CN108665546A - 一种结合深度学习的多点地质统计三维建模方法 - Google Patents
一种结合深度学习的多点地质统计三维建模方法 Download PDFInfo
- Publication number
- CN108665546A CN108665546A CN201810471759.6A CN201810471759A CN108665546A CN 108665546 A CN108665546 A CN 108665546A CN 201810471759 A CN201810471759 A CN 201810471759A CN 108665546 A CN108665546 A CN 108665546A
- Authority
- CN
- China
- Prior art keywords
- multiple spot
- reconstruction
- sample graph
- image
- deep learning
- 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.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/05—Geographic models
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Software Systems (AREA)
- Remote Sensing (AREA)
- Computer Graphics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种结合深度学习的多点地质统计三维建模方法。该方法针对传统多点地质统计算法的匹配过程耗时的问题,提出了结合深度学习的方法来进行重建加速。利用逐层重建的方法,将三维重建转化为二维的重建。设计了深度神经网络来学习采样图到孔隙图的映射关系,并将这种关系用于采样图的重建。本发明的主要创新包括:提出了用深度学习来加速多点地质统计方法的匹配过程的思路以及基于此思路的多点地质统计的三维建模算法。制作了用于本方法的数据集,采用视觉效果和统计函数定量比较的方式来衡量网络的性能。相比于传统多点地质统计方法非常耗时的逐点模拟的方式,本发明在保证精度的前提下,速度上有大幅度提升,具有较好的应用价值。
Description
技术领域
本发明涉及一种基于二维图像的多孔介质三维建模方法,尤其涉及一种结合深度学习的多点地质统计的多孔介质建模方法,属于图像处理技术领域。
背景技术
多孔介质如岩心、合金、陶瓷等在自然界和人造环境中广泛存在,并在实际工程应用中发挥着重要的作用。在实际应用中,人们需要对它们的宏观性质有准确的理解和认知,而宏观性质又有其微观结构直接决定,因此研究它们的微观结构至关重要。
以岩心为例,获取岩心的微观结构图像有两种主要的方式。一是利用三维成像技术,如计算机断层扫描computed tomography(CT),聚焦离子束扫描电镜(focused ionbeam scanning electron microscope,FIB-SEM),磁共振成像(magnetic resonanceimaging,MRI)等进行成像,直接获取岩心的三维图像。而是利用光学显微镜等成像设备获取二维图像,通过三维建模算法进行三维重建,来间接地获取三维图像。由于三维成像技术多存在成像成本高、操作较为复杂、扫描分辨率与样本尺寸的矛盾等原因,因此基于二维图像的三维重建的方法越来越重要。
现有的基于二维图像的多孔介质三维建模方法主要有两大类:1、模拟退火算法(SA)。2、多点地质统计算法(MPS)。模拟退火算法是将重建问题转为优化问题,通过一定的条件对问题进行约束,利用模拟退火优化算法对其进行迭代求解。该算法灵活性高、稳定性好,但是重建结果的好坏依赖于约束条件(统计函数)的选取,而要获取高阶、有效的统计函数对于函数的设计和选取等均是一个很大的挑战,这在实际中往往是很难的。MPS方法利用多点构成的模式来刻画二维图像中的信息,将训练图像(TI)中的模式信息提取后,在重建时将其复现到三维空间中以完成三维结构的重建。而在其中,基于逐层重建的MPS方法由于其计算量小、内存需求小等特点,被研究者们广泛使用。然而,MPS的匹配过程需要不断地检索训练图像的模式,这一过程非常耗时,占据了整个重建过程的绝大部分的时间。目前虽然有基于GPU加速的方法,但是加速效果并不是很明显,本质上还是采用的逐点模拟的机制。因此,急需要提出快速的匹配方法以加速整个重建过程。
发明内容
本发明的目的就在于为了解决上述问题而提供一种快速的基于深度学习的MPS重建方法。
本发明通过以下技术方案来实现上述目的:
一种快速的基于深度学习的MPS重建方法,包括以下步骤:
(1)制作用于深度神经网络训练和测试的数据集。
(2)深度神经网络的训练和测试,以达到能从采样图成功地重建出孔隙图的效果。
(3)将训练图像TI作为待重建图像的第一层,利用三步采样算法(TSS)对其进行采样,得到采样图SI。
