了对应的APP软件，通过APP进行简单的操作即可迅速获得岩屑荧光量化结果，提高了岩屑荧光分析的效率。

1.   岩屑荧光智能检测系统设计

1.1   总体设计

根据荧光录井技术对岩屑荧光检测的实际需求设计岩屑荧光智能检测系统，其架构如图1所示。该系统主要分为数据采集层、传输控制层和算法检测层。其中，数据采集层系包含采集模块和灯源模块，采集模块使用工业相机，主要负责将获取的视频流和拍摄的样本图传输给移动端。灯源模块通过从激发波长和发射波长为270～400 nm的连续频谱进行大量试验，综合试验表现和荧光效果，确定由波长分别为365，375，385和395 nm的4组灯珠组成，对岩屑样本进行照射，便于工业相机采集不同波长下的样本图像。传输控制层为Android系统的平板电脑，主要控制灯源模块的开关，控制工业相机的拍摄和相关参数的调节，如曝光时间、饱和度以及锐度等，并传输图像数据给算法检测层。算法检测层由图像预处理和荧光检测组成，图像预处理负责将获取到的图像进行轮廓检测和裁剪；荧光检测使用深度学习算法，负责对预处理好的图像进行检测，并将结果返回给传输控制层。

图  1  岩屑荧光智能检测系统架构

Figure  1.  Architecture of intelligent detection system for cuttings fluorescence

下载: 全尺寸图片 幻灯片

1.2   检测原理

根据岩屑样本的类型组合，通过移动设备上的系统，采用不同波长的灯珠照射岩屑样本，并使用工业相机对样本图像进行实时采集，将得到的图像传输给设备嵌入的算法中，经过算法处理后分割图像中的荧光岩屑、无荧光岩屑与背景，并计算出样本中的荧光面积。

荧光录井过程中，普通的自然光源无法激发石油产生荧光，且不便于人为观察和算法模型学习，为找到最佳的灯源，对大量不同类型和波长的灯源进行了比较，结果见图2。由图2可知，在不同波长和类型的灯源照射下，样本展现的效果存在差异性。采用传统观察仪波长365 nm的灯管作为灯源时，成像画面较为暗淡，且荧光激发效果不明显；单独使用灯珠或灯管作为灯源时，虽照射覆盖范围广，但波长范围无法调控，导致呈现效果单一，荧光反应不充分；采用多波长灯珠组合灯源时，由于波长的可调节性，因而呈现效果多样，荧光效果更明显。因此，选用可组合的多波长灯珠作为系统灯源，更符合实际应用的需求。

图  2  不同波长和类型灯源下岩屑的荧光效果

Figure  2.  Fluorescence effects of cuttings under different wavelengths and types of light sources

下载: 全尺寸图片 幻灯片

相较于移动设备自带的摄像头，工业相机具有高精度、高清晰度、色彩还原好和低噪声等特点，采集的样本图像更有利于进行算法检测；通过丰富的设备接口，还能对工业相机的控制曝光时间、亮度、增益等参数进行调节，保证样本图像呈现的效果。另外，移动设备自带的摄像头长时间工作时会有发热等问题，会对移动设备的性能造成影响；而工业相机独立于移动设备，工业相机发热对移动设备基本没有影响。

2.   岩屑荧光检测算法

分析岩屑样本图像时，首先，针对样本图像背景噪音多、尺寸大等特点进行图像预处理，使用最大方差阈值法（OSTU）^[12]进行轮廓检测，去除图像背景噪音；然后，将降噪后的岩屑图像裁剪成12份样本小图，便于后期算法训练与检测，并将处理好的图像输入DeepLab v3+算法中；考虑算法需要移植到移动端，对原始的DeepLab v3+算法进行了轻量化改造，其主干网络替换为MobileNet v3网络^[13]，并引入高效的通道注意力模块（efficient channel attention，ECA）^[14]，加强网络特征提取能力，提高了算法的准确率；最后，将训练好的算法通过开放神经网络交换技术转化为安卓移动端可用的NCNN模型。

2.1   图像预处理

工业相机拍摄紫光灯下的岩屑图像，像素大小为3 500×3 500，其中包含较多的背景噪音，这些噪音不便于算法的训练，并且会影响对原油的检测效果，若不进行处理可能导致算法出现误检和漏检等情况。为此，采用OSTU方法进行轮廓检测，提取岩屑中心区域以确定岩屑的主要区域，从而减少背景噪音的干扰。

