CN108364278B - 一种岩心裂缝提取方法和系统 - Google Patents
一种岩心裂缝提取方法和系统 Download PDFInfo
- Publication number
- CN108364278B CN108364278B CN201711394226.4A CN201711394226A CN108364278B CN 108364278 B CN108364278 B CN 108364278B CN 201711394226 A CN201711394226 A CN 201711394226A CN 108364278 B CN108364278 B CN 108364278B
- Authority
- CN
- China
- Prior art keywords
- core
- image
- images
- fracture
- crack
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/02—Prospecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
Abstract
本发明提供一种岩心裂缝提取方法和系统。其中,方法包括:将待提取的岩心图像分割成多个超像素;将每个超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果;根据全部最小外接矩形内的图像的判断结果,获取岩心裂缝。系统包括:图像分割模块,用于将待提取的岩心图像分割成多个超像素;判断模块,用于获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果;提取模块,用于根据全部最小外接矩形内的图像的判断结果,获取岩心裂缝。本发明提供的一种岩心裂缝提取方法和系统,通过将岩心图像分割为超像素,并利用裂缝识别模型提取岩心裂缝,提高了提取岩心裂缝的准确性。
Description
技术领域
本发明涉及地质勘探技术领域,更具体地,涉及一种岩心裂缝提取方法和系统。
背景技术
在石油地质领域,裂缝识别是油藏和储层非均质研究的重要内容,对油气开发和原油采收率的提高具有重要意义。岩石在应力作用下产生机械性破坏,无明显位移的断裂构造叫裂缝。由于有裂缝的存在,并且裂缝发育,连通性好,才能使泥页岩和碳酸盐岩储层成为有价值的储集层、使得致密储层有较好的运移通道。
提取岩心裂缝,可以精确了解岩心裂缝发育程度。主要可应用有两个方面,第一方面是精确判断储层裂缝发育程度,计算裂缝面密度,可以用于标定测井曲线,从而为储层测井裂缝识别提供准确的标签;第二方面是统计储层裂缝发育的开度,为后期裂缝建模提供裂缝开度的分布函数。
储层岩心裂缝描述是目前的一大技术难点,因为直接对岩心裂缝计数,效率较低且不能较全面的了解岩心裂缝信息,如岩心裂缝的两个重要信息(裂缝面密度、开度)。手工提取岩心裂缝相对准确,但效率极低。因为岩心照片中裂缝灰度值有的高、有的低,受拍摄光线、尘土、划痕、油气浸染等多种因素印象,而且常有油漆标注等人为增加的干扰因素,所以利用常规图像处理技术(边缘检测、阈值分割等)提取裂缝、计算面密度和开度的效果较差,难以满足实际生产要求。
发明内容
为克服现有技术存在的提取岩心裂缝准确性不高的不足,本发明提供一种岩心裂缝提取方法和系统。
根据本发明的一个方面,提供一种岩心裂缝提取方法,包括:
S1、将待提取的岩心图像分割成多个超像素;
S2、将每个所述超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果;
S3、根据全部最小外接矩形内的图像的判断结果,获取所述待提取的岩心图像中的岩心裂缝。
优选地,所述裂缝识别模型通过以下步骤获取:
利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集;
将所述训练样本集中的岩心图像进行分组,将所述训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整所述卷积神经网络模型中神经元的权值,直至所述训练结果的误差小于预设值,获得所述裂缝识别模型。
优选地,所述利用已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集的步骤具体包括:
根据是否包含岩心裂缝,将所述岩心图像标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像;
将全部标记后的岩心图像调整为相同尺寸,获得所述训练样本集。
优选地,其特征在于,所述岩心图像包括CIFAR-10数据集中的岩心图像、CIFAR-100数据集中的岩心图像或已采集的岩心图像。
优选地,所述步骤S2进一步包括:
S21、将每个所述超像素的最小外接矩形内的图像的尺寸调整为与所述训练样本集中的岩心图像的尺寸相同;
