CN111507954A - 用于储层裂缝的统计方法及机器可读存储介质 - Google Patents
用于储层裂缝的统计方法及机器可读存储介质 Download PDFInfo
- Publication number
- CN111507954A CN111507954A CN202010292258.9A CN202010292258A CN111507954A CN 111507954 A CN111507954 A CN 111507954A CN 202010292258 A CN202010292258 A CN 202010292258A CN 111507954 A CN111507954 A CN 111507954A
- Authority
- CN
- China
- Prior art keywords
- image
- crack
- sample
- effective
- sample image
- 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.)
- Pending
Links
- 238000007619 statistical method Methods 0.000 title claims abstract description 17
- 238000003860 storage Methods 0.000 title claims abstract description 7
- 238000000034 method Methods 0.000 claims abstract description 41
- 230000000007 visual effect Effects 0.000 claims description 15
- 238000012545 processing Methods 0.000 claims description 11
- 230000009467 reduction Effects 0.000 claims description 3
- 206010017076 Fracture Diseases 0.000 description 42
- 208000010392 Bone Fractures Diseases 0.000 description 20
- 238000010586 diagram Methods 0.000 description 6
- 208000013201 Stress fracture Diseases 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000005070 sampling Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010191 image analysis Methods 0.000 description 3
- 238000003384 imaging method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000012530 fluid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108091035710 E-box Proteins 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明提供一种用于储层裂缝的统计方法及机器可读存储介质,属于油气勘探技术领域。所述用于储层裂缝的统计方法包括:获取样品图像;从所述样品图像中提取有效裂缝;在所述样品图像中每隔预设间距做一个以所述有效裂缝的开度为直径的最大圆;以及根据所述最大圆确定所述样品的裂缝信息。通过上述技术方案,能够实现对样品有效裂缝的自动识别和样品裂缝信息的自动统计,具有统计速度快且准确性高的优点。
Description
技术领域
本发明涉及油气勘探技术领域,具体地涉及一种用于储层裂缝的统计方法及机器可读存储介质。
背景技术
随着非常规油气勘探的开发,低渗储层内流体流动规律逐渐成为了研究热点。低渗储层微裂缝的几何特征是制约流体流动的关键因素之一。前人研究认为低渗储层微裂缝开度一般为纳米-微米级,长度可达厘米级,这就意味着想要对微裂缝进行原位观察,必须在保证大视域(厘米级)的前提下同时拥有高分辨率(纳米-微米级)。
本申请发明人发现,目前已有的方法对样品的采集很难同时采集到纳米-厘米尺度的视域,另外,在拥有高分辨率的同时视域也足够大的情况下,扫描得到的样品图像的平面图会很大,仅靠肉眼寻找裂缝并计算微裂缝的几何特征需要花费大量的人力和时间,并且利用人工统计微裂缝几何特征的定量方法还会存在较大的主观误差。
发明内容
本发明实施例的目的是提供一种用于储层裂缝的统计方法及机器可读存储介质,用于解决上述技术问题中的一者或多者。
