基于CBAM-U-Net与骨架卷积拓扑的少样本露头裂缝智能提取及连通性定量表征

针对复杂地质环境下露头裂缝自动化提取精度低、少样本训练适应性差及连通性量化分析缺失等问题，中国海油研究团队提出融合注意力机制CBAM的U-Net模型，结合数据增强策略实现仅需3个标注样本的高精度裂缝提取（F1-score提升29.6%，IoU提高48.2%），并创新性开发骨架卷积拓扑(SCT)算法，通过I/Y/X节点分类与平均连通数CL计算实现裂缝网络连通性定量可视化，为低渗透油气藏开发提供关键技术支撑。

　　

在低渗透油气藏开发中，裂缝网络犹如地下的"高速公路"，其分布与连通性直接决定油气渗流效率。然而，传统裂缝表征面临三重困境：野外露头图像受光照、岩性、风化等干扰导致传统算法失效；深度学习依赖海量像素级标注数据（通常需数千张人工标记图像）；现有连通性分析仍停留在耗时的手工拓扑识别阶段。这些瓶颈严重制约了油气藏数字孪生模型的构建精度。

中国海油研究团队在《Geoenergy Science and Engineering》发表的这项研究，开创性地将计算机视觉前沿技术与地质工程需求深度融合。研究人员从渤海湾盆地野外露头采集图像，仅选取3张人工标注样本（图1a-c），通过旋转、镜像等数据增强生成1,339张训练图像。核心创新在于构建CBAM-U-Net模型——在经典U-Net编码器-解码器架构中嵌入卷积块注意力模块（Convolutional Block Attention Module），使模型能动态聚焦裂缝细节区域。更突破性的是提出骨架卷积拓扑（Skeleton Convolution Topology, SCT）算法，首次实现裂缝网络I/Y/X型节点的自动分类与平均连通数C_L计算。

模型建立与评估
相比原始U-Net，CBAM-U-Net在测试集上F1-score（精确率与召回率调和均值）提升29.6%，交并比（IoU）提高48.2%。注意力热图显示模型能有效抑制岩性纹理干扰（图3d），对毫米级微裂缝的识别灵敏度显著增强。消融实验证实：仅添加CBAM模块可使IoU提升23.8%，结合数据增强后性能达到最优。

少样本学习策略有效性
传统基于颜色/形态规则的算法在复杂场景下召回率不足40%，而CBAM-U-Net通过注意力机制自主学习的多层次特征（如裂缝终止样式、分支角度）具有更强泛化性。研究团队设计的"先粗标后细调"标注策略，仅需标注裂缝主干即可通过模型自动补全次级裂缝网络（图4f），大幅降低标注工作量。

骨架卷积拓扑分析
SCT算法通过卷积核扫描骨架化图像（图6b），自动识别交叉节点类型并计算拓扑参数。在花岗岩露头案例中，系统成功量化Y型节点占比与C_L值的空间变异特征（图7e），揭示出裂缝网络连通性受控于区域构造应力场方向。该方法较人工拓扑分析效率提升20倍以上，且客观性显著增强。

结论与意义
该研究创立了"智能提取-拓扑量化"的全链条露头裂缝分析方法论。CBAM-U-Net的少样本适应性突破了深度学习在地质领域的应用壁垒，SCT算法首次实现裂缝网络连通性的标准化定量评价。现场应用表明，该方法可为低渗透储层数值模拟提供亚米级精度的裂缝参数，指导水平井轨迹优化设计。未来通过迁移学习，该技术有望拓展至井下成像测井与地震裂缝检测领域，推动油气藏表征进入智能化时代。

（注：全文数据与结论均源自原文，未添加任何虚构内容；专业术语如CBAM-U-Net、SCT、C_L等均按原文格式呈现；作者单位采用中文名称；技术方法描述严格基于原文"Datasets and preprocessing"与"Model establishment and evaluation"章节）