S22、将尺寸调整后的所述最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果。
优选地,所述卷积神经网络模型包括依次连接的6层卷积结构和3个全连接层;
每层所述卷积结构包括依次连接的卷积层、激活函数和池化层;
相邻2个所述全连接层之间为激活函数;
所述激活函数为ReLU函数。
优选地,所述步骤S3进一步包括:
当所述最小外接矩形内的图像被判断为不包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为白色;当所述最小外接矩形内的图像被判断为包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为黑色;将所述待提取的岩心图像中的黑色部分作为所述岩心裂缝。
根据本发明的另一个方面,提供一种岩心裂缝提取系统,包括:
图像分割模块,用于将待提取的岩心图像分割成多个超像素;
判断模块,用于将每个所述超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果;
提取模块,用于根据全部最小外接矩形内的图像的判断结果,获取所述待提取的岩心图像中的岩心裂缝。
优选地,岩心裂缝提取系统还包括:
模型训练模块,用于利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集,将所述训练样本集中的岩心图像进行分组,将所述训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整所述卷积神经网络模型中神经元的权值,直至所述训练结果的误差小于预设值,获得所述裂缝识别模型。
优选地,所述判断模块包括:
预处理子模块,用于将每个所述超像素的最小外接矩形内的图像的尺寸调整为与训练样本集中的岩心图像的尺寸相同;
判断子模块,将尺寸调整后的所述最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果。
本发明提供的一种岩心裂缝提取方法和系统,通过将岩心图像分割为超像素,并利用裂缝识别模型提取岩心裂缝,提取的岩心裂缝与实际的岩心裂缝最为接近,提高了提取岩心裂缝的准确性,获得了较好的岩心裂缝提取效果。
附图说明
图1为本发明实施例一种岩心裂缝提取方法的流程图;
图2为本发明实施例一种岩心裂缝提取方法的效果示意图;
图3本发明实施例一种岩心裂缝提取系统的示意图;
图4本发明实施例一种岩心裂缝提取系统中判断模块的示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明实施例一种岩心裂缝提取方法的流程图。如图1所示,一种岩心裂缝提取方法包括:步骤S1、将待提取的岩心图像分割成多个超像素;步骤S2、将每个超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果;步骤S3、根据全部最小外接矩形内的图像的判断结果,获取待提取的岩心图像中的岩心裂缝。
具体地,岩心图像中可能包含多个岩心裂缝,上述多个岩心裂缝位于岩心图像中的不同区域。因此,要提取岩心图像中的全部岩心裂缝,需要将岩心图像进行划分成多个区域,对每个区域中的岩心裂缝进行提取,以获得岩心图像中的全部岩心裂缝。
步骤S1、在提取岩心图像中的岩心裂缝之前,将待提取的岩心图像分割成多个超像素。
超像素(Superpixel),是指由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的图像块。超像素大多保留了进一步进行图像分割的有效信息,且一般不会破坏图像中物体的边界信息。超像素利用像素之间特征的相似程度将相似进行分组,可以获取图像的冗余信息,在很大程度上降低了后续图像处理任务的复杂度。
岩心图像中的同一岩心裂缝,相邻像素的特征具有较大相似性,可以被分割到相同的超像素中。
超像素分割方法可分为两大类:基于图论的方法和基于梯度下降的方法。常见的基于图论的方法包括:Gragh-Based方法、归一化分割方法、基于超像素网格方法和基于熵率的方法等。常见的基于梯度下降的方法包括:分水岭方法、基于Mean Shift聚类的方法、Turbopixels方法、简单线性迭代聚类(simple linear iterative clustering,简称SLIC)方法等。
下面以简单线性迭代聚类方法为例,说明将岩心图像分割成多个超像素的过程。
首先,将岩心图像中每个像素点的RGB值(r,g,b)转化为CIELAB颜色空间中的(L*,a*,b*)。
转化的公式如下:
其中,XN、YN和ZN一般取1,
将岩心图像中每个像素点的RGB值(r,g,b)转化为CIELAB颜色空间中的(L*,a*,b*)后,确定聚类中心。
首先根据每个像素点的对应5个属性值(L*,a*,b*,x,y)和超像素的个数K,确定初步确定的聚类中心。按照设定的超像素个数K,在图像内均匀的分配聚类中心。假设图像总共有N个像素点,预分割为K个相同尺寸的超像素,那么每个超像素的尺寸为N/K,则相邻聚类中心的距离近似为