轮廓检测方法主要是将RGB颜色空间下的岩屑样本图像转换为HSV颜色空间下图像，再利用HSV颜色模型特点，单独提取H通道分量，并采用OSTU选取阈值，进行图像二值化。相较于传统方法，OSTU通过计算灰度均值限定最佳阈值的搜索范围，可以更快地计算出最佳阈值。在二值化图像上，利用形态学变换去除样本周围干扰信息，并融合离散样本，利用轮廓提取图像上的样本区域，计算出包覆轮廓的最小正矩形，在原图上切割出该样本区域。

此外，轮廓检测技术得到的图像尺寸为2 600×2 600，这对于算法模型而言尺寸太大，使得算法的参数过多，导致算法推理速度缓慢，尤其在移动设备上运行时影响更大。因此，使用OpenCV对图像进一步裁剪，将一张大尺寸图像拆分为16张650×650小尺寸图，既保证算法能够对样本图像进行高效训练，同时加快了在移动设备中的推理速度。

2.2   算法提出及优化

当前深度学习在计算机视觉领域主要可分为图像分类、目标检测和图像分割等3类。其中，图像分类是计算机视觉中最基础的任务，是将不同的图像划分到不同的类别下。目标检测是针对特定目标物体的目标定位和图像分类，既要输出目标物体的具体位置信息，也要输出其类别信息。图像分割是根据灰度、颜色、空间纹理和几何形状等特征，将一幅图像分割为多个相互独立的区域，使得相同区域内的特征相同或相似，而不同区域内的特征则表现出明显差异^[15–17]。

为实现对岩屑荧光的量化和检测，采用了深度学习图像分割技术。在此技术框架下，选取性能表现较为优异的DeepLab v3+算法模型对岩屑荧光进行检测。该算法的结构主要包括编码器和解码器，其中编码器是对丰富的上下文信息进行编码，并逐步减少特征图并提取更高语义信息；解码器可以简单有效地恢复对象边界，同时逐步恢复空间信息^[18]。

由于需要将算法嵌入于移动设备中运行，而直接将DeepLab v3+算法进行移植，会占用较多的计算资源，导致移动设备检测延迟较大，且大量的检测计算时也会使得系统崩溃。因此对DeepLab v3+算法进行了轻量化改进，改进后的网络结构如图3所示。

图  3  改进的DeepLab v3+网络结构

Figure  3.  Improved DeepLab v3+ network structure

下载: 全尺寸图片 幻灯片

改进的DeepLab v3+算法模型以MobileNet v3作为主干网络，该网络主要采用深度可分离卷积^[19]替换常规卷积来有效降低模型的参数量和计算量，而且对模型的检测能力影响较小。深度可分离卷积可分为逐通道卷积和逐点卷积（见图4）。

图  4  深度可分离卷积结构

Figure  4.  Depthwise separable convolution structure

下载: 全尺寸图片 幻灯片

逐通道卷积通过对每个输入通道分别进行卷积操作，实现了通道维度的特征提取与空间的深度关联，从而在不增加参数量的情况下提升了特征的丰富性。而逐点卷积则通过$1 \times 1$卷积，对逐通道卷积后的特征图进行跨通道的信息整合，有效地融合了不同通道的特征信息，提高了特征的表征能力。这两种卷积方式的结合，不仅降低了模型的复杂度，还保持了较高的特征表达能力。

假设输入特征图尺寸${D_{\mathrm{h}}} \times {D_{\mathrm{h}}} \times {C_0}$，输出特征图尺寸为${D_{\mathrm{h}}} \times {D_{\mathrm{h}}} \times {C_1}$，逐通道卷积核为$3 \times 3 \times 1 \times {C_0}$，逐点卷积核为$1 \times 1 \times {C_0} \times {C_1}$，常规卷积核为$3 \times 3 \times {C_0} \times {C_1}$。常规卷积的参数量为${3^2} \times {C_0} \times {C_1}$，计算量为${3^2} \times {D_{\mathrm{h}}} \times {D_{\mathrm{h}}} \times {C_0} \times {C_1}$；深度可分离卷积的参数量为${3^2} \times {C_0} + {C_0} \times {C_1}$，计算量为${3^2} \times {D_{\mathrm{h}}} \times {D_{\mathrm{h}}} \times {C_0} + {D_{\mathrm{h}}} \times {D_{\mathrm{h}}} \times {C_0} \times {C_1}$，二者的参数量比值$P$和计算量比值$S$分别为：

