CN112686259A - 基于深度学习的岩石图像智能识别方法、装置及存储介质 - Google Patents

Abstract

本公开提供了一种基于深度学习的岩石图像智能识别方法、装置及存储介质，方法包括：获取终端设备发送的待识别岩石图像，将该待识别岩石图像输入至预设的图像识别模型，获得待识别岩石图像对应的识别结果预测图像，并根据该识别结果预测图，对待识别岩石图像中的待识别岩石的成分进行识别。即采用模型识别的方式对岩石图像的成分进行识别，进而实现对砂岩储层的孔隙度、渗透率的分析。识别结果更加客观、准确，有效解决了现有技术中人工对砂岩储层的孔隙度、渗透率分析识别不够准确的技术问题。此外，采用模型识别的方式对岩石图像的成分进行识别，效率更高，有效提升了岩石图像的识别速度。

Description

基于深度学习的岩石图像智能识别方法、装置及存储介质

技术领域

本公开实施例涉及图像识别技术领域，尤其涉及一种基于深度学习的岩石图像智能识别方法、装置及存储介质。

背景技术

国内石油主要形成在具有烃源岩的生储盖组合中，储层一般是孔隙度、渗透率条件较为优越的砂岩，因此在生产过程中对砂岩储层的孔隙度、渗透率分析有重大意义。

现有技术中，为了实现对砂岩储层的孔隙度、渗透率的分析，一般对岩石图像做灰度值直方图，由观察者人工对灰度值直方图进行观察，根据灰度直方图中像素灰度值的集中范围，对识别岩石孔隙、岩石骨架、粘土矿物类别数量等信息进行识别。

但是，采用上述方法识别岩石图像，识别结果往往受观察者的经验因素影响较大，识别不够准确。此外，人工对砂岩储层的孔隙度、渗透率分析往往效率较低。

发明内容

本公开实施例提供一种基于深度学习的岩石图像智能识别方法、装置及存储介质，该方法解决了人工对砂岩储层的孔隙度、渗透率分析识别不够准确且效率较低的技术问题。

第一方面，本公开实施例提供一种基于深度学习的岩石图像智能识别方法，包括：

获取终端设备发送的待识别岩石图像；

将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像；

根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

进一步地，如上所述的方法，所述将所述待识别岩石图像输入至预设的图像识别模型之前，还包括：

获取预设的待训练数据集，所述待训练数据集中包括多组待训练图像对，所述待训练图像对中包括岩石图像以及与所述岩石图像对应的标签信息；

通过所述待训练数据集对预设的待训练模型进行训练，直至所述待训练模型收敛，获得所述图像识别模型；

其中，所述待训练模型为DRU-Net模型。

进一步地，如上所述的方法，所述获取预设的待训练数据集，包括：

获取待处理数据集，所述待处理数据集中包括多张岩石原始图像；

对所述待处理数据集中的多张岩石原始图像进行色彩空间变换操作，获得多张中间图像；

对各所述中间图像进行分割操作，获得所述中间图像对应的标签信息，其中，所述标签信息包括所述中间图像中岩石的内部特征信息以及成分信息；

将各所述中间图像以及所述中间图像对应的标签信息作为所述待训练图像对，获得所述待训练数据集。

进一步地，如上所述的方法，所述根据所述多张中间图像以及所述中间图像对应的标签信息，获得所述待训练数据集，包括：

对所述多张中间图像以及所述中间图像对应的标签信息进行数据扩充操作，获得所述待训练数据集。

进一步地，如上所述的方法，所述通过所述待训练数据集对预设的待训练模型进行训练，包括：

对所述待训练模型进行学习率预热操作和/或学习率退火操作，获得所述待训练模型对应的初始学习率；

根据所述初始学习率以及所述待训练数据集，对所述待训练模型进行训练。

进一步地，如上所述的方法，所述待训练模型包括编码层以及解码层；

所述将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像，包括：

将所述待识别岩石图像输入至所述编码层，获得所述待识别岩石图像对应的特征数据；

将所述特征数据输入至所述解码层，获得所述待识别岩石图像对应的识别结果预测图像。

进一步地，如上所述的方法，所述识别结果预测图包括孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图；

所述根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别，包括：

按照预设的所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像；

对所述合并图像进行伪彩色填充操作，获得目标结果图像；

根据所述目标结果图像，识别所述待识别岩石图像中的待识别岩石的成分。

第二方面，本公开实施例提供一种岩石图像识别装置，包括：

获取模块，用于获取终端设备发送的待识别岩石图像；

识别模块，用于将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像；

所述识别模块，还用于根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

第三方面，本公开实施例提供一种电子设备，包括：存储器，处理器；

存储器：用于存储所述处理器可执行指令的存储器；

其中，所述处理器用于调用所述存储器中的程序指令执行如第一方面所述的基于深度学习的岩石图像智能识别方法。

第四方面，本公开实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如第一方面所述的基于深度学习的岩石图像智能识别方法。