优选的,每个超像素的尺寸为8~40。
在初步确定的聚类中心的n*n邻域内重新选择聚类中心(一般取n=3)。具体方法为:计算该邻域内所有像素点的梯度值,将聚类中心移到该邻域内梯度最小的像素处。这样做的目的是为了避免种子点落在梯度较大的轮廓边界上,以免影响后续聚类效果。将重新选择的聚类中心作为确定的聚类中心。
在每个聚类中心周围的邻域内为每个像素点分配聚类标签(即属于哪个聚类中心)。每个聚类中心的搜索范围限制为2S*2S,可以加速算法收敛。
在搜索时,计算每个聚类中心覆盖范围内像素点的属性与聚类中心的距离D。当D小于上一次迭代的距离时,将该像素点的聚类标签更新为该聚类中心的聚类标签。
其中,dC代表颜色距离,dS代表空间距离,NC代表聚类内最大的颜色距离,NS代表聚类内最大空间距离。
NC既随图片不同而不同,也随聚类不同而不同,一般取固定常数m。m取值范围[1,40],一般取10。
进行迭代,重复搜索每个聚类中心周围的邻域,计算邻域内的像素点的属性与聚类中心的距离D,根据D的取值更新像素点的聚类标签。重复直到误差小于预定值或重复次数达到预定值。实践发现10次迭代对绝大部分图像都可以得到较理想效果,所以一般迭代次数取10。
经过上述迭代优化可能出现以下瑕疵:出现多连通情况、超像素尺寸过小,单个超像素被切割成多个不连续超像素等,这些情况可以通过增强连通性解决。主要思路是:新建一张标记表,表内元素均为-1,按照Z型走向(从左到右,从上到下顺序)将不连续的超像素、尺寸过小超像素重新分配给邻近的超像素,遍历过的像素点分配给相应的标签,直到所有像素点遍历完毕为止。
步骤S2中,由于超像素分割并不是将图像跟个成规则的方形或矩形子区域,图像分割成的超像素的形状是不规则的,而每个超像素的外接矩形是规则的,将每个超像素的外接矩形内的图像输入预先获得的裂缝识别模型,对每个最小外接矩形内的图像中的岩心裂缝进行识别,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果。
目前,多采用机器学习(Machine Learning,简称ML)的方式预先获得裂缝识别模型。
机器学习是实现人工智能的一种方法。机器学习最基本的做法,是使用算法来解析数据、从中学习,然后对真实世界中的事件做出决策和预测。
深度学习(Deep Learning)是实现机器学习的一种技术。深度学习是机器学习中一种基于对数据进行表征学习的方法。
步骤S3、对每个超像素的外接矩形内的图像是否包含岩心裂缝进行判断后,根据全部判断结果,可以获取待提取的岩心图像中的全部岩心裂缝,从而提取岩心图像中的岩心裂缝。
本发明实施例通过将岩心图像分割为超像素,并利用裂缝识别模型提取岩心裂缝,提取的岩心裂缝与实际的岩心裂缝最为接近,提取岩心裂缝的效果明显优于现有技术,提取岩心裂缝的准确性明显高于现有技术。进一步地,通过将岩心图像分割为超像素,使对大量像素的识别转化为对较少的超像素的识别,提高了岩心裂缝提取的效率和速度。
基于上述实施例,裂缝识别模型通过以下步骤获取:利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集;将训练样本集中的岩心图像进行分组,将训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整卷积神经网络模型中神经元的权值,直至训练结果的误差小于预设值,获得裂缝识别模型。
可以采用深度学习的方法获取裂缝识别模型,但不限于此。本发明实施例基于卷积神经网络获取裂缝识别模型。
深度学习的概念源于人工神经网络的研究。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现数据的分布式特征表示。
卷积神经网络(Convolutional neural networks,简称CNN)是一种常用的人工神经网络。卷积神经网络网络避免了对图像的复杂前期预处理,可以直接输入原始图像,得到了非常广泛的应用。
训练开始前,首先构建训练样本集,用于训练卷积神经网络,以获得裂缝识别模型。
训练样本集中的岩心图像包含了岩心裂缝和非岩心裂缝。
可以利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像来构建训练样本集。
构建训练样本集后,利用训练样本集,对卷积神经网络模型进行训练,获取裂缝识别模型。具体步骤如下:
先将训练样本集中的岩心图像分成多组,每组包括的岩心图像的数量相同;
对于训练样本集中的任意一组岩心图像,将该组中的岩心图像分别输入卷积神经网络模型进行训练;若训练结果的误差小于预设值,将此时的卷积神经网络模型作为裂缝识别模型;若训练结果的误差大于预设值,根据该组岩心图像的训练结果调整卷积神经网络模型中神经元的权值,将下一组训练样本集中的岩心图像分别输入根据上一组岩心图像的训练结果调整神经元的权值后的卷积神经网络模型,直至训练结果的误差小于预设值,将此时的卷积神经网络模型作为裂缝识别模型。