式中：P为深度可分离卷积与常规卷积的参数量比值；S为深度可分离卷积与常规卷积的计算量比值。

一般情况下，式（1）和式（2）中的${C_1}$值远远大于9，因此相较于常规卷积，深度可分离卷积的计算量和参数量都约为其$1/9$，因此使用MobileNet v3网络作为主干网络，可以使整体算法更加轻量。

为了抵消因主干网络轻量化导致的准确度下降，模型引入ECA注意力机制，注意力机制可以看作是基于输入特征的自适应选择过程。传统的卷积操作中，默认特征图的每个通道是同等重要的；而在岩屑荧光检测任务中，不同通道的重要性是有差异的，背景就属于不重要的通道，注意力机制便可解决由特征图的不同通道所占重要性不同带来的损失问题。ECA模块使网络在几乎不增加运算量的情况下获得更好的性能，其结构如图5所示。与传统的通道注意力机制（squeeze and excite, SE）^[20]相比，ECA模块去掉了SE模块中的全连接层，直接在全局平均池化层之后采用可以权重共享的一维卷积来学习特征，既保持了通道数不变，避免了信息丢失，又加强了通道间的信息交互，使模型能够更有效地学习到关键信息。

图  5  ECA模块结构

Figure  5.  ECA module structure

下载: 全尺寸图片 幻灯片

图5中，W，H和C分别表示特征图的宽、高和通道数；参数k代表一维卷积的卷积核尺寸，其取值可表示为：

式中：${\left| {...} \right|_{{\mathrm{odd}}}}$表示取最近的奇数值；$\gamma$和$b$为常量，其取值通常为2和1。

使用ECA注意力机制前后检测效果对比如图6所示，通过对比样本图可以看出，原始DeepLab v3+检测时出现了漏检（见图6（b）），使用ECA注意力机制进行检测时准确检测出了荧光点（见图6（c）），可见ECA注意力机制能够提高模型检测能力。

图  6  添加ECA注意力机制效果对比

Figure  6.  Add ECA attention mechanism effect comparison

下载: 全尺寸图片 幻灯片

2.3   算法移植

为了满足系统便携性、稳定性和易控性的要求，选择基于安卓系统的移动设备作为系统的移动端，并移植和嵌入图像预处理功能和改进的DeepLab v3+算法模型。具体移植方法为：在计算机端使用高性能的PyTorch框架来构建并训练算法模型。PyTorch是一款开源的Python深度学习库，适用于高效构建与训练复杂的深度神经网络。算法模型训练完成后，采用开放神经网络交换格式将PyTorch模型转换为适用于移动端的NCNN模型，以实现算法模型的有效迁移。NCNN是一个专为移动设备优化的高性能神经网络推理框架，能够确保算法在移动端上高效准确运行。移植后的效果如图7所示。

图  7  算法移植效果

Figure  7.  Algorithm migration effect

下载: 全尺寸图片 幻灯片

3.   试验结果分析

为验证本岩屑荧光智能检测系统的合理性和有效性，对系统分别进行了性能对比试验和测试试验。系统试验的运行环境为：平板电脑系统为Android 11，搭载高通骁龙870处理器，运行内存为6 GB；使用MV-SUA1600C工业相机，分辨率4 608×3 456，支持曝光和增益调节等；灯源为自制的灯珠板，由多个长波紫外线（UVA）与中波紫外线（UVB）灯珠组成，总电功率为0～30 W，波长275～405 nm之间可调节。

3.1   系统性能对比

使用来源于南海北部大陆架和陆坡上的珠江口盆地、琼东南盆地和北部湾盆地涠西南凹陷的岩屑样本进行性能对比。3个盆地与南海地质演化历史密切关联，具有复杂的构造特征和丰富的油气资源，含油气地层岩性主要为泥质粉砂岩、粉砂岩、细砂岩和中砂岩。4种岩屑各采集600张样本图像，制作成总量为2400张的岩屑数据集。首先，对该数据集进行图像预处理，然后用处理好的数据集来训练改进的DeepLab v3+算法。为了验证改进算法对系统更具有优势，使用同样的数据集训练了原DeepLab v3+算法，并与改进的DeepLab v3+算法进行对比试验，分别比较了平均交并比、参数量、浮点计算量和检测速度各算法评估指标，结果见表1。平均交并比为2个集合的交集与其并集的重合比例，其值越高，分割效果越好，计算公式为：

