CN108961246A - 一种基于人工智能的扫描电镜图像孔隙识别方法 - Google Patents

Abstract

本发明公开了一种基于人工智能的扫描电镜图像孔隙识别方法，属于水文地质领域，涉及一种基于扫描电镜图像的岩土样孔隙参数获取方法。针对采用传统图像分割方法识别电镜图像孔隙精度低、孔隙识别精度与参数设置密切相关、不能自动化图像处理的不足，提出了一种利用基于卷积神经网络的深度学习开源模型caffe，借助人工智能，通过人工智能的自学习功能将扫描电镜图像中的孔隙自动识别出来。本发明提出的人工智能方法正好克服了现有的阈值法、边缘检测法和神经网络法的不足，可以大大提高孔隙识别的精度。

Description

一种基于人工智能的扫描电镜图像孔隙识别方法

技术领域

本发明专利属于水文地质领域，涉及一种基于扫描电镜图像的岩土样孔隙参数获取方法。

背景技术

准确获取矿区岩土渗透参数是水资源定量评价及矿井涌水量预测的关键，由于渗透参数获取不准导致分析预测矿井涌水量与实际情况不符，影响矿井排水系统设计，经常造成淹井等威胁矿井的安全事故。实际工程经常采用野外抽(放)水试验直接获取渗透参数，但由于勘探孔数量及试验时间的限制，导致试验数据偏少，所获取的渗透数据呈点状分布，结果通常不能反映含水介质在空间上的连续性变化和结构性变异。室内直接测试实验受尺度效应及样品扰动等因素影响，准确性差、不能反映空间变化规律。因此，采用岩(土)样扫描电镜试验测试微观孔隙结构，研究微观孔隙参数与宏观渗透参数关系是当前国内外学者多采用的有效方法。

扫描电镜是一种利用电子束扫描样品表面从而获得样品信息的电子显微镜。它能产生样品表面的高分辨率图像，且图像呈三维，扫描电子显微镜能被用来鉴定样品的表面结构。

扫描电镜图像可以准确获取各种放大比例下的岩(土)样微观结构，利用图像分割获取孔隙结构的几何参数，再根据分形理论可以准确计算岩(土)样的孔隙参数。其中根据扫描图像准确提取孔隙边界，获得孔隙结构参数是重点和难点。常用的图像分割方法有基于阈值的分割法，边缘检测分割法，基于区域的分割法，基于神经网络的图像分割法等。基于阈值的分割法是根据图像的整体或部分信息选择阈值，把图像依据灰度级别划分。当图像中的灰度值差异不明显或灰度范围重叠时，可能出现过分割或欠分割的情况；另一方面，阈值方法不关心图像的空间特征和纹理特征，只考虑图像的灰度信息。基于边缘检测的分割法叫边缘检测分割法，是根据灰度突变的边缘来进行图像分割的。噪声引起的伪边缘会影响图像得到过多的分割结果。基于区域的图像分割法是连通含有相似特点的像素点，最终组合成分割结果。对面积较大的区域进行分割时，速度较慢。基于神经网络的图像分割法是用样本图像数据来训练多层感知机，最终得到决策函数，进而用获得的决策函数对图像像素进行分类得到分割的结果。但传统的基于神经网络的图像分割方法因神经网络结构简单，不能充分学习图像的特征，分割效果较差。

发明内容

本发明的目的是解决采用传统图像分割方法识别电镜图像孔隙精度低、孔隙识别精度与参数设置密切相关、不能自动化图像处理的不足，可以充分利用人对图像准确认识的优势，并可积累大量不同人的智力，显著提高图像分割的准确度，完全实现自动化处理。

本发明所提供的一种基于人工智能的扫描电镜图像孔隙识别方法，具体步骤如下：

1)图像预处理，主要包括去除图注和图像切割。

去除图注：通过裁剪图像将扫描电镜图像中含有图注信息的部分裁掉。

图像切割：将扫描电镜图像根据像素大小切割成多个大小相同的图像，以便减小深度学习模型单次数据处理工作量，通常将原始数据图像切割成256*256像素大小。

2)孔隙标注，将经过图像预处理的扫描电镜图像，利用图像处理工具，把孔隙的位置和形状中用颜色标注出来；然后将图像转化为灰度图像。

3)人工智能模型训练；

选用基于卷积神经网络的深度学习开源模型caffe中的voc-fcn8s作为人工智能模型。利用预处理好的原始扫描电镜图像和已标注的扫描电镜图像作为输入数据；

将原始扫描电镜图像和已标注的扫描电镜图像中的75％作为训练图像，保存在训练图像路径下，另外25％作为检验图像，保存在检验图像路径下；

编制caffe下的训练批处理文件train.prototxt，修改训练图像文件路径；

设置检验批处理文件val.prototxt，修改其中的检验图像文件路径。

设置训练求解批处理文件solver.prototxt，修改其中的训练批处理文件路径和检验批处理文件路径，修改最大迭代次数为10000次、迭代精度为0.0001和模型保存频率100次；修改用于求解的Python命令文件solver.py，将其中的预求解模型路径修改为所设定的voc-fcn8s的路径，修改求解批处理命令文件solver.prototxt的路径；

运行模型训练Python文件solver.py，模型根据上述设定和输入数据将自动运行迭代，直至达到设定的迭代精度结束；通过训练，将得到一个训练好的人工智能模型。

4)孔隙识别；利用训练好的人工智能模型对新实验的扫描电镜图像进行孔隙分割，首先修改caffe下的分割图像Python文件infer.py，设定准备处理的图像名称；运行图像分割Python命令文件infer.py，人工智能模型将从岩土样的电镜扫描图像中自动分割出孔隙，并通过颜色自动标注出来。

本发明的有益效果：

本发明方法可以充分利用人对扫描电镜图像中孔隙识别的优势，而阈值法对整个图像采用一个阈值，不能准确分割出孔隙，边缘检测法是按照图像灰度突变来实现，对于许多孔隙边缘有噪声的精度差，神经网络方法采用较少层次的神经结构，不能充分学习图像的特征，分割效果较差，本发明提出的人工智能方法正好克服了现有的阈值法、边缘检测法和神经网络法的不足，可以大大提高孔隙识别的精度。

附图说明

图1是本发明专利的实施步骤图。

图2是预处理图像的实例。

图3是人工标注图像的实例。

具体实施方式

下面结合附图，对本发明的具体实施方式作进一步详细描述。

1、图像预处理。图像预处理是将实验获取的图像处理成可以用于深度学习的图像，主要包括去除图注和图像切割。去除图注是将实验中在图片上标注的实验信息去除，采用图像裁剪方法将含有图注信息的部分裁掉。图像切割是按照深度学习模型训练的需要，将一幅实验电镜图像根据像素大小切割成多个图像，以便减小深度学习模型单次数据处理工作量，通常将原始数据图像切割成256*256像素大小。结果如图2实例。

2、孔隙标注。基于预处理好的扫描电镜图像，充分利用人的认识判断图像中孔隙的位置和形状，在图像处理软件Photoshop中用颜色标注出孔隙的位置和形状。最后，将标注的图像转化为灰度图像用于人工智能模型学习。结果如图3实例。

3、模型训练。选用基于卷积神经网络的深度学习开源模型caffe中的voc-fcn8s作为人工智能模型。利用预处理好的原始扫描电镜图像和已标注的扫描电镜图像作为输入数据。

将原始扫描电镜图像和已标注的扫描电镜图像中一部分(75％)作为训练图像，保存在训练图像路径下，另一部分(25％)作为检验图像，保存在检验图像路径下。编制训练批处理文件train.prototxt，设置训练图像文件路径，并检验50层网络的参数。修改检验批处理文件val.prototxt，设置检验图像文件路径，并检验50层网络的参数。修改训练求解批处理文件solver.prototxt，设置训练批处理文件路径和检验批处理文件路径，、最大迭代次数(推荐10000次)、迭代精度(推荐0.0001)、模型保存频率(推荐100次)等参数。修改求解的Python命令文件solver.py，设定预求解模型路径，求解批处理命令文件路径。运行模型训练Python文件solver.py，模型将自动运行迭代，直至达到设定的迭代精度结束。通过训练，将得到一个训练好的人工智能模型。

4、孔隙分割。利用训练获得的人工智能模型即可对新实验的扫描电镜图像进行孔隙分割。修改分割图像Python文件infer.py，设定欲处理的图像名称。运行图像分割Python命令文件infer.py，人工智能模型将从岩土样的电镜扫描图像中自动分割出孔隙，并通过颜色标注出来。

Claims (1)

1.一种基于人工智能的扫描电镜图像孔隙识别方法，具体步骤如下：

1)图像预处理，主要包括去除图注和图像切割；

去除图注：通过裁剪图像将扫描电镜图像中含有图注信息的部分裁掉；

图像切割：将扫描电镜图像根据像素大小切割成多个大小相同的图像，以便减小深度学习模型单次数据处理工作量，通常将原始数据图像切割成256*256像素大小；

2)孔隙标注，将经过图像预处理的扫描电镜图像，利用图像处理工具，把孔隙的位置和形状中用颜色标注出来；然后将图像转化为灰度图像；

3)人工智能模型训练；

选用基于卷积神经网络的深度学习开源模型caffe中的voc-fcn8s作为人工智能模型；利用预处理好的原始扫描电镜图像和已标注的扫描电镜图像作为输入数据；

将原始扫描电镜图像和已标注的扫描电镜图像中的75％作为训练图像，保存在训练图像路径下，另外25％作为检验图像，保存在检验图像路径下；

编制caffe下的训练批处理文件train.prototxt，修改训练图像文件路径；

设置检验批处理文件val.prototxt，修改其中的检验图像文件路径；

设置训练求解批处理文件solver.prototxt，修改其中的训练批处理文件路径和检验批处理文件路径，修改最大迭代次数为10000次、迭代精度为0.0001和模型保存频率100次；修改用于求解的Python命令文件solver.py，将其中的预求解模型路径修改为所设定的voc-fcn8s的路径，修改求解批处理命令文件solver.prototxt的路径；

运行模型训练Python文件solver.py，模型根据上述设定和输入数据将自动运行迭代，直至达到设定的迭代精度结束；通过训练，将得到一个训练好的人工智能模型；

4)孔隙识别；利用训练好的人工智能模型对新实验的扫描电镜图像进行孔隙分割，首先修改caffe下的分割图像Python文件infer.py，设定准备处理的图像名称；运行图像分割Python命令文件infer.py，人工智能模型将从岩土样的电镜扫描图像中自动分割出孔隙，并通过颜色自动标注出来。