本发明实施例利用卷积神经网络获取裂缝识别模型,使得模型的训练过程简单、快速,通过将训练样本集分组输入后调整神经元的取值,提高了模型训练的效率,从而提高了岩心裂缝提取的效率和速度。
基于上述实施例,利用已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集的步骤具体包括:根据是否包含岩心裂缝,将岩心图像标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像;将全部标记后的岩心图像调整为相同尺寸,获得训练样本集。
具体地,将已有的一定数量的岩心图像根据是否包含岩心裂缝进行标记。将包含岩心裂缝的岩心图像标记为包含岩心裂缝的岩心图像,将不包含岩心裂缝的岩心图像标记为不包含岩心裂缝的岩心图像。
将一定数量的岩心图像标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像后,将标记后的岩心图像调整为相同尺寸,例如64*64,但不限于此。
将调整为相同尺寸的标记后的一定数量的岩心图像,作为训练样本集。
本发明实施例通过标记岩心图像和调整图像尺寸,从而得到图像尺寸相同的训练样本集,提高了模型训练的效率,从而提高了岩心裂缝提取的效率和速度。
基于上述实施例,岩心图像包括CIFAR-10数据集中的岩心图像、CIFAR-100数据集的岩心图像或已采集的岩心图像。
具体地,用于构建训练样本集的岩心图像包括CIFAR-10数据集中的岩心图像、CIFAR-100数据集中的岩心图像或已采集的岩心图像。
可以利用CIFAR-10数据集构建训练样本集。Cifar-10由60000张32*32的RGB彩色图像构成,最多支持10个分类。60000张彩色图像由50000张训练图像和10000张测试图像构成。
在利用CIFAR-10数据集构建训练样本集时,将可以将50000张训练图像,根据是否包含岩心裂缝,标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像。
由于CIFAR-10数据集中的图像均为32*32,可以不再调整尺寸,也可以统一调整为其他尺寸。
CIFAR-100数据集是CIFAR-10数据集的姊妹集,区别在于最多支持20个大类,每个大类分别包含5个小类,即CIFAR-100数据集最多支持100个分类。
还可以将一定数量已采集的岩心图像,根据是否包含岩心裂缝,通过人工标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像,然后再调整为相同尺寸,构建成训练样本集。
本发明实施例通过现有的数据集和岩心图片进行标记,构建训练样本集,提高了模型训练的效率,从而提高了岩心裂缝提取的效率和速度。
基于上述实施例,步骤S2进一步包括:S21、将每个超像素的最小外接矩形内的图像的尺寸调整为与训练样本集中的岩心图像的尺寸相同;S22、将尺寸调整后的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果。
具体地,步骤S1,由于训练样本集中的岩心图像尺寸均相同,且裂缝识别模型是基于训练样本集进行训练获得的,因此,在将待提取的岩心图像分割成的超像素的最小外接矩形内的图像输入裂缝识别模型之前,将每个超像素的最小外接矩形内的图像通过拉伸或压缩,使其尺寸调整为与训练样本集中的岩心图像的尺寸相同。例如,训练样本集中的岩心图像尺寸为32*32时,将待提取的岩心图像分割成的超像素的最小外接矩形内的图像的尺寸通过拉伸或压缩,调整为32*32。
步骤S2,将待提取的岩心图像分割成的超像素的最小外接矩形内的图像的尺寸调整为与训练样本集中的岩心图像的尺寸相同后,输入预先获得的裂缝识别模型,通过裂缝识别模型的输出获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果。
当裂缝识别模型的输出大于判断阈值时,说明该超像素的最小外接矩形内的图像包含了岩心裂缝,即该超像素包含了岩心裂缝;
当裂缝识别模型的输出小于判断阈值时,说明该超像素的最小外接矩形内的图像包含了岩心裂缝,即该超像素不包含岩心裂缝。
本发明实施例通过裂缝识别模型提取岩心裂缝,提取的岩心裂缝与实际的岩心裂缝最为接近,提取岩心裂缝的效果明显优于现有技术,提取岩心裂缝的准确性明显高于现有技术。进一步地,将待提取的岩心图像调整为与训练样本集中的图像尺寸相同,提高了岩心裂缝提取的效率和准确率。
基于上述实施例,作为一种优选实施例,卷积神经网络模型包括依次连接的5层卷积结构和3个全连接层;每层卷积结构包括依次连接的卷积层、激活函数和池化层;相邻2个全连接层之间为激活函数;激活函数为ReLU函数。
在构建训练集之后,为了获取较好的训练效果,可以设计卷积神经网络的网络结构,获得训练前的卷积神经网络模型。
优选地,一种卷积神经网络模型为依次连接的6层卷积结构和3个全连接层。