表  1  改进前后DeepLab v3+算法对比

Table  1.  Comparison of DeepLab v3+ algorithms before and after improvement

算法模型	主干网络	平均交 并比,%	参数量/ MB	浮点计算 量/GFLOPs	检测速 度/fps
DeepLab v3+	Xception	73.15	54.70	83.09	10
DeepLab v3+	Resnet50	77.65	38.72	62.70	34
Improved DeepLab v3+	Mobilenetv3	72.73	2.58	13.50	62

下载: 导出CSV 

| 显示表格

式中：MIoU 为平均交并比；$q + 1$表示包括背景在内的语义类别总数；${p_{ij}}$表示属于第$i$类却被预测为第$j$类的像素数量；${p_{ji}}$表示属于第$j$类却被预测为第$i$类的像素数量；${p_{ii}}$表示属于第$i$类也预测为第$i$类的像素数量。

由表1可知，与主干网络分别为Xception^[21]和Resnet50^[22]的DeepLab v3+相比，Improved DeepLab v3+的平均交并比分别低0.50%和4.92%，但其参数量和浮点计算量却仅为2.58 MB和13.5 GFLOPs，远远小于原算法，且检测速度达到62 fps。从综合能性来看，相较于原算法，Improved DeepLab v3+在仅牺牲少量MIoU的情况下，大幅减少了模型参数冗余和计算复杂度，且检测速度更快，在移动设备上运行时优势更明显。

3.2   系统测试试验

录井岩屑荧光智能检测系统由移动设备、灯珠板、灯管及工业相机等部件组成。该系统利用移动设备控制灯珠和灯管，确保提供适宜的照明源；系统控制工业相机捕获高质量图像，并将获取的图像数据传输至设备内置的算法模型进行分析检测。经过处理后，系统将输出检测结果，并计算出荧光占比。荧光占比的计算公式为：

式中：P_f为荧光占比；${N_{w \times h}}$为图像的像素点总数；$N\mathrm{_f}$为产生明显荧光的岩屑样本的像素点总数；${N_{\mathrm{b}}}$为非岩屑样本的像素点总数。

为验证算法在移动设备中的鲁棒性和时效性，同时证明系统的荧光含量计算的有效性，使用不同产地和不同井深的岩屑样本对系统进行测试，测试试验结果如表2和图9所示，表2中的荧光岩屑占比是通过岩样定名技术标准所得。

表  2  岩屑荧光检测系统测试结果

Table  2.  Test results of cuttings fluorescence detection system

取样井	深度/m	样本像素 总数	荧光像素 总数	荧光岩屑 占比，%	系统检测荧 光占比，%
	2 976	870 850	8 513	3～4	3.93
WZ11-1N-A6S1	3 019	755 133	6 474	3～4	3.35
	3 027	821 493	22 557	9～10	10.63
WZ11-4N-B31	4 214	616 363	115 296	50～60	63.07
	4 309	604 559	41 969	20～30	24.62
WC13-2-B4H	1 641	834 315	11 038	0～5	5.21
WC19-1-A4S2	3 500	805 420	264	0～1	0.12
	3 520	615 942	622	0～1	0.38
	3 530	693 679	748	0～1	0.45
	3 560	744 152	41 798	10～20	21.28

下载: 导出CSV 

| 显示表格

图  9  系统试验结果

Figure  9.  System test results

下载: 全尺寸图片 幻灯片

从表2和图9可以看出，系统计算所得的荧光占比与实际的岩屑荧光占比基本处于相同范围之内，可见设计的智能岩屑检测系统能够对荧光岩屑进行量化，且结果较为准确。

4.   结论与建议

1）基于人工智能的录井岩屑荧光智能检测系统通过采用图像处理技术和改进的DeepLab v3+算法，实现了对岩屑样本的荧光量化检测，提高了检测的准确性和时效性。

2）相较于先前的研究，该方法解决了人工检测中对岩屑荧光量化问题，避免了由人工导致的测量误差；还弥补了传统计算机视觉技术检测系统中检测复杂、时效性低和设备要求高等不足。

3）本研究仍存在样本多样性匮乏、算法泛化能力有限及系统稳定性待验证等问题。建议对算法和设备进一步深入研究，扩展样本库、优化算法和加强环境适应性测试，以促进系统的广泛应用和持续升级。