为了实现上述目的,本发明实施例提供一种用于储层裂缝的统计方法,所述方法包括:获取样品图像;从所述样品图像中提取有效裂缝;在所述样品图像中每隔预设间距做一个以所述有效裂缝的开度为直径的最大圆;以及根据所述最大圆确定所述样品的裂缝信息。
可选的,所述从所述样品图像中提取有效裂缝包括:将所述样品图像转换为位图图像;对所述位图图像进行灰度处理以得到灰度图像;以及从所述灰度图像中提取所述有效裂缝。
可选的,所述从所述灰度图像中提取所述有效裂缝包括:从所述灰度图像中确定像素点的灰度小于T0且网格数大于预设值的连续空白部分为裂缝,所述T0由所述灰度图像中的所有像素点的灰度排序确定;以及从所述裂缝中提取所述有效裂缝,所述有效裂缝为裂缝两端都在所述样品图像内部的裂缝。
可选的,所述获取样品图像包括:采集多张有关所述样品的小视域图像;从所述小视域图像中选定分辨率大于预设值的有效图像;以及对所述有效图像进行拼接以获得所述样品图像。
可选的,在采集小视域图像后及选定有效图像之前,所述方法还包括:对所述小视域图像进行降噪处理,以增强所述小视域图像的特征信息和边缘信息。
可选的,所述裂缝信息包括以下中的一者或多者:裂缝长度、面孔率、线密度和长度频率分布特征。
可选的,裂缝的长度由以下方式确定:所述样品图像中的最大圆的个数与预设间距的乘积为所述裂缝的长度。
可选的,所述面孔率通过以下方式确定:对裂缝的开度进行长度积分,以确定所述裂缝的面积;以及所述裂缝的面积与样品图像面积之比为所述面孔率。
可选的,所述线密度通过以下方式确定:确定所述样品图像中的有效裂缝条数和所述样品图像的长度;以及所述有效裂缝条数与所述样品图像的长度之比为所述线密度。
另一方面,本发明提供一种机器可读存储介质,该机器可读存储介质上存储有指令,该指令用于使得机器执行本申请上述中任一项所述的用于储层裂缝的统计方法。
通过上述技术方案,能够实现对样品有效裂缝的自动识别和样品裂缝信息的自动统计,具有统计速度快且准确性高的优点。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本发明实施例,但并不构成对本发明实施例的限制。在附图中:
图1是本发明实施例提供的用于储层裂缝的统计方法的流程示意图;
图2是本发明实施例提供的图像分析手段的尺度范围示意图;
图3是采用本发明实施例提供的方法处理后的裂缝图像;
图4是采用本发明实施例提供的方法处理后的裂缝简化示意图;
图5是本发明提供的裂缝加分定量统计信息分类的示意图;
图6是实施例提供的用于储层裂缝的统计方法的流程示意图;
图7是某低渗储层有效裂缝段图像;
图8是图7所示图像进行灰度处理和二值化处理后的图像;
图9是样品中的有效裂缝的图像;
图10是微裂缝缝长的频率直方图;
图11是微裂缝的开度直方图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本发明实施例,并不用于限制本发明实施例。
图1是本发明实施例提供的用于储层裂缝的统计方法的流程示意图。如图1所示,所述用于储层裂缝的统计方法包括步骤S110至S140。
在步骤S110,获取样品图像。
考虑到相对于储层样品来说,样品中的裂缝开度为纳米-微米级,因此优选采用具有高分辨率的设备进行样品图像采集。
图2是本发明实施例提供的不同图像分析手段尺度范围示意图,在采用不同的图像分析手段的情况下,成像尺度也是不同的,考虑到采用高分辨率成像技术(MAPS)自动采集样品图像的尺度范围较广,因此可以优选此种方法来自动获取样品图像。
其中,所述获取样品图像的方法不限于上述示例,本领域技术人员可以基于实际识别样品对分辨率的需求和现有设备综合选定合适的方法以获取样品图像。
在步骤S120,从所述样品图像中提取有效裂缝。
为了便于能够对样品图像中的裂缝进行精确的提取,可以先将获取的样品图像转换成可以定量统计的位图图像,所述位图图像的精度可以自行选定,例如250nm等。
可选的,为了增强样品图像的显示效果,减小图像原始数据量和提高后续的数据处理速度,还可以对其进行灰度处理,得到与所述样品图像相对应的灰度图像。例如可以通过线性变换和分段线性变换等方法实现图像的灰度化变换。
以将样品图像处理成灰度图像为例,本发明实施例还提供了一种具体的有效裂缝的提取方法,所述提取方法如下所示。
具体的,在灰度图像中,不同颜色反应为灰度值的大小,灰度值越大,颜色偏向黑色,表示该处物质密度越大,反之,灰度值越小,颜色偏向白色,表示该处物质密度越小。由于裂缝处为低密度部分,在此基础上,可以定义灰度值小于T0并且网格数大于预设值的连续空白部分为裂缝,灰度值大于T0的部分为岩石骨架。
本发明实施例还提供了一种T0的确定方法,即根据灰度图像中的所有像素点的灰度值排序结果确定T0。具体的,对样品的灰度图像中的所有像素点的灰度值进行排序,并统计每个灰度值频数,峰值出现的位置就是T0(即样品的灰度图像对应的灰度直方图中的峰值)。本领域技术人员还可以考虑采用其他方法以设定合理的T0。