每层卷积结构包括依次连接的卷积层、激活函数和池化层。
卷积层可以设定滤波器的尺寸和数量。卷积层可以设定滤波器的尺寸和数量。一种优选的方案是,从前到后的6个卷积层,每个卷积层中滤波器的尺寸分别为11*11、5*5、3*3、3*3、3*3、3*3。
池化层通常使用最大池化或平均池化,可以实现降维,从而减少运算量。
每个全连接层均为1行n列的向量。相邻2个全连接层之间为激活函数。
在神经网络中,激活函数的作用是能够给神经网络加入一些非线性因素,使得神经网络可以更好地解决较为复杂的问题。
常用的激活函数包括:Sigmoid函数、tanh函数、ReLU函数、ELU函数、Softplus函数和Softsign函数。
优选地,本发明实施例中的激活函数为ReLU函数。ReLU函数的表达式如下:
ReLU函数可以滤掉卷积后小于0的数。
本发明实施例通过设计卷积神经网络,训练卷积神经网络获取裂缝识别模型,使得模型的训练过程简单、快速,通过将训练样本集分组输入后调整神经元的取值,提高了模型训练的效率,从而提高了岩心裂缝提取的效率和速度。
基于上述实施例,作为一种优选实施例,步骤S3进一步包括:当最小外接矩形内的图像被判断为非岩心裂缝时,将最小外接矩形对应的超像素标记为白色;当最小外接矩形内的图像被判断为岩心裂缝时,将最小外接矩形对应的超像素标记为黑色;将待提取的岩心图像中的黑色部分作为岩心裂缝。
具体地,根据全部最小外接矩形内的图像的判断结果,将待提取的岩心图像二值化,转化为黑白图像。
当最小外接矩形内的图像被判断为非岩心裂缝时,将最小外接矩形对应的超像素标记为白色,即将该超像素转化为白色;当最小外接矩形内的图像被判断为岩心裂缝时,将最小外接矩形对应的超像素标记为黑色,即将该超像素转化为黑色。
通过上述过程,待提取的岩心图像被转化为黑白图像,黑白图像中的黑色部分即为岩心裂缝。
本发明实施例通过将岩心裂缝和非岩心裂缝标记为不同的颜色,使提取的岩心裂缝更加直观,便于进行后续的计算等处理。
下面通过一个实例说明本发明提供的岩心裂缝提取方法的效果。
将本发明提供的方法与现有技术中常用的自动阈值分割法和基于Canny算子的边缘检测算法的效果进行对比。
图2为本发明实施例一种岩心裂缝提取方法的效果示意图。图2a为待提取的岩心图像,图2b为实际的岩心裂缝,图2c为采用自动阈值分割法提取的岩心裂缝,图2d为采用基于Canny算子的边缘检测算法提取的岩心裂缝,图2e为采用本发明提供的方法提取的岩心裂缝。图2b、图2c、图2d和图2e中的黑色部分表示岩心裂缝。如图2所示,通过图2b、图2c、图2d和图2e的对比可知,本发明提供的方法提取的岩心裂缝与实际的岩心裂缝最为接近,提取岩心裂缝的效果明显优于现有技术,提取岩心裂缝的准确性明显高于现有技术。
图3本发明实施例一种岩心裂缝提取系统的示意图。基于上述实施例,如图3所示,一种岩心裂缝提取系统包括:图像分割模块31,用于将待提取的岩心图像分割成多个超像素;判断模块32,用于将每个超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果;提取模块33,用于根据全部最小外接矩形内的图像的判断结果,获取待提取的岩心图像中的岩心裂缝。
具体地,图像分割模块31与判断模块32连接,提取模块33与判断模块32连接。
本系统用于执行本发明提供的岩心裂缝提取方法,系统包括的各模块实现相应功能的具体方法和流程详见上述岩心裂缝提取方法的实施例,此处不再赘述。
本发明实施例通过将岩心图像分割为超像素,并利用裂缝识别模型提取岩心裂缝,提取的岩心裂缝与实际的岩心裂缝最为接近,提取岩心裂缝的效果明显优于现有技术,提取岩心裂缝的准确性明显高于现有技术。进一步地,通过将岩心图像分割为超像素,使对大量像素的识别转化为对较少的超像素的识别,提高了岩心裂缝提取的效率和速度。
基于上述实施例,一种岩心裂缝提取系统还包括:模型训练模块,用于利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集,将训练样本集中的岩心图像进行分组,将训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整卷积神经网络模型中神经元的权值,直至训练结果的误差小于预设值,获得裂缝识别模型。
具体地,模型训练模块与判断模块连接。
本系统用于执行本发明提供的岩心裂缝提取方法,系统包括的模型训练模块实现相应功能的具体方法和流程详见上述岩心裂缝提取方法的实施例,此处不再赘述。
本发明实施例利用卷积神经网络获取裂缝识别模型,使得模型的训练过程简单、快速,通过将训练样本集分组输入后调整神经元的取值,提高了模型训练的效率,从而提高了岩心裂缝提取的效率和速度。
图4本发明实施例一种岩心裂缝提取系统中判断模块的示意图。基于上述实施例,如图4所示,判断模块包括:预处理子模块321,用于将每个超像素的最小外接矩形内的图像的尺寸调整为与训练样本集中的岩心图像的尺寸相同;判断子模块322,将尺寸调整后的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个最小外接矩形内的图像是否包含岩心裂缝的判断结果。
