CN105139032B - 一种岩石的识别分类方法及系统 - Google Patents

一种岩石的识别分类方法及系统 Download PDF

Info

Publication number
CN105139032B
CN105139032B CN201510522500.6A CN201510522500A CN105139032B CN 105139032 B CN105139032 B CN 105139032B CN 201510522500 A CN201510522500 A CN 201510522500A CN 105139032 B CN105139032 B CN 105139032B
Authority
CN
China
Prior art keywords
laser intensity
intensity value
point
sample
laser
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510522500.6A
Other languages
English (en)
Other versions
CN105139032A (zh
Inventor
曾齐红
盛洁
张友焱
谢兴
叶勇
刘松
胡艳
马志国
张强
马乙云
邢学文
于世勇
申晋利
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Petroleum and Natural Gas Co Ltd
Original Assignee
China Petroleum and Natural Gas Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China Petroleum and Natural Gas Co Ltd filed Critical China Petroleum and Natural Gas Co Ltd
Priority to CN201510522500.6A priority Critical patent/CN105139032B/zh
Publication of CN105139032A publication Critical patent/CN105139032A/zh
Application granted granted Critical
Publication of CN105139032B publication Critical patent/CN105139032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Length Measuring Devices By Optical Means (AREA)

Abstract

本发明提供一种岩石的识别分类方法及系统，其中，该方法包括：拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；对露头中每个点的激光强度值进行校正，得到校正后的激光强度值；根据校正后的激光强度值，对露头进行分类识别。本发明获取露头的激光强度值数据，因激光强度值反应了露头对激光的反射能力，同时不同岩性的露头对激光具有不同的反射能力，因此，通过激光强度值可以实现对露头岩石的分类识别，进一步的，通过对获取的激光强度值进行了校正，可以提高露头岩石分类识别的准确性。

