CN112287718B - 数字地质露头孔洞提取方法及装置 - Google Patents
数字地质露头孔洞提取方法及装置 Download PDFInfo
- Publication number
- CN112287718B CN112287718B CN201910664530.9A CN201910664530A CN112287718B CN 112287718 B CN112287718 B CN 112287718B CN 201910664530 A CN201910664530 A CN 201910664530A CN 112287718 B CN112287718 B CN 112287718B
- Authority
- CN
- China
- Prior art keywords
- outcrop
- hole
- training
- section image
- extraction
- 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
- 238000000605 extraction Methods 0.000 title claims abstract description 143
- 238000012549 training Methods 0.000 claims abstract description 96
- 238000005520 cutting process Methods 0.000 claims abstract description 12
- 238000012216 screening Methods 0.000 claims description 32
- 238000000034 method Methods 0.000 claims description 24
- 230000015654 memory Effects 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 238000003860 storage Methods 0.000 claims description 13
- 238000002372 labelling Methods 0.000 claims description 8
- 238000010586 diagram Methods 0.000 description 10
- 238000011160 research Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 6
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000008021 deposition Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005553 drilling Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000006253 efflorescence Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000011148 porous material Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- General Life Sciences & Earth Sciences (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种数字地质露头孔洞提取方法及装置,该数字地质露头孔洞提取方法包括:获取待提取露头剖面影像;根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。本发明解决了现有技术人工进行孔洞识别与提取效率较低、准确性较差的技术问题。
Description
技术领域
本发明属于图像目标检测技术在油气精细地质应用领域,具体而言,涉及一种数字地质露头孔洞提取方法及装置。
背景技术
碳酸盐岩储层解释与评价的核心是确定其孔隙空间特征,定量识别碳酸盐岩中裂缝和孔洞的分布状况及其内部的几何结构对储层评价具有重要意义。露头是沉积储层地质学研究最直观、最真实、最详细的资料,具有钻井和地震资料所不具备的直观性、可测性、完整性、精确性、可检验性,以及便于大比例尺研究等特点。现有技术的孔洞提取方法往往是通过人工在采集的露头剖面影像上进行孔洞识别并提取,效率较低、准确性较差。
发明内容
本发明的主要目的在于提供一种数字地质露头孔洞提取方法及装置,以解决现有技术人工进行孔洞识别与提取效率较低、准确性较差的技术问题。
为了实现上述目的,根据本发明的一个方面,提供了一种数字地质露头孔洞提取方法,该方法包括:
获取待提取露头剖面影像;
根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
进一步的,所述根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,包括:
根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
将各缩放尺度对应的提取结果进行合并,得到所述孔洞提取结果。
进一步的,该方法还包括:
获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像;
对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型。
进一步的,该裁剪的相邻样本图像具有预设比例的重复区域。
进一步的,所述根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,包括:
根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果;
将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
为了实现上述目的,根据本发明的另一方面,提供了一种数字地质露头孔洞提取装置,该装置包括:
待提取露头剖面影像获取单元,用于获取待提取露头剖面影像;
孔洞提取单元,用于根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
进一步的,所述孔洞提取单元包括:
多缩放尺度提取模块,用于根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
提取结果合并模块,用于将各缩放尺度对应的提取结果进行合并,得到所述孔洞提取结果。
进一步的,该装置还包括:
训练露头剖面影像获取单元,用于获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
影像裁剪单元,用于采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像;
模型训练单元,用于对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型。
进一步的,裁剪的相邻样本图像具有预设比例的重复区域。
进一步的,所述孔洞提取单元包括:
多缩放尺度提取模块,根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
提取结果筛选模块,用于根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果;
孔洞提取结果生成模块,用于将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述数字地质露头孔洞提取方法中的步骤。
为了实现上述目的,根据本发明的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述数字地质露头孔洞提取方法中的步骤。
本发明的有益效果为:本发明采用机器学习的思想训练孔洞识别模型,自动从露头剖面影像中提取出孔洞信息,相比传统人工观察的方式大大提升了工作效率与研究精度,为区域地质勘探过程中储层预测提供依据。此外,本发明的孔洞识别模型的训练样本采用通过多个缩放尺度进行裁剪得出的训练样本,提取的孔洞更准确,且能提取出较小的孔洞。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。在附图中:
图1是本发明实施例数字地质露头孔洞提取方法的流程图;
图2是本发明实施例孔洞提取的第一流程图;
图3是本发明实施例模型训练的流程图;
图4是本发明实施例孔洞提取的第二流程图;
图5是本发明实施例数字地质露头孔洞提取装置的第一结构框图;
图6是本发明第一实施例孔洞提取单元的结构框图;
图7是本发明实施例数字地质露头孔洞提取装置的第二结构框图;
图8是本发明第二实施例孔洞提取单元的结构框图;
图9是本发明实施例露头剖面影像示意图;
图10是本发明实施例孔洞提取结果示意图;
图11是本发明实施例计算机设备示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
图1是本发明实施例数字地质露头孔洞提取方法的流程图,如图1所示,本实施例的数字地质露头孔洞提取方法包括步骤S101至步骤S102。
步骤S101,获取待提取露头剖面影像。
步骤S102,根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
在本发明的实施例中,在进行数字地质露头孔洞提取时,本发明先寻找地下储层的露头类似体,该露头类似体为地下储存的露头剖面。露头类似体应具有以下特性:露头出露完好,覆盖少且风化小;露头与地下储层属于同一套物源体系;露头与地下储层具有相同的沉积环境和沉积相。进而利用高分辨率数码相机获得储层类似体的露头剖面数字影像,即得到露头剖面影像。在本发明的实施例中,由于地下储层的露头剖面影像数量较多,本发明可以基于部分露头剖面影像来训练出识别模型,进而根据训练出识别模型对其他露头剖面影像进行孔洞提取。
在本发明的实施例中,本发明的识别模型的训练方法包括影像预处理、建立样本库以及模型训练三部分。
1、影像预处理:将高分辨率数码相机拍摄的露头剖面影像进行裁剪处理,本发明采用多缩放尺度输入的方式,由于不同类型的孔洞的大小差异较大,要对原始影像以不同的缩放尺度裁剪,得到有一定比例重复区域的固定大小的图片,后面样本库以及自动识别的对象都是这些处理后的图片。
2、建立样本库:选取一定数量裁剪后的图片,采用人工样本标注的方式,建立样本库,样本库包含训练样本和测试样本。
3、模型训练:为了提高训练效率,本发明采用公开数据集的训练权重作为预训练参数,利用上一步建立的样本库训练区域卷积神经网络模型,调整区域卷积神经网络的超参数,使测试集检测精度达到预设值。
在本发明的实施例中,在基于训练好的识别模型对待提取露头剖面影像进行孔洞提取时,由于孔洞的大小差异较大,可以采用多缩放尺度输入的方式,利用训练好的模型自动提取影像中的孔洞,将多缩放尺度提取的结果进行融合的到最终的检测结果。本发明的多缩放尺度融合策略是:从较小缩放尺度的检测结果提取大目标,从较大缩放尺度的检测结果提取小目标,然后将结果进行合并。
在本发明的实施例中,在得到孔洞提取结果后,可以根据孔洞提取结果定量计算孔洞个数、孔洞总周长、孔洞总面积、孔洞面孔度等孔洞参数,对孔洞研究提供数据基础。
由以上描述可以看出,本发明采用机器学习的思想训练孔洞识别模型,自动从露头剖面影像中提取出孔洞信息,相比传统人工观察的方式大大提升了工作效率与研究精度,为区域地质勘探过程中储层预测提供依据。此外,本发明的孔洞识别模型的训练样本采用通过多个缩放尺度进行裁剪得出的训练样本,提取的孔洞更准确,且能提取出较小的孔洞。
图2是本发明实施例孔洞提取的第一流程图,如图2所示,在本发明的一可选实施例中,上述步骤S102的孔洞提取步骤具体可以包括步骤S201和步骤S202。
步骤S201,根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果。
步骤S202,将各缩放尺度对应的提取结果进行合并,得到所述孔洞提取结果。
图3是本发明实施例模型训练的流程图,如图3所示,本发明实施例的模型训练方法包括步骤S301至步骤S303。
步骤S301,获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
步骤S302,采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像。
在本发明的实施例中,在对用于模型训练的露头剖面影像进行裁剪时,裁剪的相邻样本图像具有预设比例的重复区域。该预设比例的取值范围可以在百分之10至百分之90之间,优选的该预设比例为百分之50。
步骤S303,对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型。
在本发明的一具体实施例中,本发明识别模型的训练方法可以包括以下步骤:
1、确定地下储层的露头类似体
本实施例中,选择四川省峨边灯2段出露较好的地质露头作为地下储层的露头类似体。峨边灯2段露头与研究区地下峨边灯2段储层属于同一套物源体系。
2.数码相机拍摄露头类似体获得露头剖面影像,并建立样本库
本实施例中,高分辨率数码相机选用的是宾得645D,达到4000万像素,用于获取露头的剖面数字影像,以其中一张7264×5440像素大小影像为例,如图9所示。
(1)影像预处理:本实施例中,本发明将高分辨率数码相机拍摄的露头的剖面影像进行裁剪处理,裁剪成800×800像素大小的图片,裁剪时以三种缩放尺度裁剪,分别是原尺度剖面影像缩放0.5、1、2倍,三种缩放尺度分别裁剪得到972、234、54张图片,总计1260张图片。
(2)建立样本库:本实施例中,选取若干张裁剪后的图片,采用开源软件VGG ImageAnnotator(VIA)人工样本标注的方式,生成若干训练样本及测试样本,建立样本库。在本实施例中,在孔洞标注时共选取721个孔洞对象。
3.训练区域卷积神经网络模型
本实施例中,本发明的识别模型采用Mask-RCNN区域卷积神经网络模型,模型训练的硬件环境:CPU(Intel酷睿i7 6700K)、内存16G、GPU(GeForceGTX10808G);运行框架:Python3.5.2+Keras 2.2.2;特征提取网络采用ResNET101+FPN,为了提高训练效率,本发明采用公开数据集Microsoft COCO 2017数据集的预训练权重作为模型的预训练参数,利用上一步建立的样本库训练本发明的模型。训练分两部分:(1)固定ResNet101权重,训练其他网络参数,学习率0.001;(2)训练所有网络层参数,学习率0.0001。优化方法:SGD(动量:0.9,权重衰减因子:0.0001);每轮训练迭代次数:20;训练批次:第一部分70次,第二部分50次;RPN锚点窗口大小:(8,16,32,64,128),测试集检测精度达到88%。
图4是本发明实施例孔洞提取的第二流程图,如图4所示,在本发明的另一可选实施例中,上述步骤S102的孔洞提取步骤具体可以包括步骤S401至步骤S403。
步骤S401,根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果。
步骤S402,根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果。
步骤S403,将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
在本发明的一具体实施例中,本发明根据训练好的识别模型提取影像中的孔洞可以包括以下步骤:
本实施例利用训练好的Mask-RCNN模型以多缩放尺度输入方式自动提取影像中的孔洞,然后将三种缩放尺度(0.5、1、2)的提取结果进行融合。在本实施例中每种缩放尺度对应有预设的孔洞筛选条件,0.5倍缩放尺度的孔洞筛选条件为选择孔洞提取结果中面积大于50mm2的孔洞,1倍缩放尺度的孔洞筛选条件为选择孔洞提取结果中面积小于125mm2的孔洞,2倍缩放尺度的孔洞筛选条件为选择孔洞提取结果中面积小于250mm2的孔洞。在根据孔洞筛选条件对提取的孔洞进行筛选后,将每种缩放尺度对应筛选后的提取结果进行合并,得出最终的孔洞提取结果,如图10所示。
在本发明的实施例中,在提取出孔洞提取结果后,可以定量计算出孔洞参数,在上述实施例中,计算的孔洞参数为:孔洞个数6092个、孔洞总周长0.0536mm、孔洞总面积0.0661mm2、孔洞面孔度2.68%。
本发明实施例通过对露头剖面影像中进行孔洞自动识别,可定量刻画尺度较大孔洞的发育特征,弥补通过实验提取的孔洞在大尺度定量描述上的不足,并且相比传统人工提取的方式大大提升了工作效率与研究精度,结合露头地质特征(构造、沉积、成岩)明确孔洞成因类型与发育规律,为区域地质勘探过程中储层预测提供依据。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
基于同一发明构思,本发明实施例还提供了一种数字地质露头孔洞提取装置,可以用于实现上述实施例所描述的数字地质露头孔洞提取方法,如下面的实施例所述。由于数字地质露头孔洞提取装置解决问题的原理与数字地质露头孔洞提取方法相似,因此数字地质露头孔洞提取装置的实施例可以参见数字地质露头孔洞提取方法的实施例,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5是本发明实施例数字地质露头孔洞提取装置的第一结构框图,如图5所示,本发明实施例数字地质露头孔洞提取装置包括:待提取露头剖面影像获取单元1和孔洞提取单元2。
待提取露头剖面影像获取单元1,用于获取待提取露头剖面影像。
孔洞提取单元2,用于根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
图6是本发明第一实施例孔洞提取单元的结构框图,如图6所示,在本发明的一可选实施例中,上述孔洞提取单元2具体包括:多缩放尺度提取模块201和提取结果合并模块202。
多缩放尺度提取模块201,用于根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果。
提取结果合并模块202,用于将各缩放尺度对应的提取结果进行合并,得到所述孔洞提取结果。
图7是本发明实施例数字地质露头孔洞提取装置的第二结构框图,如图7所示,在本发明实施例的数字地质露头孔洞提取装置还包括:训练露头剖面影像获取单元3、影像裁剪单元4和模型训练单元5。模型训练单元5与孔洞提取单元2连接。
训练露头剖面影像获取单元3,用于获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应。
影像裁剪单元4,用于采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像。
模型训练单元5,用于对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型。
在本发明的实施例中,影像裁剪单元4在对用于模型训练的露头剖面影像进行裁剪时,裁剪的相邻样本图像具有预设比例的重复区域。
图8是本发明第二实施例孔洞提取单元的结构框图,如图8所示,在本发明的另一可选实施例中,上述孔洞提取单元2具体可以包括:多缩放尺度提取模块201、提取结果筛选模块203和孔洞提取结果生成模块204。
多缩放尺度提取模块201,根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果。
提取结果筛选模块203,用于根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果。
孔洞提取结果生成模块204,用于将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机设备。如图11所示,该计算机设备包括存储器、处理器、通信接口以及通信总线,在存储器上存储有可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述实施例方法中的步骤。
处理器可以为中央处理器(Central Processing Unit,CPU)。处理器还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及单元,如本发明上述方法实施例中对应的程序单元。处理器通过运行存储在存储器中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及作品数据处理,即实现上述方法实施例中的方法。
存储器可以包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需要的应用程序;存储数据区可存储处理器所创建的数据等。此外,存储器可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个单元存储在所述存储器中,当被所述处理器执行时,执行上述实施例中的方法。
上述计算机设备具体细节可以对应参阅上述实施例中对应的相关描述和效果进行理解,此处不再赘述。
为了实现上述目的,根据本申请的另一方面,还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序在计算机处理器中执行时实现上述数字地质露头孔洞提取方法中的步骤。本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(RandomAccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard DiskDrive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
显然,本领域的技术人员应该明白,上述的本发明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,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 (6)
1.一种数字地质露头孔洞提取方法,其特征在于,包括:
获取待提取露头剖面影像;
根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像;
对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型;
所述根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,包括:
根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果;
将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
2.根据权利要求1所述的数字地质露头孔洞提取方法,其特征在于,裁剪的相邻样本图像具有预设比例的重复区域。
3.一种数字地质露头孔洞提取装置,其特征在于,包括:
待提取露头剖面影像获取单元,用于获取待提取露头剖面影像;
孔洞提取单元,用于根据训练好的识别模型对所述待提取露头剖面影像进行孔洞提取得到孔洞提取结果,其中,所述识别模型的训练样本是由将用于模型训练的露头剖面影像分别在多个缩放尺度进行裁剪,得到多个固定大小的样本图像,进而对样本图像进行孔洞标准得到的训练样本;用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
训练露头剖面影像获取单元,用于获取用于模型训练的露头剖面影像,其中,用于模型训练的露头剖面影像和所述待提取露头剖面影像与同一地下储层对应;
影像裁剪单元,用于采用预设的多个缩放尺度分别对用于模型训练的露头剖面影像进行裁剪,得到固定大小的多个样本图像;
模型训练单元,用于对所述样本图像进行孔洞标注得到训练样本,并根据所述训练样本训练所述识别模型;
所述孔洞提取单元包括:
多缩放尺度提取模块,根据所述多个缩放尺度分别对所述待提取露头剖面影像进行孔洞提取得到各缩放尺度对应的提取结果;
提取结果筛选模块,用于根据各缩放尺度对应的预设孔洞筛选条件对各缩放尺度对应的提取结果进行筛选,得到各缩放尺度对应孔洞筛选结果;
孔洞提取结果生成模块,用于将各缩放尺度对应孔洞筛选结果进行合并,得到所述孔洞提取结果。
4.根据权利要求3所述的数字地质露头孔洞提取装置,其特征在于,裁剪的相邻样本图像具有预设比例的重复区域。
5.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至2任一项方法中的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序在计算机处理器中执行时实现如权利要求1至2任意一项方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664530.9A CN112287718B (zh) | 2019-07-23 | 2019-07-23 | 数字地质露头孔洞提取方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910664530.9A CN112287718B (zh) | 2019-07-23 | 2019-07-23 | 数字地质露头孔洞提取方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112287718A CN112287718A (zh) | 2021-01-29 |
CN112287718B true CN112287718B (zh) | 2024-05-03 |
Family
ID=74419134
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910664530.9A Active CN112287718B (zh) | 2019-07-23 | 2019-07-23 | 数字地质露头孔洞提取方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112287718B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914793A (zh) * | 2012-10-12 | 2013-02-06 | 中国石油天然气股份有限公司 | 一种非均质储层的非等效体建模方法及装置 |
CN105626058A (zh) * | 2015-12-30 | 2016-06-01 | 中国石油天然气股份有限公司 | 一种确定储层岩溶发育程度的方法及装置 |
CN106707363A (zh) * | 2016-12-29 | 2017-05-24 | 中国石油天然气股份有限公司 | 一种确定三维数字露头地质模型的方法及系统 |
CN107807413A (zh) * | 2017-10-31 | 2018-03-16 | 中国石油天然气股份有限公司 | 地质模型确定方法和装置 |
CN108597023A (zh) * | 2018-05-09 | 2018-09-28 | 中国石油大学(华东) | 一种基于单反相机的地质露头三维模型构建方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9134457B2 (en) * | 2009-04-08 | 2015-09-15 | Schlumberger Technology Corporation | Multiscale digital rock modeling for reservoir simulation |
-
2019
- 2019-07-23 CN CN201910664530.9A patent/CN112287718B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102914793A (zh) * | 2012-10-12 | 2013-02-06 | 中国石油天然气股份有限公司 | 一种非均质储层的非等效体建模方法及装置 |
CN105626058A (zh) * | 2015-12-30 | 2016-06-01 | 中国石油天然气股份有限公司 | 一种确定储层岩溶发育程度的方法及装置 |
CN106707363A (zh) * | 2016-12-29 | 2017-05-24 | 中国石油天然气股份有限公司 | 一种确定三维数字露头地质模型的方法及系统 |
CN107807413A (zh) * | 2017-10-31 | 2018-03-16 | 中国石油天然气股份有限公司 | 地质模型确定方法和装置 |
CN108597023A (zh) * | 2018-05-09 | 2018-09-28 | 中国石油大学(华东) | 一种基于单反相机的地质露头三维模型构建方法 |
Non-Patent Citations (1)
Title |
---|
"基于数字露头的地质信息提取与分析――以鄂尔多斯盆地上三叠统延长组杨家沟剖面为例";刘学锋等;《岩性油气藏》;20151001;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112287718A (zh) | 2021-01-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20210319561A1 (en) | Image segmentation method and system for pavement disease based on deep learning | |
CN108009591B (zh) | 一种基于深度学习的接触网关键部件识别方法 | |
CN111784685A (zh) | 一种基于云边协同检测的输电线路缺陷图像识别方法 | |
EP3408828B1 (en) | Systems and methods for detecting imaged clouds | |
CN112884791B (zh) | 一种构建大规模遥感影像语义分割模型训练样本集的方法 | |
Groucutt et al. | Late Pleistocene lakeshore settlement in northern Arabia: middle Palaeolithic technology from Jebel Katefeh, Jubbah | |
WO2020225592A1 (en) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks | |
Bruna et al. | A new methodology to train fracture network simulation using multiple-point statistics | |
CN107832849B (zh) | 一种基于知识库的电力线廊道三维信息提取方法及装置 | |
CN110599453A (zh) | 一种基于图像融合的面板缺陷检测方法、装置及设备终端 | |
Su et al. | A new hierarchical moving curve-fitting algorithm for filtering lidar data for automatic DTM generation | |
Dunhill | Using remote sensing and a geographic information system to quantify rock exposure area in England and Wales: Implications for paleodiversity studies | |
CN115690081A (zh) | 一种树木计数方法、系统、存储介质、计算机设备及终端 | |
CN104966102A (zh) | 基于卫星图像的台风检测方法 | |
Weismüller et al. | Mapping the fracture network in the Lilstock pavement, Bristol Channel, UK: manual versus automatic | |
Böhm et al. | The IQmulus urban showcase: Automatic tree classification and identification in huge mobile mapping point clouds | |
US20130231897A1 (en) | Systems and methods for efficient analysis of topographical models | |
CN112287718B (zh) | 数字地质露头孔洞提取方法及装置 | |
CN113902793A (zh) | 基于单视觉遥感影像端到端建筑物高度预测方法、系统和电子设备 | |
CN104573339A (zh) | 页岩气储层的地质参数确定方法和装置 | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN116309526A (zh) | 纸杯缺陷检测方法及装置 | |
Lewis et al. | An automated system for the statistical analysis of sediment texture and structure at the micro scale | |
CN115170783A (zh) | 一种使用街景图像的快速公路路面裂缝检测方法 | |
CN116051966A (zh) | 基于深度学习网络的笔石图像识别方法及其模型训练方法 |
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 |