本公开实施例提供一种基于深度学习的岩石图像智能识别方法、装置及存储介质，通过获取终端设备发送的待识别岩石图像，将该待识别岩石图像输入至预设的图像识别模型，获得待识别岩石图像对应的识别结果预测图像，并根据该识别结果预测图，对待识别岩石图像中的待识别岩石的成分进行识别。即采用模型识别的方式对岩石图像的成分进行识别，进而实现对砂岩储层的孔隙度、渗透率的分析。识别结果更加客观、准确，有效解决了现有技术中岩石图像识别结果受观察者的个人主观因素影响较大，且识别不够准确的技术问题。此外，采用模型识别的方式对岩石图像的成分进行识别，效率更高，有效提升了岩石图像的识别速度。

应当理解，上述发明内容部分中所描述的内容并非旨在限定本公开的实施例的关键或重要特征，亦非用于限制本公开的范围。本公开的其它特征将通过以下的描述变得容易理解。

附图说明

为了更清楚地说明本公开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一简单地介绍，显而易见地，下面描述中的附图是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例所基于的一种系统架构的示意图；

图2为本公开实施例一提供的基于深度学习的岩石图像智能识别方法的流程图；

图3为本公开实施例二提供的基于深度学习的岩石图像智能识别方法的流程图；

图4为本公开实施例二提供的各中间图像以及各中间图像对应的标签信息示意图；

图5为本公开实施例三提供的基于深度学习的岩石图像智能识别方法的流程图；

图6为本公开实施例四提供的基于深度学习的岩石图像智能识别方法的流程图；

图7为本公开实施例四提供的目标结果图像示意图；

图8为本公开实施例五提供的基于深度学习的岩石图像智能识别装置的结构示意图；

图9为本公开实施例的电子设备的结构示意图。

具体实施方式

下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例，相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。

本公开实施例的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本公开实施例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，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。

目前，国内石油主要形成在具有烃源岩的生储盖组合中，储层一般是孔隙度、渗透率条件较为优越的砂岩或碳酸盐岩，目前国内的油田大多数是巨大的砂岩储集层，如胜利油田、大庆油田等，因此在生产过程中对砂岩储层的孔隙度、渗透率分析有重大意义。现有技术中，通过对岩石图像做灰度值直方图，从灰度值直方图可以看到像素灰度值的集中范围，从而识别岩石孔隙、岩石骨架、粘土矿物类别数量等信息。但是，采用该方法识别岩石图像，识别结果受观察者的个人主观因素影响较大，且识别不够准确。

针对上述问题，发明人通过研究发现，可以采用模型识别的方式对岩石图像的成分进行识别，进而实现对砂岩储层的孔隙度、渗透率的分析。识别结果更加客观、准确，有效解决了现有技术中岩石图像识别结果受观察者的个人主观因素影响较大，且识别不够准确的技术问题。

图1为本公开实施例所基于的一种系统架构的示意图，如图1所示，该图1所示系统架构具体可包括终端设备1以及服务器2，其中服务器2中设置有岩石图像识别装置。

其中，终端设备1具体可为任意一个能够向岩石图像识别装置发送待识别岩石图像的终端，其包括但不限于手机、台式电脑、平板电脑等硬件设备。

岩石图像识别装置具体可为搭载于服务器2中的装置，其具体可以用于获取终端设备发送的待识别岩石图像，将该待识别岩石图像输入至预设的图像识别模型，获得该待识别岩石图像对应的识别结果预测图像，并根据该识别结果预测图，对待识别岩石图像中的待识别岩石的成分进行识别。

实施例一

图2为本公开实施例一提供的基于深度学习的岩石图像智能识别方法的流程图，如图2所示，本实施例提供的基于深度学习的岩石图像智能识别方法包括以下几个步骤：

步骤201、获取终端设备发送的待识别岩石图像。

需要说明的是，本实施例提供的基于深度学习的岩石图像智能识别方法的执行主体为前述岩石图像识别装置，该装置可搭载于服务器中。

在本实施方式中，由于现有的基于深度学习的岩石图像智能识别方法的识别结果受观察者的个人主观因素影响较大，因此为了避免个人主观因素对识别结果的影响，需要使用图像识别模型对岩石图像进行识别。因此，为了使用图像识别模型对岩石图像进行识别，岩石图像识别装置首先可以获取终端设备发送的待识别岩石图像。

具体地，该待识别岩石图像具体可以为通过岩屑录井、钻井取芯或电子显微镜等任意一种合适的方式获取的数字岩石图像，本实施例中对此不作限定。

步骤202、将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像。

在本实施方式中，在岩石图像识别装置获取终端设备发送的待识别岩石图像之后，为了进行岩石图像识别，岩石图像识别装置可以将该待识别的岩石图像输入至预设的图像识别模型，进而可以获得该待识别岩石图像对应的识别结果预测图像。

具体地，该预设的图像识别模型具体可以为预先训练好的，用于对岩石图像进行识别的图像识别模型。

此外，该识别结果预测图像具体可以为待识别岩石中各成分的预测图像。

步骤203、根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

在本实施方式中，在岩石图像识别装置获得该待识别岩石图像对应的识别结果预测图像之后，为了进一步对该岩石图像进行分析，岩石图像识别装置可以根据该识别结果预测图，对该待识别岩石图像中的待识别岩石的成分进行识别。具体地，识别结果可以为待识别岩石中各成分的名称以及各成分所占的比例。

本实施例提供的基于深度学习的岩石图像智能识别方法，通过获取终端设备发送的待识别岩石图像，将该待识别岩石图像输入至预设的图像识别模型，获得待识别岩石图像对应的识别结果预测图像，并根据该识别结果预测图，对待识别岩石图像中的待识别岩石的成分进行识别。即采用模型识别的方式对岩石图像的成分进行识别，进而实现对砂岩储层的孔隙度、渗透率的分析。识别结果更加客观、准确，有效解决了现有技术中人工对砂岩储层的孔隙度、渗透率分析识别不够准确的技术问题。此外，采用模型识别的方式对岩石图像的成分进行识别，效率更高，有效提升了岩石图像的识别速度。

实施例二

图3为本公开实施例二提供的基于深度学习的岩石图像智能识别方法的流程图，如图3所示，在本公开上述实施例一的基础上，为了进一步说明本公开实施例提供的基于深度学习的岩石图像智能识别方法，在上述实施例一中的步骤202之前，还包括以下步骤：

步骤301、获取预设的待训练数据集，所述待训练数据集中包括多组待训练图像对，所述待训练图像对中包括岩石图像以及与所述岩石图像对应的标签信息。

在本实施方式中，由于要使用图像识别模型对岩石图像进行识别，因此，在使用该图像识别模型之前，需要对该图像识别模型进行训练。因此，为了对该图像识别模型进行训练，岩石图像识别装置首先可以获取预设的待训练数据集。具体地，该待训练数据集中可以包括多组待训练图像对，该待训练图像对中可以包括岩石图像以及与该岩石图像对应的标签信息。

其中，该岩石图像对应的标签信息可以通过对岩石图像进行分割操作得到。

步骤302、通过所述待训练数据集对预设的待训练模型进行训练，直至所述待训练模型收敛，获得所述图像识别模型，其中，所述待训练模型为DRU-Net模型。

在本实施方式中，在岩石图像识别装置获取预设的待训练数据集之后，为了获得图像识别模型，岩石图像识别装置可以通过该待训练数据集对预设的待训练模型进行训练，直至待训练模型收敛，即可获得训练好的图像识别模型。

具体地，该待训练模型可以为DRU-Net模型，该模型包括残差网络模块(ResNet)、稠密网络模块(DenseNet)以及U-Net模块。

本实施例提供的基于深度学习的岩石图像智能识别方法，通过获取预设的待训练数据集，对预设的待训练模型进行训练，并获得图像识别模型。保证了图像识别模型识别的准确性，进而为使用该图像识别模型进行岩石图像识别做好了充分的前期准备。

进一步地，在上述实施例二的基础上，所述获取预设的待训练数据集，包括：获取待处理数据集，所述待处理数据集中包括多张岩石原始图像；对所述待处理数据集中的多张岩石原始图像进行色彩空间变换操作，获得多张中间图像；对各所述中间图像进行分割操作，获得所述中间图像对应的标签信息，其中，所述标签信息包括所述中间图像中岩石的内部特征信息以及成分信息；将各所述中间图像以及所述中间图像对应的标签信息作为所述待训练图像对，获得所述待训练数据集。

在本实施例中，为了能够完成对图像识别模型的训练，需要获得待训练数据集，因此，为了获得待训练数据集，岩石图像识别装置首先可以获取待处理数据集。具体地，待处理数据集中可以包括多张岩石原始图像。其中，该岩石原始图像具体可以为通过岩屑录井、钻井取芯或电子显微镜等任意一种合适的方式获取的数字岩石原始图像，本实施例中对此不作限定。

接下来，在岩石图像识别装置获取待处理数据集之后，为了便于对待处理数据集中的岩石原始图像进行后续处理，岩石图像识别装置可以对该待处理数据集中的多张岩石原始图像进行色彩空间变换操作，从而可以获得多张中间图像。

具体地，该色彩空间变换操作具体可以为将岩石原始图像的RGB色彩空间转换为HSV，即对每一个像素点红绿蓝分量进行最大最小值选取。其中亮度分量为最大值，饱和度分量为最大值减最小值，色调分量计算公式随最大值的不同而变化，计算公式具体如下所示：

红绿蓝分量最大值：

Max_value＝max(R_value,G_value,B_value) (1)

红绿蓝分量最小值：

Min_value＝min(R_value,G_value,B_value) (2)

因此亮度分量、饱和度分量、色调分量分别由公式(3)、(4)、(5)计算得到：

V＝Max_value (3)

S＝(Max_value-Min_value) (4)

c＝(Max_value-Min_value)/60 (5)

其中，max、min分别为求最大值与最小值函数，Max_value为每一个像素点红绿蓝分量的最大值，Min_value为每一个像素点红绿蓝分量的最小值R_value、G_value、B_value分别为每一个像素点的红绿蓝分量值。

接下来，在岩石图像识别装置获得多张中间图像之后，为了得到符合标准的待训练数据集，岩石图像识别装置可以对各中间图像进行分割操作，获得中间图像对应的标签信息。其中，该标签信息可以包括各中间图像中岩石的内部特征信息以及成分信息。

具体地，可以使用分水岭分割算法以及模糊C均值算法对各中间图像进行分割操作。具体流程如下:

利用非线性滤波(PGF)算法消除各中间图像的噪声并平滑图像。首先计算在滤波窗口w×w中当前像素点x₀(n)到其他点的距离，按照升序排列。

d_i(n)＝||x₀(n)-x_i||，i＝0，1，...，w²-1 (7)

其中，d_i(n)为当前像素点x₀(n)到其他点的距离，x_i为除当前像素点x₀(n)以外的其他像素点。

接着判断当前像素是否为脉冲噪声：

f_i(n)＝(d_i+1(n)-d_i(n))＞α (8)则认为对应像素为脉冲噪声，其中，α为调节参数，f_i(n)为当前像素。

如当前像素为噪声点，则用滤波窗口中同类组成员的高斯平均值来取代当前像素点值，公式如下：

其中，x_new(n)为取代像素点值，

为滤波窗口中同类组成员的高斯平均值。

接下来，使用滤波去噪后的数字岩石图像计算梯度图，将梯度图输入分水岭算法，寻找岩石图像的每个像素到图像表面高程局部较小的下游路径。集水盆地定义为满足以下调节的所有像素集合：这些像素的下游路径中止于同一个高程极小点。经过分水岭算法处理后的数字岩石图像被分割为从0开始的一系列标号区域。将结果应用于模糊C均值算法中，最后得到分割后的图像作为标签。

模糊C均值将数字岩石图像像素点分成C个类别，使每个样本与样本均值的误差平方和最小，即使公式(10)的目标函数具有最小值。

其中，Xi(xj)是第j个点属于第i类的率属函数值，b作为率属函数值的指数，可以控制模糊程度的大小，当b接近于0时，此时模糊C均值算法退化为C均值算法，当b接趋近无穷时，算法将失去意义，每个样本等概率属于所有类别。

得到每个样本的率属函数值之和为1，即

通过求偏导数寻找极值点的方式使目标函数值J最小，即找到一个值使得J对mi与Xi(xj)的偏导数为零，可以得到以下两式：

选择中间图像样本总数为100，分类数为3，以及迭代次数200次，可接受误差值e为10^-5等参数运行模糊C均值算法，根据公式(12)和(13)计算每个像素的率属函数值和样本中心点，迭代次数达到k或者目标函数值J小于可接受误差值e等参数时，结束运行。