Description

一种岩石的识别分类方法及系统
技术领域
本发明涉及油气精细地质遥感应用技术领域，具体涉及一种岩石的识别分类方法及系统。
背景技术
储层露头是地下储层的真实刻画，对储层露头的调查和解剖是建立地下储层地质模型的有效手段，能广泛应用于油气勘探及油气开发技术中。目前，对露头的研究方法仍局限于现场调查及人工描述，因此，大批地质学家为了解剖储层露头，通常需要带着地质锤、皮尺和放大镜等地质工具到野外进行勘测，这给地质学家研究储层露头带来了极大的困难。进一步的，目前还没有对储层露头进行精细的定量研究方法。
针对上述问题，目前尚未提出有效的解决方案。
发明内容
本发明的目的在于提供一种岩石的识别分类方法及系统，利用本发明岩石的识别分类方法及系统可以实现在室内对野外露头进行精细定量研究，且可以提高露头分类识别的准确性。
本发明的上述目的可采用下列技术方案来实现：
一种岩石的识别分类方法，包括：拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；根据所述校正后的激光强度值，对所述露头进行分类识别。
在一个实施方式中，对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，包括：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
在一个实施方式中，在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之后，在根据所述校正后的激光强度值，对所述露头进行分类识别之前，所述方法还包括：
拾取岩石样品，其中，所述岩石样品包括：砂岩样品和泥岩样品；
利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
在一个实施方式中，对所述露头进行分类识别，包括：
选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本；
根据所述训练样本的激光强度值对最优判别函数进行训练；
通过训练后的最优判别函数对待测的露头进行分类识别。
在一个实施方式中，所述最优判别函数为：
当f(x)>0时，该露头对应的岩石类型为砂岩；当f(x)<0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样 本的激光强度值；x表示待判定的露头激光强度值；αi *表示拉格朗日乘子，0<αi *<1；yi表示训 练样本的类别；b*表示为分类阈值，ωT为 ω的转置；sgn表示为返回函数；n表示为训练样本的个数。
在一个实施方式中，拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值，包括：
利用地面激光雷达扫描仪拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值。
在一个实施方式中，所述地面激光雷达扫描仪位置设置为：
每个地面激光雷达扫描仪距离目标露头为27米；
相邻两个地面激光雷达扫描仪扫描点间距为1毫米。
本发明还提供一种岩石的识别分类系统，包括：拾取模块，用于拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；校正模块，用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；识别模块，用于根据所述校正后的激光强度值，对所述露头进行分类识别。
在一个实施方式中，所述校正模块用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，包括：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
在一个实施方式中，岩石的识别分类系统还包括：建立模块，用于在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之前，在根据所述校正后的激光强度值，对所述露头进行分类识别之后，建立激光强度值分布模板；
所述建立模块包括：
获取单元，用于拾取岩石样品，其中，所述岩石样品包括：砂岩样品和泥岩样品；
扫描单元，用于利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
第一模板单元，用于对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
第二模板单元，用于对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
在一个实施方式中，所述识别模块包括：
选取单元，用于选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本；
训练单元，用于根据所述训练样本的激光强度值对最优判别函数进行训练；
分类单元，用于通过训练后的最优判别函数对待测的露头进行分类识别。
在一个实施方式中，所述最优判别函数为：
当f(x)>0时，该露头对应的岩石类型为砂岩；当f(x)<0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样 本的激光强度值；x表示待测露头的激光强度值；αi *表示拉格朗日乘子，0<αi *<1；yi表示训练 样本的类别；b*表示为分类阈值，ωT为ω 的转置；sgn表示为返回函数；n表示为训练样本的个数。
综上所述，本发明获取露头的激光强度值数据，因激光强度值反映了露头对激光的反射能力，同时不同岩性的露头对激光具有不同的反射能力，因此，通过激光强度值可以实现对露头的分类识别，进一步的，通过对获取的激光强度值进行了校正，可以提高露头分类识别的准确性。
附图说明
在此描述的附图仅用于解释目的，而不意图以任何方式来限制本发明公开的范围。另外，图中的各部件的形状和比例尺寸等仅为示意性的，用于帮助对本发明的理解，并不是具体限定本发明各部件的形状和比例尺寸。本领域的技术人员在本发明的教导下，可以根据具体情况选择各种可能的形状和比例尺寸来实施本发明。
图1示出了本发明的岩石的识别分类方法的流程图；
图2示出了本发明岩石的识别分类系统的模块图。
具体实施方式
结合附图和本发明具体实施方式的描述，能够更加清楚地了解本发明的细节。但是，在此描述的本发明的具体实施方式，仅用于解释本发明的目的，而不能以任何方式理解成是对本发明的限制。在本发明的教导下，技术人员可以构想基于本发明的任意可能的变形，这些都应被视为属于本发明的范围。
如附图1所示，本发明提供一种岩石的识别分类方法，包括如下步骤：
S101：拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；
S102：对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；
S103：根据所述校正后的激光强度值，对所述露头进行分类识别。
在上述实施方式中，首先拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值，然后对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，最后根据所述校正后的激光强度值，对所述露头进行分类识别。本发明获取露头的激光强度值数据，因激光强度值反应了露头对激光的反射能力，同时不同岩性的露头对激光具有不同的反射能力，因此，通过激光强度值可以实现对露头的分类识别，进一步的，通过对获取的激光强度值进行了校正，可以提高露头分类识别的准确性。
在本实施方式中，拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值可以采用地面激光雷达扫描仪在拾取露头的三维点云数据中，每个地面激光雷达扫描仪距离目标露头的距离可以设定为27米，相邻两个地面激光雷达扫描仪扫描点之间的距离可以1毫米。其中，三维点云数据表示为利用地面激光雷达扫描仪扫描露头时，获得露头表面的空间几何位置信息，也即三维离散点云数据。
在本实施方式中，每个点的空间几何信息可以用该点对应的空间坐标值(x，y，z)表示，每一个点对应一个坐标值(x，y，z)和一个激光强度值。
在上述步骤S102中，对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，可以是在拾取每个点的激光强度值后，利用预定的公式对所有点的激光强度值进行校正，以便将拾取的激光强度值校正到一个给定距离的激光强度值，将校正后的结果作为校正后的激光强度值。
具体地，可以按照以下方式进行激光强度值的校正：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
因为，R2是校正后的被测目标点的距离，因此，R2所对应的激光强度值也就是校正后的激光强度值了，例如，R2可以为20米，那么校正后的激光强度值就是20米处对应的激光强度值。
在实际执行根据所述校正后的激光强度值，对所述露头进行分类识别的时候，为了实现对岩石的识别，可以为每种类型的岩石建立一个激光强度值分布模板，那么在确定了激光强度值后，和模板进行比较就可以实现对岩石的分类识别。例如，可以在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之后，再根据所述校正后的激光强度值，对所述露头进行分类识别之前，建立这个激光强度值模板，具体地，可以包括：
拾取岩石样品，其中，所述岩石样品可以包括：砂岩样品和泥岩样品，然而值得注意的是，在实际操作中还可以有其它的岩石样品类型，在本例中仅是以这两种作为代表进行说明，但是并不构成对本申请的不当限定；
利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
举例而言，可以分别选取一些砂岩样品和泥岩样品，例如可以选定砂岩31块，泥岩5块，然后利用地面激光雷达扫描仪分别对这些岩石样品进行扫描，获得每个点对应的空间几何信息坐标值以及激光强度值。其中，每个地面激光雷达扫描仪距离目标点约为20米，相邻两个地面激光雷达扫描仪扫描点间距为1毫米。通过上述的参数设定，最终建立的砂岩激光强度值分布模板的范围为[-7,0]，泥岩的激光强度值分布模板的范围为[-9,-4]。
在通过上述方式建立得到不同岩石的激光强度值分布模板后，就可以进行露头的分类识别，具体地，可以包括：
选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本，即，可以选择在砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，剔除岩性分布不均匀的岩石样品，以保证训练样本的可靠性；
根据所述训练样本的激光强度值对最优判别函数进行训练；
通过训练后的最优判别函数对待测的露头进行分类识别。