(4)将采样图SI送入已训练好的网络里面,进行输出,得到孔隙图PI。
(5)将TI和已重建的孔隙图PI作为整个已重建的三维结构,利用三步采样中的三个采样步骤和相关函数等的控制,计算得到新的采样图。
(6)重复(4)、(5)步骤,直到完成整个重建过程。
上述方法的基本原理如下:
MPS重建方法的本质是利用已知点(硬数据)的信息来推测未知点(带模拟点)的信息,匹配过程中涉及成千上万次的迭代和模拟,这一过程非常耗时。而基于逐层重建的MPS算法除了有匹配过程之外,还有一个很重要的步骤,即采样过程。重建中,这两个过程交替进行。具体来说,匹配过程是将采样过程得到的采样图恢复成孔隙图,而采样过程又以已重建的结构作为约束,根据采样规则进行采样得到采样图。在整个过程中,匹配过程占据了绝大部分的时间,因此要对整个重建过程进行速度提升,首先需要解决的就是加速匹配过程。匹配过程中一种经典的做法是遍历每一个待模拟点,根据一定大小的模板获取每个点对应的多点模式,然后去训练图像的模式信息中搜索与其最接近的模式,然后将中心点直接赋值给待模拟点。这种逐点模拟的机制造成了MPS算法的速度难以提升,因此需要考虑从模拟点的机制入手。近年来,深度学习在计算机视觉、语音识别、自然语言处理等领域的大放异彩,主要原因在于它相对传统方法,在很多应用方面的性能有显著提升。因此,在三维重建中,需要考虑结合深度学习的方法来加速匹配过程,从而加速整个重建过程。具体来说,首先训练深度神经网络来学习采样图到孔隙度的映射关系,即让网络的性能和MPS一致。在重建时,给定一幅输入的采样图,利用训练好的网络,可以直接得到对应的孔隙度。这一过程可以瞬间完成,从而替代了传统MPS逐点模拟的方法,进而加速了整个重建过程。
具体地,所述步骤(1)中,共制作了1500个图像对,每一个图像对由一幅采样图和一幅对应的孔隙度组成。
所述步骤(2)中,采用conditional generative adversarial networks(CGAN)网络进行模型的训练和测试。其中,随机选取1000个图像对作为训练集(training set),剩下的500个作为测试集(testing set)。
所述步骤(3)中,将训练图像TI作为待重建图像的第一层,利用三步采样算法(TSS)对其进行采样,得到采样图SI。采样过程如下:首先用5×5的模板遍历图像,找到满足该模板内全部点均为白点或黑点的中心点,即为第一步的采样点,并标记已问的区域;然后用3×3模板遍历图像,同样的方法找到满足条件的中心点,即为第二步的采样点,并标记已访问的区域;其次用边界采样,即对大小小于3×3的点进行采样,得到第三步的采样点;最后,融合这三个步骤所有的采样点,即得到最终的采样图,作为待重建的图。
所述步骤(4)中,将采样图SI送入已训练好的网络里面,进行输出,得到孔隙图PI。在这一步骤,就是给定输入,进行神经网路的前向传播,通过浮点运算即可瞬间得到输出图像。
所述步骤(5)中,将TI和已重建的孔隙图PI作为整个已重建的三维结构,利用三步采样的准则得到新的采样图。三步采样的前两个步骤分别用5×5和3×3的模板对训练图像(当前最上面一层图像)进行采样,并标记出已采样区域。然后利用边界采样方法,根据孔隙度和相关函数对边界点的选取进行约束,得到边界采样点。
所述步骤(6)中,重复(4)、(5)步骤,直到完成整个重建过程。如设定的重建层数为N,则当第N层重建完成时,则退出重建,整个重建过程完成。
本发明的有益效果在于:
本发明利用了深度学习的方法对MPS匹配过程进行加速,在保证速度有极大地提升的同时,重建精度并没有下降。传统MPS需要逐点模拟每一个带模拟点以完成重建,而本发明提出的方法不需要逐点模拟,而是相当于一次即完成整个采样图的重建。二维重建速度测试中,MPS需要约61s,而本发明方法只需要0.01~0.02s,平均速度提升为4500倍。对于三维重建,因其除了匹配过程之外,还有采样过程,中间还涉及去除孤立孔隙、相关函数的计算、孔隙度的计算等,因此还需要少量的CPU计算的时间。算上这些的时间,在重建128×128×128的图像测试中,MPS需要约8200s,而本方法只需要约320s,速度提升约25倍,优势依然很明显。另外,对于结构复杂的岩心,在重建时传统MPS需要更大的模板,因而时间会程几何级数的增加,而本方法并不会出现这种现象,因此优势会更加明显。
附图说明
图1摘要附图
图2两点概率,线性路径,两点簇函数示意
图3数据集示意
图4二维重建对比图
图5二维图像重建的统计函数对比
图6三步采样的流程图
图7三维重建的对比图
图8三维重建的统计函数对比
图9三维重建的局部孔隙度分布对比
具体实施方式
下面结合具体实施例和附图对本发明作进一步说明:
实施例:
为了使本发明所述重建方法更加便于理解和接近于真实应用,下面从基于深度学习的重建方法的数据集的制作、训练、采样、重建等方面进行整个流程的整体说明,其具体操作步骤如下:
(1)制作用于深度神经网络训练的数据集。该数据集由1500个图像对组成,每个图像对由两个128×128的采样图和重建图组成,数据集示意如图3所示。