采用本发明上述实施例提供的方案从所述灰度图像中提取的裂缝为样品的全部裂缝,但是考虑到提取的裂缝中会包括无效裂缝和人工裂缝(由后期制样产生),而这些裂缝对储层裂缝信息统计是无意义的,因此需要对其进行剔除。因此,本发明实施例还提供了一种裂缝判定标准,所述标准包括:在提取的裂缝贯穿了整个样品图像的情况下,确定该裂缝为人工裂缝;在提取的裂缝的两端中的任意一段不在样品图像内部的情况下,确定该裂缝为无效裂缝;在提取的裂缝的的两端均在样品图像内部的情况下,确定该裂缝为有效裂缝。
在步骤S130,在所述样品图像中每隔预设间距做一个以所述有效裂缝的开度为直径的最大圆。
在完成有效裂缝提取后,可以自动识别出每条有效裂缝的开度。因此可以基于样品图像的精度而设定合理的间距d,并在每一个间距范围内,以有效裂缝的开度做一个最大圆(对于裂缝来说,在间距d内的开度会发生变化,因此需要以间距d内的最大开度为直径做圆)。例如,所述间距d可以等于图像的精度。
图3示出的是采用本发明实施例提供的方法处理后的裂缝图像,图3中的每一个圆圈表示一条有效裂缝。
在步骤S140,根据所述最大圆确定所述样品的裂缝信息。
所述裂缝信息可以包括裂缝长度、面孔率、线密度和长度频率分布特征等信息。
在通过本发明实施例提供的方法确定裂缝信息后,可以对裂缝信息进行分类统计。图5是本发明提供的裂缝划分定量统计信息分类的示意图。如图5所示,可以对裂缝长度分类,以确定样品中的裂缝的长度分布情况;还可以对裂缝开度进行分类,以确定样品中的每条裂缝或者全部裂缝的开度分布情况;还可以对裂缝面孔率和线密度统计,以确定样品中的裂缝在整个样品中的分布信息。
图4是采用本发明实施例提供的方法处理后的裂缝简化示意图。针对上述中的每一类信息,本发明实施例都提供了具体的确定方法,具体的确定方法结合图4如下所述。
对于裂缝长度来说,如图4所示,将图4中的所有最大圆的圆心连接后形成的线的总长度即为该裂缝的长度,因此可以通过以下公式确定裂缝长度:D=qd,其中D为裂缝长度,q为该裂缝上最大圆个数,d为预设间距。
对于面孔率来说,其主要表示裂缝与所占样品的比例,因此可以通过以下公式确定裂缝的面孔率:P=S/Sy,其中P为裂缝面孔率,S为裂缝面积,Sy为样品图像区域面积。
对于线密度来说,其可以通过样品图像中的有效裂缝条数和样品图像的程度确定。具体的,可以通过以下公式确定:m=n/L,其中m为线密度,n为样品图像内的有效裂缝条数,L为样品图像的边长。
本发明上述实施例提供的技术方案,能够实现对样品有效裂缝的自动识别和样品裂缝信息的自动统计,相较于现有的裂缝统计方法,本发明提供的方案具有统计速度快且准确性高的优点。
通过本发明实施例提供的技术方案,可以定量地统计和表征出储层内微裂缝的发育程度和分布特征,还能够降低微裂缝几何特征统计误差,提高工作效率和准确度。
考虑到为了能够对储层样品中的细微裂缝也能够进行统计,因此有关样品的图像的分辨率极高,这导致了采集的图像视域小,因此需要对整个样品进行多次的图像采集后拼接,才能够获得所述储层样品的完整图像。
在此基础上,本发明实施例还提供了一种样品图像的获取方法。所述方法需要先对选定的储层样品进行图像采集,再将采集的多个小视域图像进行拼接,以形成有关样品的高精度图像。
其中,为了保证最后得到的样品图像的质量和图像有效性,可以对同一视角图像进行多次采集以获得大量的样品表面图像,并在后期再对采集的小视域图像进行筛选和剔除,例如裂缝的开度一般都是微米级,因此可以剔除分辨率小于1微米的小视域图像等。
进一步地,为了保证能够更好的保留图像的细节特征和边缘信息,还需要对选定的小视域图像进行降噪处理,即通过滤波算法衰减噪声以提高信噪比。其中,具体的去噪方法可以为现有任意去噪方法,本发明对此不进行限定。
在选定了小视域图像的基础上,可以依据任意图像拼接技术,将选定的小视域图像拼接为所述样品的完整图像。
现结合图6来解释本发明另一实施例提供的储层裂缝定量统计方法。如图6所示,所述方法步骤如下:先自动采集样品图像(此时为高分辨率的小视域图像),再统计图像张数和分辨率,并对劣图进行筛选,以得到保留图像,对保留的图像进行细化和边缘监测,再对小视域图像进行拼接,以得到样品图像。对得到的样品图像中的裂缝段图像进行信息截取,并对截取后的图像进行位图转换和灰度转换,按照截取图像中的像素点的灰度规律选定一个值进行二值化处理,识别出图像中所有的裂缝后,再进行人工缝和无效缝的筛除,在图像中的有效裂缝上做最大圆,以便于确定有效裂缝的长度、开度、面孔率和线密度等信息,还可以在所获取的上述信息的基础上统计分类型输出相应统计结果。
现结合一具体实施例来详细解释本发明提供的技术方案。
步骤1,采用高分辨率成像技术(MAPS)自动采集样品图像,寻找裂缝信息。其中,对某地区的9块样品进行样品图像采集,截取某低渗储层有效裂缝段图像信息如图7所示。
步骤2,对微裂缝图像进行特征采集,以得到定量化的信息。其中,先对图7所示图像进行灰度处理和二值化处理,处理后的图像如图8所示,图8中的连续空白部分为裂缝。
分辨率使用250纳米,九块页岩储层样品中共发现微裂缝64条,其中12条认为是后期制样产生的人工缝,其余认为是有效微裂缝(图8中的E框的放大图如图9所示,图9中的A和B示出的是有效微裂缝的示意图,图9中的C为图9中的A中的C框的放大图,图9中的D为图9中的B中的D框的放大图)。另外,部分微裂缝一端开口在样品的边缘,无法统计得到有效微裂缝长度,共有15条,因而只统计了两端封口位置均在样品内部的微裂缝参数,最后统计的有效微裂缝条数共37条。
步骤3,微裂缝定量分类及数据统计输出,获得定量化的低渗储层微裂缝识别结果。
将有效微裂缝以d=10nm为取样间隔,每隔距离d做一个最大的圆,计算得到了微裂缝长度、开度、面孔率和线密度值,根据这几个参数的值对微裂缝定量统计。
根据本次采集的低渗储层微裂缝长度定量统计结果可知,整体微裂缝长度在0~11mm之间,总体分布比较均匀,长度最长的微裂缝可达20.84mm,最短仅0.071mm。主要集中在2~7mm,占微裂缝条数总量约60%;长度小于1μm裂缝发育不多,占微裂缝条数总量7%;大于11mm裂缝占微裂缝条数总量10%。其中,微裂缝缝长的频率直方图如图10所示。
根据本次采集的低渗储层微裂缝开度定量统计结果可知,此低渗储层微裂缝开度在0~11μm之间,总体分布不均,开度最大的微裂缝可达61.20μm,最短仅0.69μm。主要集中在1~6μm,占微裂缝条数总量约84%;开度小于1μm裂缝发育不多,占微裂缝条数总量3%;开度大于11μm微裂缝占微裂缝条数总量2%。其中,微裂缝的开度直方图如图11所示。
根据对低渗储层微裂缝线密度和面孔率进行定量统计可知,微裂缝面孔率0.004~2.873%,总体分布极不均匀,面孔率最大的微裂缝可达2.873%,最小0.004%。主要集中在0.01%以下。微裂缝线密度1.20~6.06条/mm,总体分布均匀,微裂缝线密度最高可达6.06条/cm,最小1.20条/cm。主要集中在1~3条/cm。其中,微裂缝的线密度和面孔率参数统计如表1所示。
表1
经实际实验验证,本发明实施例提供的用于储层裂缝的统计方法,能够快速且准确的统计出储层中的裂缝的特征信息,可以为后续的勘探开采工作提供有效的数据指导。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已,并不用于限制本申请。对于本领域技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等,均应包含在本申请的权利要求范围之内。
Claims (10)
1.一种用于储层裂缝的统计方法,其特征在于,所述方法包括:
获取样品图像;
从所述样品图像中提取有效裂缝;
在所述样品图像中每隔预设间距做一个以所述有效裂缝的开度为直径的最大圆;以及
根据所述最大圆确定所述样品的裂缝信息。
2.根据权利要求1所述的方法,其特征在于,所述从所述样品图像中提取有效裂缝包括:
将所述样品图像转换为位图图像;
对所述位图图像进行灰度处理以得到灰度图像;以及
从所述灰度图像中提取所述有效裂缝。
3.根据权利要求1所述的方法,其特征在于,所述从所述灰度图像中提取所述有效裂缝包括:
从所述灰度图像中确定像素点的灰度小于T0且网格数大于预设值的连续空白部分为裂缝,所述T0由所述灰度图像中的所有像素点的灰度排序确定;以及
从所述裂缝中提取所述有效裂缝,所述有效裂缝为裂缝两端都在所述样品图像内部的裂缝。
4.根据权利要求1所述的方法,其特征在于,所述获取样品图像包括:
采集多张有关所述样品的小视域图像;
从所述小视域图像中选定分辨率大于预设值的有效图像;以及
对所述有效图像进行拼接以获得所述样品图像。
5.根据权利要求4所述的方法,其特征在于,在采集小视域图像后及选定有效图像之前,所述方法还包括:
对所述小视域图像进行降噪处理,以增强所述小视域图像的特征信息和边缘信息。
6.根据权利要求1所述的方法,其特征在于,所述裂缝信息包括以下中的一者或多者:裂缝长度、面孔率、线密度和长度频率分布特征。
7.根据权利要求6所述的方法,其特征在于,所述裂缝长度由以下方式确定:所述样品图像中的最大圆的个数与预设间距的乘积为所述裂缝的长度。
8.根据权利要求6所述的方法,其特征在于,所述面孔率通过以下方式确定:
对裂缝的开度进行长度积分,以确定所述裂缝的面积;以及
所述裂缝的面积与样品图像面积之比为所述面孔率。
9.根据权利要求6所述的方法,其特征在于,所述线密度通过以下方式确定:
确定所述样品图像中的有效裂缝条数和所述样品图像的长度;以及
所述有效裂缝条数与所述样品图像的长度之比为所述线密度。