在本实施方式中，根据所述训练样本的激光强度值对最优判别函数进行训练，因为已知训练样本的类型，所以将训练样本的参数带入最优判别函数中，可以对最优判别函数的参数进行优化调整。然后利用通过训练后的最优判别函数对待测的露头进行分类识别。
在本例中，提供了一种最优判别函数，表示为：
判别结果，当最优判别函数f(x)>0时，该露头对应的岩石类型为砂岩；当最优判别函数f(x)<0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样 本的激光强度值；x表示待测露头的激光强度值；αi *表示拉格朗日乘子，0<αi *<1；yi表示训练 样本的类别；b*表示为分类阈值，ωT为ω 的转置；sgn表示为返回函数；n表示为训练样本的个数。
返回函数sgn在计算完毕之后，返回待判定露头强度值的类别。若方括号内为正，返回+1；若方括号内为负，返回-1。
例如，可以选择类别为2，即，在样本训练过程中，可以将砂岩对应的yi定义为1，泥岩对应的yi定义为-1，从而实现对岩石的分类识别。
本发明通过地面激光雷达扫描仪获得的激光强度值数据，反应了露头对激光的反射能力，利用不同岩性的露头对激光具有不同反射能力的特点，采用最优判别函数判定的方法可以将致密砂岩和泥岩进行识别和分类，为地质家提供露头精细与定量表征的研究手段。
基于同一发明构思，本发明实施例中还提供了一种岩石的识别分类系统，如下面的实施例所述。由于一种岩石的识别分类系统解决问题的原理与一种岩石的识别分类方法相似，因此岩石的识别分类系统的实施可以参见岩石的识别分类方法的实施，重复之处不再赘述。以下所使用的，术语“单元”或者“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图2是本发明实施例的一种岩石的识别分类系统的结构框图，如图2所示，包括：拾取模块201、校正模块202、识别模块203，下面对该结构进行说明。
拾取模块201，用于拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；
校正模块202，用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；
识别模块203，用于根据所述校正后的激光强度值，对所述露头进行分类识别。
在一个实施方式中，所述校正模块202用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，包括：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
在一个实施方式中，上述岩石的识别分类系统还包括：建立模块(图中未示出)，用于在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之前，在根据所述校正后的激光强度值，对所述露头进行分类识别之后，建立激光强度值分布模板。
该建立模块可以包括：
获取单元，用于拾取岩石样品，其中，所述岩石样品包括：砂岩样品和泥岩样品；
扫描单元，用于利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
第一模板单元，用于对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
第二模板单元，用于对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
在一个实施方式中，识别模块203可以包括：
选取单元，用于选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本；
训练单元，用于根据所述训练样本的激光强度值对最优判别函数进行训练；
分类单元，用于通过训练后的最优判别函数对待测的露头进行分类识别。
在一个实施方式中，所述最优判别函数为：
当f(x)>0时，该露头对应的岩石类型为砂岩；当f(x)<0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样 本的激光强度值；x表示待测露头的激光强度值；0<αi *<1；yi表示训练样本的类别；ωT为ω的转置；sgn表示为返回函数；n表 示为训练样本的个数。
在另外一个实施方式中，还提供了一种软件，该软件用于执行上述实施例及优选实施方式中描述的技术方案。
在另外一个实施方式中，还提供了一种存储介质，该存储介质中存储有上述软件，该存储介质包括但不限于：光盘、软盘、硬盘、可擦写存储器等。
从以上的描述中，可以看出，本发明实施方式实现了如下技术效果：本发明通过地面激光雷达扫描仪获得的激光强度值数据，反应了露头对激光的反射能力，利用不同岩性的露头对激光具有不同反射能力的特点，采用最优判别函数判定的方法可以将致密砂岩和泥岩进行识别和分类，为地质家提供露头精细与定量表征的研究手段。
显然，本领域的技术人员应该明白，上述的本发明实施例的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明实施例不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种岩石的识别分类方法，其特征在于，包括：
拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；
对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；
根据所述校正后的激光强度值，对所述露头进行分类识别；
对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，包括：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
2.根据权利要求1所述的岩石的识别分类方法，其特征在于，在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之后，在根据所述校正后的激光强度值，对所述露头进行分类识别之前，所述方法还包括：
拾取岩石样品，其中，所述岩石样品包括：砂岩样品和泥岩样品；
利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
3.根据权利要求2所述的岩石的识别分类方法，其特征在于，对所述露头进行分类识别，包括：
选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本；
根据所述训练样本的激光强度值对最优判别函数进行训练；
通过训练后的最优判别函数对待测的露头进行分类识别。
4.根据权利要求3所述的岩石的识别分类方法，其特征在于，所述最优判别函数为：
当f(x)＞0时，该露头对应的岩石类型为砂岩；当f(x)＜0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样本的激光强度值；x表示待判定的露头激光强度值；αi *表示拉格朗日乘子，0＜αi *＜1；yi表示训练样本的类别；b*表示为分类阈值，ωT为ω的转置；sgn表示为返回函数；n表示为训练样本的个数。
5.根据权利要求1所述的岩石的识别分类方法，其特征在于，拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值，包括：
利用地面激光雷达扫描仪拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值。
6.根据权利要求5所述的岩石的识别分类方法，其特征在于，所述地面激光雷达扫描仪位置设置为：
每个地面激光雷达扫描仪距离目标露头为27米；
相邻两个地面激光雷达扫描仪扫描点间距为1毫米。
7.一种岩石的识别分类系统，其特征在于，包括：
拾取模块，用于拾取露头的三维点云数据中每个具有空间几何信息的点对应的激光强度值；
校正模块，用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值；
识别模块，用于根据所述校正后的激光强度值，对所述露头进行分类识别；
所述校正模块用于对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值，包括：
按照以下公式将距离R1处的激光强度值I1转换为距离R2处的激光强度值I2，将距离R2处的激光强度值I2作为校正后的激光强度值：
其中，R1表示扫描中心点到被测目标点的距离；R2表示校正后的扫描中心点到被测目标点的距离；I1表示距离R1处的激光强度值；I2表示距离R2处的激光强度值，Rs表示R2和R1的差值。
8.根据权利要求7所述的岩石的识别分类系统，其特征在于，还包括：建立模块，用于在对所述露头中每个点的激光强度值进行校正，得到校正后的激光强度值之前，在根据所述校正后的激光强度值，对所述露头进行分类识别之后，建立激光强度值分布模板；
所述建立模块包括：
获取单元，用于拾取岩石样品，其中，所述岩石样品包括：砂岩样品和泥岩样品；
扫描单元，用于利用地面激光雷达扫描仪对所述岩石样品进行扫描，分别得到砂岩样品中每个具有空间几何信息点的激光强度值和泥岩样品中每个具有空间几何信息点的激光强度值；
第一模板单元，用于对所述砂岩样品中每个具有空间几何信息点的激光强度值进行分析，建立砂岩的激光强度值分布模板；
第二模板单元，用于对所述泥岩样品中每个具有空间几何信息点的激光强度值进行分析，建立泥岩的激光强度值分布模板。
9.根据权利要求8所述的岩石的识别分类系统，其特征在于，所述识别模块包括：
选取单元，用于选取在所述砂岩激光强度值分布模板中，和/或在所述泥岩激光强度值分布模板中的岩石样品，作为训练样本；
训练单元，用于根据所述训练样本的激光强度值对最优判别函数进行训练；
分类单元，用于通过训练后的最优判别函数对待测的露头进行分类识别。
10.根据权利要求9所述的岩石的识别分类系统，其特征在于，所述最优判别函数为：
当f(x)＞0时，该露头对应的岩石类型为砂岩；当f(x)＜0时，该露头对应的岩石类型为泥岩；
其中，γ表示选择类别的倒数，xi表示训练样本的激光强度值；x表示待测露头的激光强度值；αi *表示拉格朗日乘子，0＜αi *＜1；yi表示训练样本的类别；b*表示为分类阈值，ωT为ω的转置；sgn表示为返回函数；n表示为训练样本的个数。
CN201510522500.6A 2015-08-24 2015-08-24 一种岩石的识别分类方法及系统 Active CN105139032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510522500.6A CN105139032B (zh) 2015-08-24 2015-08-24 一种岩石的识别分类方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510522500.6A CN105139032B (zh) 2015-08-24 2015-08-24 一种岩石的识别分类方法及系统