(2)采用conditional generative adversarial networks(CGAN)网络进行模型的训练和测试。随机地选取1000个图像对作为训练集(training set),剩下的500个作为测试集(testing set)。其中,利用adam优化器进行神经网络的参数w和b的求解,学习率设置为10-4,,训练的epoch次数为200。这个阶段需要调整神经网络的参数使其性能达到要求。
(3)对测试集中的二维图像进行测试,部分结果如图4所示,其中最左边一列为输入,中间为本发明方法的输出图,右边一列为目标结构。第一组图的统计参数的曲线如图5所示。可以看出,不论是从视觉效果上,还是统计参数的定量分析上,该网络的表现性能良好。
(4)进行三维重建,将训练图像TI作为待重建图像的第一层,利用三步采样算法(TSS)对其进行采样,得到采样图SI。采样过程如下:首先用5×5的模板遍历图像,找到满足该模板内全部点均为白点或黑点的中心点,即为第一步的采样点,并标记已问的区域;然后用3×3模板遍历图像,同样的方法找到满足条件的中心点,即为第二步的采样点,并标记已访问的区域;其次用边界采样,即对大小小于3×3的点进行采样,得到第三步的采样点;最后,融合这三个步骤所有的采样点,即得到最终的采样图,作为待重建的图,整个流程图如图6所示。
(5)根据(4)的步骤,对训练图像TI进行重建,重建其对应三维结构。训练图像、CT、重建结构如图7所示。
(6)采用了常用的两点相关函数S2,线性路径函数L以及两点簇函数C2对三维结构进行定量评价,函数的示意图见图2,三维结构的函数的对比如图8所示。
(9)同时,从孔隙的空间分布情况来衡量三维结构的相似性,采用局部孔隙度分布来对三维结构进行刻画,CT和重建结构的局部孔隙度的比较如图9所示。
根据以上的验证结果可知,三维结构的多个统计函数与真实结构都很接近,从而也验证了本发明方法的有效性。同时,时间方面,在重建128×128×128的图像测试中,MPS需要约8200s,而本方法只需要约320s,速度提升约25倍,优势很明显。另外,对于结构复杂的岩心,在重建时传统MPS需要更大的模板,因而时间会程几何级数的增加,而本方法并不会出现这种现象,因此优势会更加明显。同时,如果其中的采样、分割、去除孤立孔隙等步骤由GPU实现,算法的速度会得到进一步的提升。
上述实施例只是本发明的优选实施案例,并不是对本发明所述技术方案的限制,只要是不经过创造性劳动即可在上述实施案例的基础上实现的技术方案,均应视为落入本发明内容的保护范围内。
Claims (2)
1.一种结合深度学习的多点地质统计三维建模方法,其特征在于:包括以下步骤:
(1)制作用于深度神经网络三维重建的训练和测试的数据集;
(2)深度神经网络的训练和测试,以达到能从采样图成功地重建出孔隙图的效果;
(3)将训练图像TI作为待重建图像的第一层,利用三步采样算法对其进行采样,得到采样图SI;
(4)将采样图SI送入已训练好的网络里面,进行输出,得到孔隙图PI;
(5)将TI和已重建的孔隙图PI作为整个已重建的三维结构,利用三步采样中的三个采样步骤和相关函数等的控制,计算得到新的采样图;
(6)重复(4)、(5)步骤,直到完成整个重建过程。
2.根据权利要求1所述的结合深度学习的多点地质统计三维建模方法,其特征在于:
所述步骤(1)中,由于没有现成的数据集可用,因此需要制作适合本发明方法的数据集(训练集和测试集),制作了1500个图像对,每一个图像对由一幅采样图和一幅对应的孔隙度组成,随机选取1000个图像对作为训练集(training set),剩下的500个作为测试集(testing set)。
所述步骤(2)中,深度神经网络的设计中,摒弃在图像分类或识别问题常用的对图像进行仿射变换、光照变换等方式来增加样本多样性的操作,因为这些操作在采样图的重建中并不适用,反而会带来很大的误差,测试的阶段,采用视觉效果和统计参数的定量分析来衡量网络的性能。
所述步骤(4)中,逐层重建时,将采样图SI送入已训练好的网络里面,可以瞬间得到对应的孔隙图PI,这种方式替代了原始逐点模拟的重建方式,在时间上得到极大的提升。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471759.6A CN108665546B (zh) | 2018-05-17 | 2018-05-17 | 一种结合深度学习的多点地质统计三维建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810471759.6A CN108665546B (zh) | 2018-05-17 | 2018-05-17 | 一种结合深度学习的多点地质统计三维建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108665546A true CN108665546A (zh) | 2018-10-16 |
CN108665546B CN108665546B (zh) | 2021-07-30 |
Family
ID=63779893
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810471759.6A Active CN108665546B (zh) | 2018-05-17 | 2018-05-17 | 一种结合深度学习的多点地质统计三维建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108665546B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111724331A (zh) * | 2019-03-22 | 2020-09-29 | 四川大学 | 一种基于生成网络的多孔介质图像重建方法 |
CN112862946A (zh) * | 2019-11-28 | 2021-05-28 | 四川大学 | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
CN115049173A (zh) * | 2022-08-17 | 2022-09-13 | 中国石油大学(华东) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5590356A (en) * | 1994-08-23 | 1996-12-31 | Massachusetts Institute Of Technology | Mesh parallel computer architecture apparatus and associated methods |
CN104063899A (zh) * | 2014-07-10 | 2014-09-24 | 中南大学 | 一种岩心保形三维重建方法 |
CN105957003A (zh) * | 2016-04-25 | 2016-09-21 | 四川大学 | 基于学习的多孔介质超维重建方法 |
CN106327579A (zh) * | 2016-08-12 | 2017-01-11 | 浙江科技学院 | 基于bim的多维成像融合技术实现隧道爆破质量数字化的方法 |
CN106971410A (zh) * | 2017-03-27 | 2017-07-21 | 华南理工大学 | 一种基于深度学习的白质纤维束重建方法 |
CN107146279A (zh) * | 2017-04-25 | 2017-09-08 | 四川大学 | 一种基于共生相关函数的多孔介质三维建模方法 |
CN107680131A (zh) * | 2017-09-08 | 2018-02-09 | 北京理工大学 | 一种快速确定多孔介质表征单元体积尺寸的方法 |
-
2018
- 2018-05-17 CN CN201810471759.6A patent/CN108665546B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5590356A (en) * | 1994-08-23 | 1996-12-31 | Massachusetts Institute Of Technology | Mesh parallel computer architecture apparatus and associated methods |
CN104063899A (zh) * | 2014-07-10 | 2014-09-24 | 中南大学 | 一种岩心保形三维重建方法 |
CN105957003A (zh) * | 2016-04-25 | 2016-09-21 | 四川大学 | 基于学习的多孔介质超维重建方法 |
CN106327579A (zh) * | 2016-08-12 | 2017-01-11 | 浙江科技学院 | 基于bim的多维成像融合技术实现隧道爆破质量数字化的方法 |
CN106971410A (zh) * | 2017-03-27 | 2017-07-21 | 华南理工大学 | 一种基于深度学习的白质纤维束重建方法 |
CN107146279A (zh) * | 2017-04-25 | 2017-09-08 | 四川大学 | 一种基于共生相关函数的多孔介质三维建模方法 |
CN107680131A (zh) * | 2017-09-08 | 2018-02-09 | 北京理工大学 | 一种快速确定多孔介质表征单元体积尺寸的方法 |
Non-Patent Citations (2)
Title |
---|
J.M.BRAY ET AL.: "Impact of mineral precipitation on flow and mixing in porous media determined by microcomputed tomography and MRI", 《ENVIRON. SCI. TECHNOL.》 * |
高扬,等: "基于模糊距离变换的岩心图像颗粒分割算法", 《微型机与应用》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111724331A (zh) * | 2019-03-22 | 2020-09-29 | 四川大学 | 一种基于生成网络的多孔介质图像重建方法 |
CN111724331B (zh) * | 2019-03-22 | 2023-05-09 | 四川大学 | 一种基于生成网络的多孔介质图像重建方法 |
CN112862946A (zh) * | 2019-11-28 | 2021-05-28 | 四川大学 | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
CN112862946B (zh) * | 2019-11-28 | 2023-02-14 | 四川大学 | 基于级联条件生成对抗网络的灰度岩心图像三维重建方法 |
CN111209674A (zh) * | 2020-01-09 | 2020-05-29 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN111209674B (zh) * | 2020-01-09 | 2023-04-11 | 长江大学 | 一种河道砂建模方法、设备及可读存储介质 |
CN115049173A (zh) * | 2022-08-17 | 2022-09-13 | 中国石油大学(华东) | 深度学习和Eaton法耦合驱动地层孔隙压力预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108665546B (zh) | 2021-07-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659718B (zh) | 基于深度卷积神经网络的小卷积核细胞计数方法及系统 | |
CN108665546A (zh) | 一种结合深度学习的多点地质统计三维建模方法 | |
CN109313724A (zh) | 针对半导体应用并入神经网络及前向物理模型的系统及方法 | |
CN108446616B (zh) | 基于全卷积神经网络集成学习的道路提取方法 | |
CN110189255A (zh) | 基于两级检测的人脸检测方法 | |
CN108346154A (zh) | 基于Mask-RCNN神经网络的肺结节分割装置的建立方法 | |
CN108122221A (zh) | 弥散加权成像图像中脑缺血区域的分割方法及装置 | |
CN108062744A (zh) | 一种基于深度学习的质谱图像超分辨率重建方法 | |
CN101061951A (zh) | 利用图像数据对组织进行分类的方法和设备 | |
CN109711401A (zh) | 一种基于Faster Rcnn的自然场景图像中的文本检测方法 | |
CN110796661B (zh) | 基于卷积神经网络的真菌显微图像分割检测方法及系统 | |
CN115235977A (zh) | 基于分形特征计算页岩多尺度孔径分布的方法及系统 | |
Malm et al. | Simulation of bright‐field microscopy images depicting pap‐smear specimen | |
CN114360030A (zh) | 一种基于卷积神经网络的人脸识别方法 | |
CN111583179B (zh) | 一种基于浮动切割的肺结节深度学习分类方法 | |
CN113269256A (zh) | 一种MiSrc-GAN模型的构建方法及应用 | |
CN112927212A (zh) | 基于深度学习的oct心血管斑块自动识别与分析方法 | |
CN111310623A (zh) | 基于遥感数据与机器学习对泥石流敏感性地图分析的方法 | |
CN112818777B (zh) | 一种基于密集连接与特征增强的遥感图像目标检测方法 | |
CN114494756A (zh) | 一种基于Shape-GIoU改进的聚类算法 | |
CN106951918B (zh) | 一种用于冷冻电镜分析的单颗粒图像聚类方法 | |
CN107194917A (zh) | 基于dap和arelm的在轨sar图像变化检测方法 | |
CN109887023A (zh) | 一种基于加权梯度幅度的双目融合立体图像质量评价方法 | |
CN112086198B (zh) | 一种基于深度学习技术建立年龄评估模型的系统及方法 | |
CN113537010B (zh) | 基于单通道图数据增强和迁移训练残差网络的十五相异步电动机滚动轴承故障诊断方法 |
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 |