最后，图4为本公开实施例二提供的各中间图像以及各中间图像对应的标签信息示意图，如图4所示，在岩石图像识别装置获得中间图像对应的标签信息之后，由于该标新信息可以用于对图像识别模型进行训练，因此，岩石图像识别装置可以将各中间图像以及各中间图像对应的标签信息作为待训练图像对，从而可以获得包含有多个待训练图像对的待训练数据集。

通过上述方式，可以准确获取用于对图像识别模型进行训练的待训练数据集，从而为使用图像识别模型进行准确的岩石图像识别奠定了基础。

进一步地，在上述任一实施例的基础上，所述根据所述多张中间图像以及所述中间图像对应的标签信息，获得所述待训练数据集，包括：对所述多张中间图像以及所述中间图像对应的标签信息进行数据扩充操作，获得所述待训练数据集。

在本实施例中，由于中间图像以及中间图像对应的标签信息较少，为了使模型有更好的泛化效果，岩石图像识别装置可以对多张中间图像以及中间图像对应的标签信息进行数据扩充操做，获得待训练数据集。具体地，岩石图像识别装置可以采用数据增强的方式来实现数据集的扩充。

举例来说，岩石图像识别装置可以对中间图像以及中间图像对应的标签信息以相同概率做相同程度的亮度变化。或者，可以以相同概率同时放缩中间图像以及中间图像对应的标签信息。又或者，可以对中间图像以及中间图像对应的标签信息以随机概率进行相同角度的旋转，如45°、90°、135°等任何合适的角度，本公开实施例对此不作限定。再或者，可以对中间图像增加高斯噪声，但不改变中间图像对应的标签信息。

通过上述方式，可以实现对数据的扩充，从而使模型有更好的泛化效果。此外，采用这种数据扩充方式，可以有效避免扩充不相关的数据，保证了待训练数据集的准确性。

进一步地，在上述任一实施例的基础上，所述通过所述待训练数据集对预设的待训练模型进行训练，包括：对所述待训练模型进行学习率预热操作和/或学习率退火操作，获得所述待训练模型对应的初始学习率；根据所述初始学习率以及所述待训练数据集，对所述待训练模型进行训练。

在本实施例中，为了防止在训练初始阶段使用过大的学习率而导致模型不稳定的问题，需要确定一个合适的学习率作为待训练模型对应的初始学习率。因此，为了获得该待训练模型对应的初始学习率，岩石图像识别装置可以对该待训练模型进行学习率预热操作和/或学习率退火操作。

具体地，岩石图像识别装置可以对该待训练模型进行学习率预热操作，即首先使用一个较小的学习率进行模型训练，并在每次训练之后，逐渐增大学习率，记录训练误差随学习率的变化，从而可以确定一个合适的学习率范围。在确定该合适的学习率范围后，岩石图像识别装置可以对该待训练模型进行学习率退火操作，即首先采用该合适的学习率范围中较大的学习率进行模型训练，并加快模型收敛速度，在最后损失值接近局部极小值时，减缓学习率下降速度，稳步接近局部极小值。循环调整学习率，使模型的损失值不停地跳出局部极小值，最后顺利逼近全局最小值。此时的学习率即为待训练模型对应的初始学习率。

接下来，在岩石图像识别装置获得待训练模型对应的初始学习率之后，岩石图像识别装置可以根据该初始学习率以及待训练数据集，对待训练模型进行训练。

本实施例提供的基于深度学习的岩石图像智能识别方法，通过对待训练模型进行学习率预热操作和/或学习率退火操作，获得待训练模型对应的初始学习率，并根据该初始学习率以及待训练数据集，对待训练模型进行训练。保证了图像识别模型是初始学习率为一个合适的学习率，有效防止了在训练初始阶段使用过大的学习率而导致模型不稳定的问题。

实施例三

图5为本公开实施例三提供的基于深度学习的岩石图像智能识别方法的流程图，如图5所示，为了进一步说明本公开实施例提供的基于深度学习的岩石图像智能识别方法，可选地，所述待训练模型包括编码层以及解码层，则上述实施例一中的步骤202具体包括以下步骤：

步骤2021、将所述待识别岩石图像输入至所述编码层，获得所述待识别岩石图像对应的特征数据。

在本实施方式中，为了获得待识别岩石图像对应的识别结果预测图像，需要获得待识别岩石图像的特征数据，再根据该特征数据进行拼接，从而获得待识别岩石图像对应的识别结果预测图像。因此，为了获取该待识别岩石图像的特征数据，岩石图像识别装置可以将该待识别岩石图像输入至编码层。

具体地，该编码层可以对待识别岩石图像进行降采样，从而提取待识别岩石图像对应的多维特征数据。相应地，该编码层由四到五个编码模块组成，每个编码模块使用了3个有效卷积和1个池化操作，在每个编码模块将采样完成后，数据的特征维度扩大为上一层编码输出的2倍，待识别岩石图像的尺寸缩小为上一层编码模块输出的1/2。

此外，防止过大的量纲引起图像识别模型的不稳定，在将待识别岩石图像输入至编码层之前，岩石图像识别装置还可以对该待识别岩石图像进行标准化处理。

步骤2022、将所述特征数据输入至所述解码层，获得所述待识别岩石图像对应的识别结果预测图像。

在本实施方式中，在岩石图像识别装置获得待识别岩石图像对应的特征数据之后，为了获得待识别岩石图像对应的识别结果预测图像，岩石图像识别装置可以将该特征数据输入至解码层。

具体地，该解码层可以对待识别岩石图像进行上采样，即可以将该特征数据进行拼接，并将待识别岩石图像恢复到原始尺寸，从而获得待识别岩石图像对应的识别结果预测图像。相应地，解码层同样由四到五个解码模块组成，每个解码模块也利用和编码模块相同的有效卷积操作将解码层中的数据特征维度降低，并通过反卷积操作扩大特征的尺寸。反卷积使用双线性插值算法放大被编码层压缩的特征尺寸，利用待识别岩石图像中目标点四周的真实存在的像素值来共同决定待识别岩石图像对应的识别结果预测图像中的一个像素值，而不是进行补0操作。

此外，在编码层中的卷积操作中还应用了扩充操作，使得图像识别模型在进行多次有效卷积时，可以完整地提取待识别岩石图像边界的信息。并且在编码模块中，第一次卷积输出和第二次卷积输出之间存在一条连接，用来连接两次输出的结果，即每一层卷积操作特征输出都与前所有层的卷积特征输出连接在一起，作为下一层编码模块的输入，达到特征重用，提高效率的目的。

除此之外，编码模块与编码模块之间存在类似残差网络模块的跳跃连接，使得图像识别模型可以逼近恒等映射网络，进而使图像识别模型的效果更容易达到最优。

本实施例提供的基于深度学习的岩石图像智能识别方法，通过将待识别岩石图像输入至编码层，获得待识别岩石图像对应的特征数据，再将该特征数据输入至解码层，获得待识别岩石图像对应的识别结果预测图像。即对输入的待识别岩石图像进行特征自主提取，再进行图像恢复与数据拼接，进而获得待识别岩石图像对应的识别结果预测图像。并且将所有层连接起来，避免了输入的待识别岩石图像在图像识别模型的各层直接传递所造成的梯度爆炸等问题。

实施例四

图6为本公开实施例四提供的基于深度学习的岩石图像智能识别方法的流程图，如图6所示，为了进一步说明本公开实施例提供的基于深度学习的岩石图像智能识别方法，可选地，所述识别结果预测图包括孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图，则上述实施例一中的步骤203具体包括以下步骤：

步骤2031、按照预设的所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像。

步骤2032、对所述合并图像进行伪彩色填充操作，获得目标结果图像。

步骤2033、根据所述目标结果图像，识别所述待识别岩石图像中的待识别岩石的成分。

在本实施例中，由于识别结果预测图可以包括孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图，因此，可以通过对该识别结果预测图进行合并以及伪彩色填充操作，从而识别待识别岩石图像中的待识别岩石的成分。

图7为本公开实施例四提供的目标结果图像示意图，如图7所示，具体地，岩石图像识别装置可以按照预设的孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像。并对该合并图像进行伪彩色填充操作，进而可以获得目标结果图像。从该目标结果图像中，即可识别出待识别岩石图像中的待识别岩石的成分以及各成分的占比。

此外，该预设的孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，可以为任意一种合适的优先级信息，本公开实施例对此不作限定。

本实施例提供的基于深度学习的岩石图像智能识别方法，通过按照预设的孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像。并对该合并图像进行伪彩色填充操作，获得目标结果图像，进而根据该目标结果图像，识别待识别岩石图像中的待识别岩石的成分。即通过对图像识别模型输出的识别结果预测图进行进一步处理，从而可以准确识别出识别待识别岩石图像中的待识别岩石的成分，有效避免了人工对砂岩储层的孔隙度、渗透率分析识别不够准确的问题。

实施例五

图8为本公开实施例五提供的基于深度学习的岩石图像智能识别装置的结构示意图，如图8所示，本实施例提供的岩石图像识别装置包括：获取模块81以及识别模块82。其中，获取模块81，用于获取终端设备发送的待识别岩石图像。识别模块82，用于将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像。所述识别模块82，还用于根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

本实施例提供的基于深度学习的岩石图像智能识别装置，通过获取终端设备发送的待识别岩石图像，将该待识别岩石图像输入至预设的图像识别模型，获得待识别岩石图像对应的识别结果预测图像，并根据该识别结果预测图，对待识别岩石图像中的待识别岩石的成分进行识别。即采用模型识别的方式对岩石图像的成分进行识别，进而实现对砂岩储层的孔隙度、渗透率的分析。识别结果更加客观、准确，有效解决了现有技术中岩石图像识别结果受观察者的个人主观因素影响较大，且识别不够准确的技术问题。此外，采用该岩石图像识别装置对岩石图像的成分进行识别，效率更高，有效提升了岩石图像的识别速度。

可选实施方式中，所述获取模块81，还用于获取预设的待训练数据集，所述待训练数据集中包括多组待训练图像对，所述待训练图像对中包括岩石图像以及与所述岩石图像对应的标签信息。所述岩石图像识别装置，还包括：训练模块83，用于通过所述待训练数据集对预设的待训练模型进行训练，直至所述待训练模型收敛，获得所述图像识别模型，其中，所述待训练模型为DRU-Net模型。

可选实施方式中，所述获取模块81，还用于获取待处理数据集，所述待处理数据集中包括多张岩石原始图像。对所述待处理数据集中的多张岩石原始图像进行色彩空间变换操作，获得多张中间图像。对各所述中间图像进行分割操作，获得所述中间图像对应的标签信息，其中，所述标签信息包括所述中间图像中岩石的内部特征信息以及成分信息。将各所述中间图像以及所述中间图像对应的标签信息作为所述待训练图像对，获得所述待训练数据集。

可选实施方式中，所述获取模块81，还用于对所述多张中间图像以及所述中间图像对应的标签信息进行数据扩充操作，获得所述待训练数据集。

可选实施方式中，所述训练模块83，具体用于，对所述待训练模型进行学习率预热操作和/或学习率退火操作，获得所述待训练模型对应的初始学习率。根据所述初始学习率以及所述待训练数据集，对所述待训练模型进行训练。

可选实施方式中，所述待训练模型包括编码层以及解码层。所述识别模块82具体用于，将所述待识别岩石图像输入至所述编码层，获得所述待识别岩石图像对应的特征数据。将所述特征数据输入至所述解码层，获得所述待识别岩石图像对应的识别结果预测图像。

可选实施方式中，所述识别结果预测图包括孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图。所述识别模块82具体用于，按照预设的所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像。对所述合并图像进行伪彩色填充操作，获得目标结果图像。根据所述目标结果图像，识别所述待识别岩石图像中的待识别岩石的成分。

实施例六

图9为本公开实施例的电子设备的结构示意图，如图9所示，本公开还提供了一种电子设备900，包括：存储器901和处理器902。

存储器901，用于存放程序。具体地，程序可以包括程序代码，所述程序代码包括计算机执行指令。存储器901可能包含高速RAM存储器，也可能还包括非易失性存储器(non-volatile memory)，例如至少一个磁盘存储器。

处理器902，用于执行存储器901存放的程序。

其中，计算机程序存储在存储器901中，并被配置为由处理器902执行以实现本公开任意一个实施例提供的基于深度学习的岩石图像智能识别方法。相关说明可以对应参见附图中的步骤所对应的相关描述和效果进行理解，此处不做过多赘述。

其中，本实施例中，存储器901和处理器902通过总线连接。所述总线可以是工业标准体系结构(Industry Standard Architecture，简称为ISA)总线、外部设备互连(Peripheral Component，简称为PCI)总线或扩展工业标准体系结构(Extended IndustryStandard Architecture，简称为EISA)总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示，图9中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。

实施例七

本公开实施例还提供一种存储介质，其上存储有计算机程序，计算机程序被处理器执行以实现本公开任意一个实施例提供的基于深度学习的岩石图像智能识别方法。

在本公开所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，模块的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个模块或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或模块的间接耦合或通信连接，可以是电性，机械或其它的形式。

作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块显示的部件可以是或者也可以不是物理模块，即可以位于一个地方，或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。

另外，在本公开各个实施例中的各功能模块可以集成在一个处理模块中，也可以是各个模块单独物理存在，也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用硬件加软件功能模块的形式实现。

用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程岩石图像识别装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。

在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。

此外，虽然采用特定次序描绘了各操作，但是这应当理解为要求这样操作以所示出的特定次序或以顺序次序执行，或者要求所有图示的操作应被执行以取得期望的结果。在一定环境下，多任务和并行处理可能是有利的。同样地，虽然在上面论述中包含了若干具体实现细节，但是这些不应当被解释为对本公开的范围的限制。在单独的实施例的上下文中描述的某些特征还可以组合地实现在单个实现中。相反地，在单个实现的上下文中描述的各种特征也可以单独地或以任何合适的子组合的方式实现在多个实现中。

尽管已经采用特定于结构特征和/或方法逻辑动作的语言描述了本主题，但是应当理解所附权利要求书中所限定的主题未必局限于上面描述的特定特征或动作。相反，上面所描述的特定特征和动作仅仅是实现权利要求书的示例形式。

Claims (10)

1.一种基于深度学习的岩石图像智能识别方法，其特征在于，包括：

获取终端设备发送的待识别岩石图像；

将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像；

根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

2.根据权利要求1所述的方法，其特征在于，所述将所述待识别岩石图像输入至预设的图像识别模型之前，还包括：

获取预设的待训练数据集，所述待训练数据集中包括多组待训练图像对，所述待训练图像对中包括岩石图像以及与所述岩石图像对应的标签信息；

通过所述待训练数据集对预设的待训练模型进行训练，直至所述待训练模型收敛，获得所述图像识别模型；

其中，所述待训练模型为DRU-Net模型。

3.根据权利要求2所述的方法，其特征在于，所述获取预设的待训练数据集，包括：

获取待处理数据集，所述待处理数据集中包括多张岩石原始图像；

对所述待处理数据集中的多张岩石原始图像进行色彩空间变换操作，获得多张中间图像；

对各所述中间图像进行分割操作，获得所述中间图像对应的标签信息，其中，所述标签信息包括所述中间图像中岩石的内部特征信息以及成分信息；

将各所述中间图像以及所述中间图像对应的标签信息作为所述待训练图像对，获得所述待训练数据集。

4.根据权利要求3所述的方法，其特征在于，所述根据所述多张中间图像以及所述中间图像对应的标签信息，获得所述待训练数据集，包括：

对所述多张中间图像以及所述中间图像对应的标签信息进行数据扩充操作，获得所述待训练数据集。

5.根据权利要求2-4任一项所述的方法，其特征在于，所述通过所述待训练数据集对预设的待训练模型进行训练，包括：

对所述待训练模型进行学习率预热操作和/或学习率退火操作，获得所述待训练模型对应的初始学习率；

根据所述初始学习率以及所述待训练数据集，对所述待训练模型进行训练。

6.根据权利要求1-4任一项所述的方法，其特征在于，所述待训练模型包括编码层以及解码层；

所述将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像，包括：

将所述待识别岩石图像输入至所述编码层，获得所述待识别岩石图像对应的特征数据；

将所述特征数据输入至所述解码层，获得所述待识别岩石图像对应的识别结果预测图像。

7.根据权利要求1-4任一项所述的方法，其特征在于，所述识别结果预测图包括孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图；

所述根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别，包括：

按照预设的所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图对应的优先级信息，对所述孔隙结构预测图，粘土矿物预测图以及岩石骨架预测图进行合并操作，获得合并图像；

对所述合并图像进行伪彩色填充操作，获得目标结果图像；

根据所述目标结果图像，识别所述待识别岩石图像中的待识别岩石的成分。

8.一种基于深度学习的岩石图像智能识别装置，其特征在于，包括：

获取模块，用于获取终端设备发送的待识别岩石图像；

识别模块，用于将所述待识别岩石图像输入至预设的图像识别模型，获得所述待识别岩石图像对应的识别结果预测图像；

所述识别模块，还用于根据所述识别结果预测图，对所述待识别岩石图像中的待识别岩石的成分进行识别。

9.一种电子设备，其特征在于，包括：存储器，处理器；

存储器：用于存储所述处理器可执行指令的存储器；

其中，所述处理器用于调用所述存储器中的程序指令执行如权利要求1-7任一项所述的基于深度学习的岩石图像智能识别方法。

10.一种存储介质，其特征在于，所述存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如权利要求1-7任一项所述的基于深度学习的岩石图像智能识别方法。

Images