10.一种机器可读存储介质,其特征在于,所述机器可读存储介质上存储有指令,所述指令用于使得所述机器执行本申请上述权利要求1-9中任一项所述的用于储层裂缝的统计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292258.9A CN111507954A (zh) | 2020-04-14 | 2020-04-14 | 用于储层裂缝的统计方法及机器可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010292258.9A CN111507954A (zh) | 2020-04-14 | 2020-04-14 | 用于储层裂缝的统计方法及机器可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111507954A true CN111507954A (zh) | 2020-08-07 |
Family
ID=71869192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010292258.9A Pending CN111507954A (zh) | 2020-04-14 | 2020-04-14 | 用于储层裂缝的统计方法及机器可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507954A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084884A (zh) * | 2020-08-19 | 2020-12-15 | 厦门理工学院 | 一种扫描电镜图像孔隙识别方法、终端设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
CN103777244A (zh) * | 2012-10-25 | 2014-05-07 | 中国石油化工股份有限公司 | 一种地震裂缝属性体的定量分析方法 |
CN106370817A (zh) * | 2016-10-12 | 2017-02-01 | 西南石油大学 | 一种基于岩心分析和电成像测井的缝洞定量表征方法 |
US20170074770A1 (en) * | 2015-09-15 | 2017-03-16 | IFP Energies Nouvelles | Method for characterizing the fracture network of a fractured reservoir and method for exploiting it |
CN107167575A (zh) * | 2017-05-08 | 2017-09-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于岩心的裂缝连续表征方法 |
-
2020
- 2020-04-14 CN CN202010292258.9A patent/CN111507954A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102680480A (zh) * | 2012-05-03 | 2012-09-19 | 中南大学 | 一种混凝土结构裂缝智能化检测方法 |
CN103777244A (zh) * | 2012-10-25 | 2014-05-07 | 中国石油化工股份有限公司 | 一种地震裂缝属性体的定量分析方法 |
US20170074770A1 (en) * | 2015-09-15 | 2017-03-16 | IFP Energies Nouvelles | Method for characterizing the fracture network of a fractured reservoir and method for exploiting it |
CN106370817A (zh) * | 2016-10-12 | 2017-02-01 | 西南石油大学 | 一种基于岩心分析和电成像测井的缝洞定量表征方法 |
CN107167575A (zh) * | 2017-05-08 | 2017-09-15 | 中国华能集团清洁能源技术研究院有限公司 | 一种基于岩心的裂缝连续表征方法 |
Non-Patent Citations (3)
Title |
---|
冷彪等: "基于线阵相机的运营隧道衬砌裂缝图像采集方法试验研究", 《现代隧道技术》 * |
吴玉龙等: "基于图像处理的膨胀圆裂缝检测算法", 《无损检测》 * |
田泽峰等: "《足尺沥青路面加速加载试验实践导论》", 天津科学技术出版社 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084884A (zh) * | 2020-08-19 | 2020-12-15 | 厦门理工学院 | 一种扫描电镜图像孔隙识别方法、终端设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105352873B (zh) | 页岩孔隙结构的表征方法 | |
US20230419696A1 (en) | Image analysis method, apparatus, program, and learned deep learning algorithm | |
CN106056118B (zh) | 一种用于细胞的识别计数方法 | |
US10061973B2 (en) | Method and apparatus for automated platelet identification within a whole blood sample from microscopy images | |
JP7076698B2 (ja) | 画像解析方法、画像解析装置、プログラム、学習済み深層学習アルゴリズムの製造方法および学習済み深層学習アルゴリズム | |
CN105825169B (zh) | 一种基于道路影像的路面裂缝识别方法 | |
JP4948647B2 (ja) | 尿中粒子画像の領域分割方法及び装置 | |
US8068132B2 (en) | Method for identifying Guignardia citricarpa | |
DE102019121446A1 (de) | Quantitatives Charakterisierungsverfahren für die Fläche und für den Inhalt unterschiedlicher Typen von Einschlüssen in Stahl | |
CN113706603B (zh) | 页岩有机质孔隙连通性分类表征的方法 | |
CN105300323A (zh) | 绝缘子rtv涂层脱落面积检测方法及检测装置 | |
ES2863300T3 (es) | Procedimiento para la evaluación de autoría de una pintura | |
CN105241811B (zh) | 多层次聚焦自动采图方法与系统 | |
US7136517B2 (en) | Image analysis process for measuring the signal on biochips | |
CN111507954A (zh) | 用于储层裂缝的统计方法及机器可读存储介质 | |
CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
CN114092456A (zh) | 细胞荧光图像判别方法及系统 | |
DE19801400A1 (de) | Verfahren und Anordnung zur automatischen Erkennung, Eigenschaftsbeschreibung und Interpretation von Hep-2-Zellmustern | |
CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
DK201570249A1 (en) | Method and system for detection of fluid inclusion | |
CN111537495A (zh) | 一种利用全局三维(3d)拉曼光谱成像技术鉴定朱墨顺序的方法 | |
CN117218437B (zh) | 一种ct技术结合机器学习原位定量土壤颗粒有机质的方法 | |
CN109065468A (zh) | 缺陷过滤系统及过滤方法和计算机存储介质 | |
CN112766048B (zh) | 一种用于dna倍体分析的svm细胞核分类器训练方法 | |
RU2785607C1 (ru) | Способ распознавания структуры ядер бластов крови и костного мозга |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201202 Address after: 100000 Beijing city Dongcheng District No. 16 Andrew Applicant after: PetroChina Co.,Ltd. Address before: 300280 Dagang three, Binhai New Area, Tianjin Applicant before: CNPC DAGANG OILFIELD BRANCH Co. |
|
TA01 | Transfer of patent application right | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200807 |
|
RJ01 | Rejection of invention patent application after publication |