بازسازي تصاوير سنگ ديجيتال از روي تصاوير با وضوح پايين به كمك شبكه­ي عصبي FSRCNN

Reconstruction of Digital Rock Images from Low Resolution images using FSRCNN Neural Network

در فرايند آناليز مغزه ديجيتال، تصاوير سنگ با وضوح بالا مورد نياز مي­باشند تا پارامترهايي مانند تخلخل و نفوذپذيري با دقت بالاتري محاسبه شوند. تصويربرداري از سنگ با محدوديت­هاي دستگاه تصويربرداري محدود شده است كه منجر به تقابل بين وضوح تصوير و ميدان ديد مي­شود. در اين مقاله هدف استفاده از روش­هاي فراتفكيك­پذيري براي جبران اين محدوديت مي­باشد. در اين مقاله شبكه‌­ي عصبي پيچشي فراتفكيك­پذير (SRCNN)(Super Resolution Convolutional Neural Network) كه اولين روش يادگيري عميق براي فراتفكيك­پذيري تصوير هست با كمك شبكه­ي عصبي پيچشي فراتفكيك­پذير سريع (FSRCNN) (Fast Super Resolution Convolutional Neural Network) در سه جنبه دوباره طراحي شده است. ابتدا يك لايه­ي دكانولوشن در انتهاي شبكه قرار داده شد كه در اين صورت نگاشت مستقيماً از تصوير با وضوح پايين اصلي به تصوير با وضوح بالا آموخته مي­شود. دوم، لايه­ي نگاشت با كوچك­كردن بُعد ويژگي ورودي قبل از نگاشت و گسترش مجدد پس از آن فرمول­بندي شد. سوم، از فيلترهاي با اندازه‌ي كوچك‌تر اما لايه‌هاي نگاشت بيشتري استفاده شد. نتايج نشان دادند كه شبكه­ي عصبي پيچشي فراتفكيك­پذير سريع، مي‌تواند تصاوير سنگ ديجيتال را با وضوح بالا و همچنين با سرعت بيشتري نسبت به شبكه­ي SRCNN (سرعتي بيش از 20 برابر) بازسازي كند كه بازسازي تصاوير سنگ با وضوح بالا باعث مي­شود كه بتوان پارامترهاي تخلخل و نفوذپذيري را با دقت بالاتري به دست آورد كه اين موضوع در زمينه­ي تصاوير سنگ ديجيتال در صنعت نفت بسيار ارزشمند است.

In the process of digital core analysis, High-Resolution rock images are required to calculate parameters such as porosity and permeability with higher accuracy. Imaging of rock is limited by the imaging device, which is leading to the confrontation between the resolution image and the field of view. In this article, the goal is to use super-resolution methods to compensate for this limitation. In this article, Super Resolution Convolutional Neural Network (SRCNN) which is the first deep learning method for image resolution, with the help of Fast Super Resolution Convolutional Neural Network (FSRCNN) was redesigned in three aspects. First, a deconvolution layer was placed at the end of the network, in which case the mapping is learned directly from the original low-resolution image to the high-resolution image. Second, the mapping layer was formulated by shrinking the dimension of the input feature before mapping and expanding it again afterwards. Third, from filters with smaller size but more mapping layers were used. The results showed that fast super resolution convolutional neural network can reconstruct digital rock images with high resolution and faster than SRCNN network (more than 20 times faster) that Reconstructing rock images with high resolution makes it possible to obtain porosity and permeability parameters with higher accuracy, which is very valuable in the field of digital rock images in the oil industry.