具体地,预处理子模块321与判断子模块322连接。
本系统用于执行本发明提供的岩心裂缝提取方法,判断模块包括的各子模块实现相应功能的具体方法和流程详见上述岩心裂缝提取方法的实施例,此处不再赘述。
本发明实施例通过裂缝识别模型提取岩心裂缝,提取的岩心裂缝与实际的岩心裂缝最为接近,提取岩心裂缝的效果明显优于现有技术,提取岩心裂缝的准确性明显高于现有技术。进一步地,将待提取的岩心图像调整为与训练样本集中的图像尺寸相同,提高了岩心裂缝提取的效率和准确率。
本发明另一实施例公开一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各方法实施例所提供的方法,例如包括:岩心裂缝提取方法、岩心图像的分割方法、岩心裂缝的判断方法和裂缝识别模型的获取方法。
本发明另一实施例提供一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令使所述计算机执行上述各方法实施例所提供的方法,例如包括:岩心裂缝提取方法、岩心图像的分割方法、岩心裂缝的判断方法和裂缝识别模型的获取方法。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后,本申请的方法仅为较佳的实施方案,并非用于限定本发明的保护范围。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 (9)
1.一种岩心裂缝提取方法,其特征在于,包括:
S1、将待提取的岩心图像分割成多个超像素;
S2、将每个所述超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果;
S3、根据全部最小外接矩形内的图像的判断结果,获取所述待提取的岩心图像中的岩心裂缝;
所述步骤S1具体包括:
将所述待提取的岩心图像转化至CIELAB颜色空间中;
根据简单线性迭代聚类方法,对CIELAB颜色空间中的所述待提取的岩心图像进行分割,按照Z型走向遍历分割获得的各超像素,将分割获得的不连续的超像素和尺寸小于预设的阈值的超像素重新分配给邻近的超像素,将待提取的岩心图像分割成多个超像素;
所述步骤S3进一步包括:
当所述最小外接矩形内的图像被判断为不包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为白色;当所述最小外接矩形内的图像被判断为包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为黑色;将所述待提取的岩心图像中的黑色部分作为所述岩心裂缝。
2.根据权利要求1所述的岩心裂缝提取方法,其特征在于,所述裂缝识别模型通过以下步骤获取:
利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集;
将所述训练样本集中的岩心图像进行分组,将所述训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整所述卷积神经网络模型中神经元的权值,直至所述训练结果的误差小于预设值,获得所述裂缝识别模型。
3.根据权利要求2所述的岩心裂缝提取方法,其特征在于,所述利用已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集的步骤具体包括:
根据是否包含岩心裂缝,将所述岩心图像标记为包含岩心裂缝的岩心图像或不包含岩心裂缝的岩心图像;
将全部标记后的岩心图像调整为相同尺寸,获得所述训练样本集。
4.根据权利要求3所述的岩心裂缝提取方法,其特征在于,所述岩心图像包括CIFAR-10数据集中的岩心图像、CIFAR-100数据集中的岩心图像或已采集的岩心图像。
5.根据权利要求2所述的岩心裂缝提取方法,其特征在于,所述步骤S2进一步包括:
S21、将每个所述超像素的最小外接矩形内的图像的尺寸调整为与所述训练样本集中的岩心图像的尺寸相同;
S22、将尺寸调整后的所述最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果。
6.根据权利要求2所述的岩心裂缝提取方法,其特征在于,所述卷积神经网络模型包括依次连接的6层卷积结构和3个全连接层;
每层所述卷积结构包括依次连接的卷积层、激活函数和池化层;
相邻2个所述全连接层之间为激活函数;
所述激活函数为ReLU函数。
7.一种岩心裂缝提取系统,其特征在于,包括:
图像分割模块,用于将待提取的岩心图像分割成多个超像素;
判断模块,用于将每个所述超像素的最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果;
提取模块,用于根据全部最小外接矩形内的图像的判断结果,获取所述待提取的岩心图像中的岩心裂缝;
