В современной практике инженерно-геологических изысканий контроль качества данных по скважинам традиционно опирается на ручные процедуры. Специалисты проверяют полевые описания, фото- и видеоматериалы, сверяют геотеги и время съемки, сопоставляют изображения с ожидаемым объемом отобранного керна, а также контролируют временные интервалы бурения и полученного материала.
Для этих целей используются EXIF-метаданные всех фото- и видеоматериалов, которые перекрестно сверяются алгоритмами с плановым и фактическим положением скважин, а также с временными рядами создания и редактирования всех вложенных объектов внутри скважины. При наличии проблем в выработке руководитель работ получает всю информацию о нестыковках, что обеспечивает непрерывный контроль качества данных в режиме онлайн.
Однако остается важная «серая зона» – выявление дублирования и компоновочных фальсификаций фотоматериалов по керну. Типовая ситуация выглядит следующим образом: последние пять метров в скважине с проектной глубиной двадцать метров «собраны» из фрагментов, ранее отснятых пятнадцати метров. На крупных объектах подобные случаи выявляются вручную специалистами службы контроля качества, что требует присутствия не менее двух сотрудников на один объект. Такой подход отнимает значительное время, является дорогостоящим и субъективным.
Цифровой глаз геолога
Алгоритм автоматизации контроля подлинности изображений керна в инженерно-геологических изысканиях реализован в виде промышленного программного решения, внедренного в продукты компаний Soilbox и Digital Petroleum. Его основной целью является повышение точности и снижение риска ошибок, обусловленных человеческим фактором при ручной проверке фотоматериалов. Предложенный подход включает три последовательных этапа: автоматическое выделение керна на изображениях, формирование уникального цифрового отпечатка с использованием нейронных сетей и выявление дубликатов на основе сравнения визуальных признаков.
1 этап: автоматическое выделение керна на фотографиях. Система решает задачу нахождения на фотографии керновых ящиков только самого керна с исключением всего лишнего – фона, маркеров глубины, этикеток, теней и бликов. Используется алгоритм автоматической сегментации, который находит и вырезает области с керном, убирает пустые ячейки, упаковочные материалы, технические элементы, исключает маркеры, этикетки и метрические шкалы, а также определяет границы между отдельными фрагментами керна. Дополнительно происходит автоматическая увязка керна по глубине. В результате для каждого фото керна создается набор изображений отдельных фрагментов с метаданными, включающими скважину, глубину и само изображение.
2 этап: извлечение «цифрового отпечатка» каждого образца. Задача заключается в создании для каждого фрагмента керна уникального числового описания – вектора признаков, который кодирует визуальные характеристики: текстуру, цвет, структуру и паттерны. Решение использует ансамбль предобученных сверточных нейронных сетей, которые уже умеют распознавать типы пород, текстуры и структуры керна. Каждая модель обрабатывает изображение керна и извлекает признаки из своих внутренних слоев, после чего признаки от всех моделей объединяются в общий вектор, который нормализуется для более точного и быстрого сравнения. По аналогии с отпечатками пальцев каждый образец керна получает свой уникальный «цифровой отпечаток».
3 этап: поиск похожих образцов и выявление дубликатов. Система находит в базе данных все пары изображений керна, которые выглядят похожими. Для этого используется метрика косинусного сходства – математический способ измерения схожести «цифровых отпечатков». Алгоритм работает следующим образом: загружаются изображения керна, извлекается «цифровой отпечаток», выполняется сравнение со всеми изображениями в базе данных, результаты сортируются по степени сходства, отбираются пары с высоким сходством (более 0,9), проводится проверка метаданных, после чего создается отчет с парами подозрительных изображений для экспертной проверки.
Результаты апробации и преимущества метода
Результаты производственной апробации демонстрируют высокую эффективность метода. Точность обнаружения дубликатов достигает 97%, полнота – 95%. Применение технологии позволяет ускорить процесс проверки изображений более чем в 1 000 раз, устранить субъективность оценки и существенно сократить трудозатраты.
Разработанный алгоритм обеспечивает полное автоматическое сканирование керна по всей длине скважины, позволяя выявлять повторяющиеся участки даже при их размещении в разных интервалах. Система распознает факты перекладки керна, включая случаи, когда отдельные образцы были перевернуты, перемещены или частично заменены.
текст: Никифоров Н. В.; Барабошкин Е. Е., фото: «Соилбокс», «Диджитал Петролеум»