CN112836075A - 基于深度学习和迁移学习的岩层结构智能检测分类方法 - Google Patents

基于深度学习和迁移学习的岩层结构智能检测分类方法 Download PDF

Info

Publication number
CN112836075A
CN112836075A CN202110231919.1A CN202110231919A CN112836075A CN 112836075 A CN112836075 A CN 112836075A CN 202110231919 A CN202110231919 A CN 202110231919A CN 112836075 A CN112836075 A CN 112836075A
Authority
CN
China
Prior art keywords
data
rock stratum
classification
image data
model
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
Application number
CN202110231919.1A
Other languages
English (en)
Inventor
邹先坚
宋欢
陈双源
王超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Institute of Rock and Soil Mechanics of CAS
Original Assignee
Wuhan Institute of Rock and Soil Mechanics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Institute of Rock and Soil Mechanics of CAS filed Critical Wuhan Institute of Rock and Soil Mechanics of CAS
Priority to CN202110231919.1A priority Critical patent/CN112836075A/zh
Publication of CN112836075A publication Critical patent/CN112836075A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
    • G06F16/55—Clustering; Classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/60—Information retrieval; Database structures therefor; File system structures therefor of audio data
    • G06F16/65—Clustering; Classification
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Multimedia (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Geophysics And Detection Of Objects (AREA)

Abstract

本发明属于岩层检测技术领域，公开了一种基于深度学习和迁移学习的岩层结构智能检测分类方法，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；基于获取的钻孔图像数据、声波测井资料，分别构建感知网络；通过现场钻孔测试，验证训练好的感知网络的可靠性，并进行模型反馈优化；基于优化后感知网络进行岩层结构的智能检测分类。本发明实现了岩层结构特征的智能检测与实时分类统计，为现场钻孔勘察中深部岩层结构的智能识别与实时分类方法的实践应用奠定基础条件。

Description

基于深度学习和迁移学习的岩层结构智能检测分类方法
技术领域
本发明属于岩层检测技术领域，尤其涉及一种基于深度学习和迁移学习的岩层结构智能检测分类方法。
背景技术
目前，复杂应力环境下岩层地质构造与岩体结构特征的智能检测与识别分类是岩土力学与工程中进行地质勘察的重要目标，也是进行数值分析与模拟及其工程应用的前提条件。
深度学习是机器学习的一个子学科，同时也是一个以数据为核心的方法。从20世纪80年代中期神经网络反向传播算法的提出开始，多层训练神经网络模型开始大量涌现。近十年来，随着数据以爆炸式的规模积累以及计算能力的突飞猛进，在大量数据训练下的深度神经网络可以表现得很好，而且计算能力的进步也让训练时间可以被人们接受，深度学习也逐渐应用到了岩性分类统计中。
在基于多源探测数据的岩性识别分类方面，现有技术1针对石油工程测井中的超声成像和电阻率成像数据，提出了一种基于ResNet100模型的岩性自动识别分类方法，实现了基于孔内声学图像的地层结构精准识别分类。然而，由于光学钻孔图像的缺失，未免能够很好地描述孔壁的岩体结构特征。于是，现有技术2采用Inception-v3和支持向量机模型来分析岩石图像和锤击音频波形，并提出了一种耦合岩石图像与锤击音频的智能岩性分类识别分析方法，但无法在孔内实时实现孔壁岩体结构特征和孔壁岩性的智能检测分类。
由此可见，该领域的分析热点和焦点均已集中在结合光学图像和声波测井资料的岩层结构特征智能识别分类中。因此，继续深入分析深度学习方法，得出一种更优更适合的深层神经网络模型，并用来解决测井图像数据的实际工程应用问题具有重要的现实意义和紧迫性，也是解决有效分析处理多源钻孔图像数据的关键。
随着人工智能、大数据、物联网等科学技术的蓬勃发展，基于深层神经网络的SSD、Inception-ResNet和YOLO模型能够实时检测跟踪目标，实现了基于单源岩石图像数据的岩体结构检测和岩相判别分类；基于孪生卷积神经网络(Siamese Convolutional NeuralNetwork,SCNN)和生成式对抗网络(Generative Adversarial Networks,GAN)的多输入输出深度感知网络模型，已经广泛应用在人脸识别、数字认证、目标跟踪等前沿科学领域中，并取得了很好的应用效果。因此，基于SCNN和GAN的深度感知网络模型也能够应用到岩土工程领域图像数据的目标检测分类中，并推动该领域前沿科学技术的发展进步。
通过上述分析，现有技术存在的问题及缺陷为：现有技术无法实现在孔内实时实现岩层结构智能检测分类，无法实现对地质勘探中的多源钻孔数据进行特征数据处理，无法实现针对多源测井数据进行实时智能分析，无法提供针对性的软硬一体化解决方案。
解决以上问题及缺陷的难度为：当前现有技术尚不能基于勘探钻孔测井数据进行针对性的智能特征分析。为解决以上问题及缺陷，需要一种岩层结构智能检测分类方法，从而实现多源测井资料的数据处理、特征数据库的构造、深层神经网络数据集的构建、特性化感知网络的设计、模型的反馈优化。为解决以上的问题和缺陷，还需要一种配套系统、处理终端及存储介质，从而实现一种完整的岩层结构智能检测分类软硬一体化解决方案。因此解决以上问题及缺陷具有一定的难度。
解决以上问题及缺陷的意义为：
目前，复杂应力环境下岩层地质构造与岩体结构特征的智能检测与识别分类是岩土力学与工程中进行地质勘查的重要目标，也是进行数值分析与模拟及其工程应用的前提条件。目前，现行的技术无法实现在地质勘探钻孔中，基于多源测井数据实现实时岩层结构的智能检测分类，也没有一种完善的岩层结构智能检测分类软硬一体化解决方案。
本发明基于地质勘探中获取的大量多源钻孔数据资料，利用深度学习网络，构建岩层结构分类特征深度感知模型；对构建的岩层结构分类特征深度感知模型进行深度学习和迁移学习，获取适应性更强更智能的深层感知模型，并进行孔内岩层结构的智能识别与实时分类。
因此，本发明能够克服当前岩层结构智能检测分类的缺陷和不足，基于大量钻孔测井数据，提供完整、准确的有效岩体结构信息，对岩土力学与工程的理论分析和工程实践应用具有重要的推进作用。
发明内容
针对现有技术存在的问题，本发明提供了一种基于深度学习和迁移学习的岩层结构智能检测分类方法。
本发明是这样实现的，一种岩层结构智能检测分类方法，所述岩层结构智能检测分类方法包括：
基于地质勘探中获取的大量多源钻孔数据资料，采用基于深度学习的方法，构建岩层结构分类特征深度感知模型；对构建的岩层结构分类特征深度感知模型进行深度学习和迁移学习，获取适应性更强更智能的深层感知模型，并进行孔内岩层结构的智能识别与实时分类。
进一步，所述岩层结构智能检测分类方法包括：
步骤一，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
步骤二，基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
步骤三，通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；
步骤四，基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
进一步，步骤一中，所述对获取的相应资料进行处理，构建带标签特征数据库包括：
整理获取的钻孔图像数据和声波测井资料，分割钻孔图像资料，得到统一规划的特征图像数据；根据各自特征图像数据，分类归入各种标签库；得到带标签的特征数据库。
进一步，步骤二中，所述基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习包括：
定义合适的损失函数、选取合适的优化算法和超参数，基于标注好的训练集上，采用监督学习的方式训练神经网络，不断优化神经网络参数。
本发明的另一目的在于提供一种实施所述岩层结构智能检测分类方法的岩层结构智能检测分类系统包括：
数据获取模块，用于获取现有的钻孔图像数据和声波测井资料；
数据处理模块，用于对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
模型构建训练模块，用于基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
模型验证优化模块，用于通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；
检测分类模块，用于基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
本发明另一目的在于提供一种计算机设备，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行所述岩层结构智能检测分类方法。
本发明另一目的在于提供一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行所述岩层结构智能检测分类方法。
本发明另一目的在于提供一种信息数据处理终端，所述信息数据处理终端用于实现所述岩层结构智能检测分类方法。
结合上述的所有技术方案，本发明所具备的优点及积极效果为：本发明实现了岩层结构特征的智能检测与实时分类统计，为现场钻孔勘察中深部岩层结构的智能识别与实时分类方法的实践应用奠定基础条件。
对比的技术效果或者实验效果。
(1)单一输入数据源(光学钻孔图像或声波图像数据)的情况下，通过训练测试基于Inception-ResNet和YOLO网络的感知网络模型，可以实现土和岩的划分，空洞/破碎带/白色或黑色岩脉填充/完整花岗岩等等区分度比较明细的几种岩层结构的智能检测分类。
(2)双输入数据源(光学钻孔图像和声波图像数据)的情况下，通过训练测试基于伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN的深层感知网络模型，可以实现带标签数据的实时智能输出。其中标签数据可以有：粘土、碎石、白色岩脉、黑色孔洞、连续结构面、破碎带、断层、大理石等等。
(3)可以结合全景钻孔摄像系统和声波测井系统(已有硬件设备)进行改造融合，并搭载训练测试完好的深层神经网络模型进行现场实时试验，实时判读校验岩层结构的智能检测分类情况，为岩土工程地质勘查的室内外数据分析统计提供了一种新型便捷方法系统和途径。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例中所需要使用的附图做简单的介绍，显而易见地，下面所描述的附图仅仅是本申请的一些实施例，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。
图1是本发明实施例提供的岩层结构智能检测分类方法原理图。
图2是本发明实施例提供的岩层结构智能检测分类方法流程图。
图3是本发明实施例提供的岩层结构智能检测分类系统结构示意图；
图中：1、数据获取模块；2、数据处理模块；3、模型构建训练模块；4、模型验证优化模块；5、检测分类模块。
图4是本发明实施例提供的针对采用钻孔摄像系统采集回来的光学钻孔图像或声波图像数据效果图。
图5是本发明实施例提供的具体实施路线图。
图6是本发明实施例提供的带标签输出结果图一。
图7是本发明实施例提供的带标签输出结果图二。
图8是本发明实施例提供的岩层结构智能检测分类方法双输入(光学钻孔图像和声波图像数据)单输出(多种标签数据)类型实施路线图.
图中：6、双输入数据源；7、基于伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN模型的深层感知网络结构示意图；8、最终训练测试完整的感知网络模型，9、带标签数据判读校验过程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
针对现有技术存在的问题，本发明提供了一种基于深度学习和迁移学习的岩层结构智能检测分类方法及系统，下面结合附图对本发明作详细的描述。
如图1所示，本发明实施例提供的岩层结构智能检测分类方法包括：
基于地质勘探中获取的大量多源钻孔数据资料，采用基于深度学习的方法，构建岩层结构分类特征深度感知模型；对构建的岩层结构分类特征深度感知模型进行深度学习和迁移学习，获取适应性更强更智能的深层感知模型，并进行孔内岩层结构的智能识别与实时分类。
如图2所示，本发明实施例提供的岩层结构智能检测分类方法包括以下步骤：
S101，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
S102，基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
S103，通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
步骤S101中，本发明实施例提供的对获取的相应资料进行处理，构建带标签特征数据库包括：
整理获取的钻孔图像数据和声波测井资料，分割钻孔图像资料，得到统一规划的特征图像数据；根据各自特征图像数据，分类归入各种标签库；得到带标签的特征数据库。
步骤S102中，本发明实施例提供的基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习包括：
定义合适的损失函数、选取合适的优化算法和超参数，基于标注好的训练集上，采用监督学习的方式训练神经网络，不断优化神经网络参数。
如图3所示，本发明实施例提供的岩层结构智能检测分类系统包括：
数据获取模块1，用于获取现有的钻孔图像数据和声波测井资料；
数据处理模块2，用于对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
模型构建训练模块3，用于基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
模型验证优化模块4，用于通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；
检测分类模块5，用于基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
下面结合具体实施例对本发明的技术效果作进一步描述。
实施例1：
1.分析目标、分析内容和拟解决的关键问题
分析目标：
构建基于现有钻孔图像数据和声波测井资料的Inception-ResNet和YOLO感知神经网络模型，归一化海量的钻孔图像资料，建立相对完备的训练集和测试集，并用于网络训练测试；针对实际工程应用，构建光学图像和声波探测信号同步多输入型的伪孪生卷积神经网络(PSCNN)和基于多源多尺度实时探测数据的条件生成式对抗网络(CGAN)模型；通过深度学习和迁移学习，获取适应性更强更智能的深层感知模型，解决实测孔内岩层结构的智能识别与实时分类问题。主要分析目标如下：
1)构建带标签特征数据库、训练集和测试集。根据现有的海量钻孔图像数据和声波测井资料，归纳总结各自的岩体结构特征，有目标地进行分类切割，并进行标签特征归一化处理，构建相对完备的深层神经网络模型训练集和测试集。
2)构建分别基于钻孔图像数据、声波探测资料的Inception-ResNet和YOLO感知网络，并进行深度学习和迁移学习，解决岩体结构分类复杂难以入手的问题。
3)构建光学成像和声波成像双输入型的伪孪生卷积神经网络PSCNN模型，构建耦合钻孔图像和声波探测信号的条件生成式对抗网络CGAN模型，得出孔内岩层结构的智能检测与实时分类方法。
分析内容：
1)深层神经网络模型的性能分析与训练集测试集的构建
海量特征数据的归一化分类处理和高效训练模型的方法；
感知网络Inception-ResNet和YOLO实时检测分类模型分析；
伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN模型分析。
2)钻孔图像数据特征与声波测井资料特征及其耦合特征分析
钻孔图像数据中岩体结构特征的提取分类方法；
声波成像信号检测分类和声波测井资料的整理分析；
光学成像特征和声波成像特征及其耦合信号的智能识别方法。
3)岩体结构特征的智能检测方法与岩层信息分类统计方法分析
多源钻孔数据的信号特征智能检测与实时分类方法分析；
岩层结构智能检测分类模型及其实现方法的工程应用分析。
分析方法和分析方案
本发明的分析方法是数据－理论－模型－试验－实践的相互结合与验证，项目的科学问题来源于实践，解决问题的依靠是理论模型、试验测试、地球物理、岩石力学和数字图像信号处理等多种理论方法和技术手段。主要分析方案是采用多源钻孔数据及其耦合特征，进行深度学习和迁移学习，得出基于深层神经网络的岩层结构智能检测分类模型及其实际工程应用方法，主要步骤如下：
1)首先，针对现有的海量钻孔图像数据和声波测井资料，有目标地进行分类总结，得出各自的岩体结构特征，并进行分类切割，构建带标签特征数据库和用于进行深层神经网络模型的训练集和测试集。
2)其次，针对现有的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习，解决现有测试数中岩体结构分类难的问题。
3)然后，分析伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN，构建基于光学成像和声波探测信号及其耦合特征的多输入输出实时感知网络模型，得出孔内岩层结构的智能检测与实时分类方法。
4)最后，通过现场钻孔测试，验证上述深层神经网络模型及其应用方法的可靠性，并进行模型反馈优化和对应的智能检测分类方法。
技术路线和具体实施步骤
本发明拟构建的多个深层神经网络模型，创造性地融合了光学钻孔图像数据和声波测井资料，耦合共性特征，充分利用光学图像和声波探测信号的各自优势，凸显差异性，拟实现岩层结构特征的智能检测与实时分类统计，为现场钻孔勘察中深部岩层结构的智能识别与实时分类方法的实践应用奠定基础条件。
由于岩层结构的复杂性和多变性，针对孔内全景视频图像数据和声波测井图像资料的联合分析与精细探测问题，本发明拟采用的总体技术路线如图3所示，具体实施步骤主要如下：
1)开展广泛的文献调研，进行深度学习方法和深层神经网络模型分析、总结已有的分析成果和可用模型，进一步论证理论模型和测试方案。同时，广泛收集各种岩体结构特征及其对应的图像资料数据，尝试建立稳定的一一对应表征关系，完成标签特征数据与岩体结构类别的匹配关系分析。
2)针对现有的钻孔图像资料，整理海量的钻孔图像数据和声波测井资料，分割钻孔图像资料，整理成统一规划的特征图像数据。根据各自特征图像数据，分类归入各种标签库；最终整理成带标签的特征数据库。
3)根据特征数据库，分类整理成可用于深层神经网络模型的训练集和测试集，并进行Inception-ResNet和YOLO感知网络模型的训练测试。
建立带标签数据集与已标注的岩体结构类别之间的一一对应表征关系。从带标签数据库中选取部分数据作为训练集，喂入定义好的神经网络，训练出最优的模型参数，剩余数据可作为测试集，用于评估模型性能。
深层神经网络模型训练。采用监督学习的方式训练神经网络，在标注好的训练集上，通过不断优化神经网络参数，使得网络模型输出的预测结果尽量接近真实结果。
网络模型测试与参数优化。优化神经网络参数的过程就是神经网络的训练过程。定义合适的损失函数、选取合适的优化算法和超参数等，它们与模型是否能训练成功息息相关，并直接决定了模型质量。
4)基于现有钻孔数据的岩体结构特征智能识别与实时分类方法分析。利用训练好的Inception-ResNet和YOLO模型，编写输入输出程序，实现现有钻孔图像数据中岩体结构特征的区域划分与智能识别分类。
开展钻孔图像资料中岩体结构类型的分类统计方法分析。比如自动识别块状结构、层状结构、碎裂结构和散体结构的图像特征；智能识别岩层结构的柱状、块状、板状、楔形、菱形和锥形等基本形态；区域划分片状、碎块状、鳞片状等形式的结构体；
利用训练好的网络模型，在全孔图像中智能识别分类岩层结构体。
5)构建基于多源钻孔数据的多输入深层神经网络模型。结合光学和声学钻孔成像资料，归纳总结岩体结构特征及其综合评价参数。
利用特征数据库，归纳总结耦合特征数据集，并用于网络模型训练测试；
分析最新的伪孪生卷积神经网络和条件生成式对抗网络模型；
利用多输入深层神经网络模型分析岩体结构特征多源多参数评价方法；
6)室内外模型测试，并分析全孔段原位岩层结构特征划分与标识方法。
利用数字全景摄像设备，搭载深度数据网络模型进行孔内测试实验；
编写接口程序，实现钻孔图像资料输入，岩体结构分类结果自动输出；
实现全孔段岩体结构主要类型的全自动分类分块标注。
7)进一步深入分析基于多源钻孔图像资料的深度神经网络岩性分类方法，为后期岩体结构精细化分析与全自动识别奠定基础。
选取适当的试验场地，进行光学和声学的多源钻孔探测数据的实时采集，对比分析伪孪生卷积神经网络和条件生成式对抗网络模型的输出结果；
通过编程把训练好的网络模型嵌入到系统软件中，并进行工程应用。
8)深入分析孔壁结构及岩层岩性表征方法，并进行多尺度三维立体模型重建，进行储层应力结构模型仿真，为后期数值模拟与工程应用提供更多的基础数据。
分析多元钻孔数据后期精细化分析与全自动识别的程序对接问题；
分析如何为后期工程地质数值模拟提供可靠的多元化基础数据。
基于深层神经网络模型的深部探测数据智能分析分类系统分析。
总之，本发明智能联合了孔内多源探测数据的各自优势特性，创造性地提出了基于多源钻孔数据的同步多输入深度感知网络模型及其对应的岩层结构智能检测分类方法。通过不断的深度学习和迁移学习，拟实现全孔孔壁岩体结构特征的智能识别与实时分类统计，拟实现原位岩层结构的智能划分与岩相分类标识，为后期图像数据的精细分析与全自动识别提供尽可能多的参考数据，也为工程应用与数值模拟提供足够的岩层结构信息，并据此实现孔壁结构及岩层结构特征多维重建与数值模拟仿真。
本发明分析的岩层结构智能检测分类模型及其实现方法，可为岩土力学工程地质建模与数值模拟等提供基础性数据支持，为钻孔图像数据的精细化分析、岩体结构特征由粗到细的全自动识别、原位岩性岩相特征的精准分类创造了可行性的基础条件，促进了该领域前沿技术手段的发展。
3.本发明的创新之处
1)基于现有多源钻孔数据的典型岩体结构特征，利用深度学习和迁移学习方法，构建深度感知网络Inception-ResNet、YOLO、多输入输出伪孪生卷积神经网络PSCNN和条件生成式对抗网络模型CGAN，实现岩体结构特征的智能识别分类。
2)基于光学钻孔图像和声波信号耦合特征的岩层结构智能识别分类方法，解决钻孔图像可能存在的颜色失真问题和孔内探测空间的局限性问题，提高探测的准确性，为后期精细化分析与全自动识别提供可靠的先验基础数据。
下面结合具体实施方式对本发明技术方案作进一步描述。
具体实施方式1
针对采用钻孔摄像系统采集回来的光学钻孔图像或声波图像数据，如图4所示。具体实施路线如图5所示。采用图4中带有标签的子模块图像来训练测试基于Inception-ResNet和YOLO模型的深层感知神经网络。其中标签数据有：粘土、碎石、白色岩脉、黑色孔洞、连续结构面、破碎带、断层、大理石等。等待网络模型训练测试通过之后，即可用来测试钻孔图像中剩余子模块的图像特征：即重新输入钻孔图像数据到训练测试好的深层感知网络模型中，该网络模型随即给出图像中符合标签数据特征的子模块信息，即在图像中输出标签数据，比如粘土、碎石、白色岩脉、黑色孔洞、连续结构面、破碎带、断层、大理石等。带标签输出结果如图6和图7所示。
具体实施方式2：
针对同一个钻孔采集回来的光学钻孔图像和声波图像数据，利用光学图像和声波数据的互补性，进行优势互补。即采用基于伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN模型的深层感知网络模型，进行带标签数据的同步训练测试。以光学钻孔图像和声波图像数据为两个同步输入源，以同一组标签数据为唯一输出结果。特别是在光学钻孔图像无法确定输出标签数据时，进一步参考声学图像数据可进一步判读并校验最终输出标签数据的真实可靠性。具体实施路线如图8所示。其中6为双输入数据源，7为基于伪孪生卷积神经网络PSCNN和条件生成式对抗网络CGAN模型的深层感知网络结构示意图，8为最终训练测试完整的感知网络模型，9为带标签数据判读校验过程示意图。经过图8示意图的步骤，即可实现本发明所阐明思想中岩层结构智能检测分类的双输入(光学钻孔图像和声波图像数据)单输出(多种标签数据)类型。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种岩层结构智能检测分类方法，其特征在于，所述岩层结构智能检测分类方法包括：
基于地质勘探中获取的大量多源钻孔数据资料，采用基于深度学习的方法，构建岩层结构分类特征深度感知模型；对构建的岩层结构分类特征深度感知模型进行深度学习和迁移学习，获取适应性更强更智能的深层感知模型，并进行孔内岩层结构的智能识别与实时分类。
2.如权利要求1所述岩层结构智能检测分类方法，其特征在于，所述岩层结构智能检测分类方法包括：
步骤一，获取现有的钻孔图像数据和声波测井资料，对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
步骤二，基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
步骤三，通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；
步骤四，基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
3.如权利要求2所述岩层结构智能检测分类方法，其特征在于，步骤一中，所述对获取的相应资料进行处理，构建带标签特征数据库包括：
整理获取的钻孔图像数据和声波测井资料，分割钻孔图像资料，得到统一规划的特征图像数据；根据各自特征图像数据，分类归入各种标签库；得到带标签的特征数据库。
4.如权利要求2所述岩层结构智能检测分类方法，其特征在于，步骤二中，所述基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习包括：
定义合适的损失函数、选取合适的优化算法和超参数，基于标注好的训练集上，采用监督学习的方式训练神经网络，不断优化神经网络参数。
5.一种岩层结构智能检测分类系统，其特征在于，所述岩层结构智能检测分类系统包括：
数据获取模块，用于获取现有的钻孔图像数据和声波测井资料；
数据处理模块，用于对获取的相应资料进行处理，构建带标签特征数据库；并根据特征数据库，分类整理成可用于进行深层神经网络模型的训练集和测试集；
模型构建训练模块，用于基于获取的钻孔图像数据、声波测井资料，分别构建Inception-ResNet和YOLO感知网络，并使用特征数据库、训练集和测试集，进行深度学习和迁移学习；
模型验证优化模块，用于通过现场钻孔测试，验证训练好的Inception-ResNet和YOLO感知网络的可靠性，并进行模型反馈优化；
检测分类模块，用于基于优化后Inception-ResNet和YOLO感知网络进行岩层结构的智能检测分类。
6.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行权利要求1～4任意一项所述岩层结构智能检测分类方法。
7.一种计算机可读存储介质，存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行权利要求1～4任意一项所述岩层结构智能检测分类方法。
8.一种信息数据处理终端，其特征在于，所述信息数据处理终端用于实现权利要求1～4任意一项所述岩层结构智能检测分类方法。
CN202110231919.1A 2021-03-02 2021-03-02 基于深度学习和迁移学习的岩层结构智能检测分类方法 Pending CN112836075A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110231919.1A CN112836075A (zh) 2021-03-02 2021-03-02 基于深度学习和迁移学习的岩层结构智能检测分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110231919.1A CN112836075A (zh) 2021-03-02 2021-03-02 基于深度学习和迁移学习的岩层结构智能检测分类方法

Publications (1)

Publication Number Publication Date
CN112836075A true CN112836075A (zh) 2021-05-25

Family

ID=75934400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110231919.1A Pending CN112836075A (zh) 2021-03-02 2021-03-02 基于深度学习和迁移学习的岩层结构智能检测分类方法

Country Status (1)

Country Link
CN (1) CN112836075A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917562A (zh) * 2021-09-27 2022-01-11 中国科学院武汉岩土力学研究所 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置
CN114492521A (zh) * 2022-01-21 2022-05-13 成都理工大学 一种基于声振信号的随钻岩性智能识别方法与系统
CN114972905A (zh) * 2022-04-20 2022-08-30 中国石油大学(华东) 一种基于改进MaskFormer的碳酸盐岩缝洞识别方法
CN116975987A (zh) * 2023-09-20 2023-10-31 中国地质大学（北京） 基于声学特征的深水浅层岩土工程参数预测方法及装置

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN109989740A (zh) * 2019-04-10 2019-07-09 中煤科工集团西安研究院有限公司 基于多源信息融合的煤系地层钻进智能识别系统及其方法
US20200340351A1 (en) * 2019-04-29 2020-10-29 Peter R. Harvey At-Bit Sensing of Rock Lithology
CN112241711A (zh) * 2020-10-22 2021-01-19 东北大学 一种从钻孔岩芯照片中识别rqd的智能方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633255A (zh) * 2017-08-11 2018-01-26 天津大学 一种深度学习模式下的岩石岩性自动识别分类方法
CN109989740A (zh) * 2019-04-10 2019-07-09 中煤科工集团西安研究院有限公司 基于多源信息融合的煤系地层钻进智能识别系统及其方法
US20200340351A1 (en) * 2019-04-29 2020-10-29 Peter R. Harvey At-Bit Sensing of Rock Lithology
CN112241711A (zh) * 2020-10-22 2021-01-19 东北大学 一种从钻孔岩芯照片中识别rqd的智能方法

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113917562A (zh) * 2021-09-27 2022-01-11 中国科学院武汉岩土力学研究所 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置
CN113917562B (zh) * 2021-09-27 2023-02-28 中国科学院武汉岩土力学研究所 深埋软弱夹层宏细观结构表征及三维空间构造方法及装置
CN114492521A (zh) * 2022-01-21 2022-05-13 成都理工大学 一种基于声振信号的随钻岩性智能识别方法与系统
CN114972905A (zh) * 2022-04-20 2022-08-30 中国石油大学(华东) 一种基于改进MaskFormer的碳酸盐岩缝洞识别方法
CN116975987A (zh) * 2023-09-20 2023-10-31 中国地质大学（北京） 基于声学特征的深水浅层岩土工程参数预测方法及装置
CN116975987B (zh) * 2023-09-20 2024-03-08 中国地质大学（北京） 基于声学特征的深水浅层岩土工程参数预测方法及装置

Similar Documents

Publication Publication Date Title
CN112836075A (zh) 基于深度学习和迁移学习的岩层结构智能检测分类方法
CN110109895B (zh) 适用于tbm掘进隧道的围岩分级联合预测方法及应用
US11016214B2 (en) Dolomite reservoir prediction method and system based on well and seismic combination, and storage medium
CN109709603B (zh) 地震层位识别与追踪方法、系统
CN108875122B (zh) 利用随钻测井数据计算地质参数的人工智能方法和系统
Yan et al. A real-time intelligent lithology identification method based on a dynamic felling strategy weighted random forest algorithm
CN111596978A (zh) 用人工智能进行岩相分类的网页显示方法、模块和系统
US10977489B2 (en) Identification of natural fractures in wellbore images using machine learning
CN110320557B (zh) 基于深度学习和进化学习的多尺度地质特征检测融合方法
CN116168224A (zh) 基于成像砾石含量的机器学习岩相自动识别方法
Dickmann et al. Towards the integration of smart techniques for tunnel seismic applications
Timmer et al. Applying deep learning for identifying bioturbation from core photographs
Abubakar et al. Deep learning for end-to-end subsurface modeling and interpretation: An example from the Groningen gas field
Zhang et al. Fracture identification in well logging images: Two-stage adaptive network
US10527745B2 (en) Processing of geological data
Liu et al. Automatic fracture segmentation and detection from image logging using mask R-CNN
CN112801073B (zh) 基于深度神经网络的声发射初至信号分类与识别方法
US20230068373A1 (en) Machine learning model selection based on feature merging for a spatial location across multiple time windows
Su et al. Seismic prediction of porosity in tight reservoirs based on transformer
US20230367031A1 (en) Building scalable geological property models using machine learning algorithms
Oke et al. Application of machine learning-assisted fault interpretation on large carbonate field with subtle throws
CN112987091A (zh) 储层检测方法、装置、电子设备和存储介质
Molossi et al. Efficient Logging-While-Drilling Image Logs Interpretation Using Deep Learning
Wang et al. Study on a New Rock Fracability Evaluation Model of Shale Gas Reservoir
Zhang et al. Automated well top picking and reservoir property analysis of the Belly River Formation of the Western Canada Sedimentary Basin

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20210525

RJ01 Rejection of invention patent application after publication