所述图像分割模块具体用于将所述待提取的岩心图像转化至CIELAB颜色空间中;根据简单线性迭代聚类方法,对CIELAB颜色空间中的所述待提取的岩心图像进行分割,按照Z型走向遍历分割获得的各超像素,将分割获得的不连续的超像素和尺寸小于预设的阈值的超像素重新分配给邻近的超像素,将待提取的岩心图像分割成多个超像素;
所述提取模块具体用于当所述最小外接矩形内的图像被判断为不包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为白色;当所述最小外接矩形内的图像被判断为包含岩心裂缝时,将所述最小外接矩形对应的超像素标记为黑色;将所述待提取的岩心图像中的黑色部分作为所述岩心裂缝。
8.根据权利要求7所述的岩心裂缝提取系统,其特征在于,还包括:
模型训练模块,用于利用一定数量的已标记包含岩心裂缝和不包含岩心裂缝的岩心图像,构建训练样本集,将所述训练样本集中的岩心图像进行分组,将所述训练样本集中的每组岩心图像分别输入卷积神经网络模型进行训练,根据每组岩心图像的训练结果调整所述卷积神经网络模型中神经元的权值,直至所述训练结果的误差小于预设值,获得所述裂缝识别模型。
9.根据权利要求8所述的岩心裂缝提取系统,其特征在于,所述判断模块包括:
预处理子模块,用于将每个所述超像素的最小外接矩形内的图像的尺寸调整为与训练样本集中的岩心图像的尺寸相同;
判断子模块,将尺寸调整后的所述最小外接矩形内的图像输入到预先获得的裂缝识别模型,获取每个所述最小外接矩形内的图像是否包含岩心裂缝的判断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394226.4A CN108364278B (zh) | 2017-12-21 | 2017-12-21 | 一种岩心裂缝提取方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711394226.4A CN108364278B (zh) | 2017-12-21 | 2017-12-21 | 一种岩心裂缝提取方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108364278A CN108364278A (zh) | 2018-08-03 |
CN108364278B true CN108364278B (zh) | 2020-08-11 |
Family
ID=63010493
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711394226.4A Active CN108364278B (zh) | 2017-12-21 | 2017-12-21 | 一种岩心裂缝提取方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108364278B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109389128B (zh) * | 2018-08-24 | 2021-08-27 | 中国石油天然气股份有限公司 | 电成像测井图像特征自动提取方法及装置 |
CN109859224B (zh) * | 2019-01-31 | 2023-01-24 | 东北大学 | 一种传送带矿岩颗粒图像分割方法 |
CN111986176B (zh) * | 2020-08-20 | 2021-06-15 | 国网湖南省电力有限公司 | 一种裂纹图像识别方法、系统、终端及可读存储介质 |
CN112819077B (zh) * | 2021-02-02 | 2023-04-07 | 河南大学 | 基于新型激活函数的高光谱图像分类方法 |
CN112991370B (zh) * | 2021-04-08 | 2022-11-25 | 重庆大学 | 一种岩心ct裂纹识别与分割方法 |
CN113077461A (zh) * | 2021-04-29 | 2021-07-06 | 同济大学 | 一种基于半监督深度聚类的钢材表面质量检测方法 |
CN113222923B (zh) * | 2021-04-30 | 2021-11-12 | 广东石油化工学院 | 一种基于岩心照片识别裂缝类型的方法 |
CN113313131B (zh) * | 2021-07-29 | 2021-09-21 | 四川省冶勘设计集团有限公司 | 基于图像处理的数字化岩芯辨识方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
-
2017
- 2017-12-21 CN CN201711394226.4A patent/CN108364278B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105426857A (zh) * | 2015-11-25 | 2016-03-23 | 小米科技有限责任公司 | 人脸识别模型训练方法和装置 |