Publications (2)

Publication Number Publication Date
CN105139032A CN105139032A (zh) 2015-12-09
CN105139032B true CN105139032B (zh) 2018-11-16

Family

ID=54724375

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510522500.6A Active CN105139032B (zh) 2015-08-24 2015-08-24 一种岩石的识别分类方法及系统

Country Status (1)

Country Link
CN (1) CN105139032B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105572747B (zh) * 2015-12-14 2018-08-14 中国石油大学(华东) 一种识别高盐富钾区注水开发油藏碎屑岩岩性的方法
CN105842168A (zh) * 2016-03-17 2016-08-10 河海大学 一种基于激光扫描技术的围岩分级方法
CN112241028B (zh) * 2019-07-18 2023-11-28 中国石油天然气股份有限公司 基于地面激光扫描的碳酸盐岩白云石含量模拟方法
CN113155684B (zh) * 2020-01-07 2023-04-07 中国石油天然气股份有限公司 碎屑岩露头粒度的分析方法、装置及存储介质

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096944A (zh) * 2010-11-25 2011-06-15 中国水电顾问集团西北勘测设计研究院 地质体结构面三维激光扫描点云识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2901367B1 (en) * 2012-09-27 2020-04-22 Halliburton Energy Services, Inc. Computed tomography (ct) methods analyzing rock property changes resulting from a treatment

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102096944A (zh) * 2010-11-25 2011-06-15 中国水电顾问集团西北勘测设计研究院 地质体结构面三维激光扫描点云识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
"3D terrestrial lidar data classification of complex natural scenes using a multi-scale dimensionality criterion: Applications in geomorphology";N. Brodu .etc;《ISPRS Journal of Photogrammetry and Remote Sensing》;20121231;全文 *
"SVM在文本分类中的应用";叶志刚;《中国优秀博硕士学位论文全文数据库（硕士）》;20061115(第11期);第4节 *
"三维激光扫描系统在岩体结构面识别中的应用";何秉顺，等;《中国水利水电科学研究院学报》;20070331;第5卷(第1期);全文 *
"基于三维激光扫描技术的矿山地形快速测量的关键技术研究";刘昌军，等;《测绘通报》;20121231(第6期);全文 *
"基于激光点云数据的岩体结构面全自动模糊群聚分析及几何信息获取";刘昌军，等;《岩石力学与工程学报》;20110228;第30卷(第2期);全文 *
"激光强度值改正模型与点云分类精度";谭凯，等;《同济大学学报（自然科学版）》;20140131;第42卷(第1期);引言，第1-3部分 *

Also Published As

Publication number Publication date
CN105139032A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
Marques Jr et al. Virtual and digital outcrops in the petroleum industry: A systematic review
Hodgetts Laser scanning and digital outcrop geology in the petroleum industry: A review
Pringle et al. Virtual outcrop models of petroleum reservoir analogues: a review of the current state-of-the-art
US7769546B2 (en) Method for indexing a subsurface volume for the purpose of inferring geologic information
CN105139032B (zh) 一种岩石的识别分类方法及系统
Wilson et al. From outcrop to flow simulation: Constructing discrete fracture models from a LIDAR survey
CN101371165B (zh) 用于地球物理勘测的地形校正方法
CN106896213B (zh) 一种基于点云数据的岩体结构面智能识别与信息提取方法
CN107807387B (zh) 基于神经网络的地震初至波走时获取方法
Slob et al. Fracture mapping using 3D laser scanning techniques
CN101636669B (zh) 地形校正系统
CN101918864A (zh) 地球物理数据处理系统
CN104062653B (zh) 基于三维微地貌重建的雷达遥感多尺度面粗糙度测量方法
Yancho et al. Fine-scale spatial and spectral clustering of UAV-acquired digital aerial photogrammetric (DAP) point clouds for individual tree crown detection and segmentation
WO2014099201A1 (en) Geophysical modeling of subsurface volumes based on horizon extraction
US20220221604A1 (en) Method of analysing seismic data
Toeneboehn et al. Stereovision combined with particle tracking velocimetry reveals advection and uplift within a restraining bend simulating the Denali fault
CN106443791B (zh) 求取倾斜地层或各向异性地层横波剩余静校正量的方法
Cracknell et al. Estimating bedding orientation from high-resolution digital elevation models
US20210080598A1 (en) Method for acquiring a seismic dataset over a region of interest and related system
Sørensen et al. Point clouds from oblique stereo-imagery: Two outcrop case studies across scales and accessibility
Aabø et al. Establishing a high resolution 3D fracture dataset in chalk: possibilities and obstacles working with outcrop data
Mulder Spectroscopy-supported digital soil mapping
Hanzel Lidar-based fracture characterization: An outcrop-scale study of the Woodford Shale, McAlister Shale Pit, Oklahoma
CN115391721B (zh) 基于磁总场垂直梯度的磁矩计算方法、装置及相关设备

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant