بازسازی تصاویر سنگ دیجیتال از روی تصاویر با وضوح پایین به کمک شبکه­ی عصبی fsrcnn

در فرایند آنالیز مغزه دیجیتال، تصاویر سنگ با وضوح بالا مورد نیاز می­باشند تا پارامترهایی مانند تخلخل و نفوذپذیری با دقت بالاتری محاسبه شوند. تصویربرداری از سنگ با محدودیت­های دستگاه تصویربرداری محدود شده است که منجر به تقابل بین وضوح تصویر و میدان دید می­شود. در این مقاله هدف استفاده از روش­های فراتفکیک­پذیری برای جبران این محدودیت می­باشد. در این مقاله شبکه‌­ی عصبی پیچشی فراتفکیک­پذیر (srcnn)(super resolution convolutional neural network) که اولین روش یادگیری عمیق برای فراتفکیک­پذیری تصویر هست با کمک شبکه­ی عصبی پیچشی فراتفکیک­پذیر سریع (fsrcnn) (fast super resolution convolutional neural network) در سه جنبه دوباره طراحی شده است. ابتدا یک لایه­ی دکانولوشن در انتهای شبکه قرار داده شد که در این صورت نگاشت مستقیماً از تصویر با وضوح پایین اصلی به تصویر با وضوح بالا آموخته می­شود. دوم، لایه­ی نگاشت با کوچک­کردن بُعد ویژگی ورودی قبل از نگاشت و گسترش مجدد پس از آن فرمول­بندی شد. سوم، از فیلترهای با اندازه‌ی کوچک‌تر اما لایه‌های نگاشت بیشتری استفاده شد. نتایج نشان دادند که شبکه­ی عصبی پیچشی فراتفکیک­پذیر سریع، می‌تواند تصاویر سنگ دیجیتال را با وضوح بالا و همچنین با سرعت بیشتری نسبت به شبکه­ی srcnn (سرعتی بیش از 20 برابر) بازسازی کند که بازسازی تصاویر سنگ با وضوح بالا باعث می­شود که بتوان پارامترهای تخلخل و نفوذپذیری را با دقت بالاتری به دست آورد که این موضوع در زمینه­ی تصاویر سنگ دیجیتال در صنعت نفت بسیار ارزشمند است.

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

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.