CN107133630A (zh) * | 2016-02-29 | 2017-09-05 | 中国石油化工股份有限公司 | 一种基于扫描图像判断碳酸盐岩孔隙类型的方法 |
CN107316064A (zh) * | 2017-06-26 | 2017-11-03 | 长安大学 | 一种基于卷积神经网络的沥青路面裂缝分类识别方法 |
CN107480611A (zh) * | 2017-07-31 | 2017-12-15 | 浙江大学 | 一种基于深度学习卷积神经网络的裂缝识别方法 |
Non-Patent Citations (2)
Title |
---|
"A Method of Crack Detection Based on Convolutional Neural Networks";Shengyuan Li;《Structural Heath Monitoring 2017》;20170930;第1-4页 * |
Shengyuan Li."A Method of Crack Detection Based on Convolutional Neural Networks".《Structural Heath Monitoring 2017》.2017, * |
Also Published As
Publication number | Publication date |
---|---|
CN108364278A (zh) | 2018-08-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108364278B (zh) | 一种岩心裂缝提取方法和系统 | |
CN109859171B (zh) | 一种基于计算机视觉和深度学习的楼面缺陷自动检测方法 | |
CN107392925B (zh) | 基于超像素编码和卷积神经网络的遥感影像地物分类方法 | |
US20190228268A1 (en) | Method and system for cell image segmentation using multi-stage convolutional neural networks | |
Paris et al. | A topological approach to hierarchical segmentation using mean shift | |
CN108537239B (zh) | 一种图像显著性目标检测的方法 | |
Almogdady et al. | A flower recognition system based on image processing and neural networks | |
CN109740603A (zh) | 基于cnn卷积神经网络下的车辆字符识别方法 | |
CN109766898A (zh) | 图像文字识别方法、装置、计算机设备及存储介质 | |
CN106096655B (zh) | 一种基于卷积神经网络的光学遥感图像飞机检测方法 | |
CN108734719A (zh) | 一种基于全卷积神经网络的鳞翅目昆虫图像前背景自动分割方法 | |
CN111259828A (zh) | 基于高分辨率遥感图像多特征的识别方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN109886159B (zh) | 一种非限定条件下的人脸检测方法 | |
CN109685045A (zh) | 一种运动目标视频跟踪方法及系统 | |
CN108154158B (zh) | 一种面向增强现实应用的建筑物图像分割方法 | |
CN109543585A (zh) | 基于卷积神经网络的水下光学目标检测与识别方法 | |
CN111178177A (zh) | 一种基于卷积神经网络的黄瓜病害识别方法 | |
CN111127360A (zh) | 一种基于自动编码器的灰度图像迁移学习方法 | |
CN111353396A (zh) | 一种基于SCSEOCUnet的混凝土裂缝分割方法 | |
CN113327255A (zh) | 基于YOLOv3检测定位裁剪及fine-tune的输电线路巡检图像处理方法 | |
CN109872331A (zh) | 一种基于深度学习的遥感图像数据自动识别分类方法 | |
CN111160389A (zh) | 一种基于融合vgg的岩性识别方法 | |
CN107967481A (zh) | 一种基于局部性约束和显著性的图像分类方法 | |
CN113077438B (zh) | 针对多细胞核彩色图像的细胞核区域提取方法及成像方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |