CN112837269B - 一种基于深度学习模型的岩体质量评价方法 - Google Patents
一种基于深度学习模型的岩体质量评价方法 Download PDFInfo
- Publication number
- CN112837269B CN112837269B CN202110030679.9A CN202110030679A CN112837269B CN 112837269 B CN112837269 B CN 112837269B CN 202110030679 A CN202110030679 A CN 202110030679A CN 112837269 B CN112837269 B CN 112837269B
- Authority
- CN
- China
- Prior art keywords
- borehole
- model
- photographic images
- photographic
- training
- 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
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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于深度学习模型的岩体质量评价方法,为:S1:获得全部钻孔摄影图像并选择其中一定量的钻孔摄影图像,将选中的钻孔摄影图像按照有结构面和无结构面区分;S2:基于深度学习模型迁移方法对选择的钻孔摄影图像进行模型训练,筛选出具有结构面的钻孔摄影图像,并对具有结构面的钻孔摄影图像进行尺寸统一;S3:以所有具有结构面的钻孔摄影图像为研究对象并进行标注;S4:采用基于ResNet的UNet网络对标记的钻孔摄影图像进行训练,最终得到用于分割钻孔摄影图像的深度模型;S5:将得到深度模型应用于钻孔摄影图像分割中可得到结构面分割结果,实现岩体的完整性评价。本方法为岩体质量智能评价提供理论和方法支持。
Description
技术领域
本发明涉及岩体质量评价方法,特别涉及一种基于深度学习模型的岩体质量评价方法。
背景技术
水利工程多建设在高山峡谷,地质条件十分复杂,因此地质勘探和岩体质量评价是水利工程建设中不可缺少的一环,其中,岩体完整性分析对于水利工程的设计施工具有决定性作用。工程中一般基于岩芯图像和钻孔摄影图像,同时考虑声波数据和地震波数据,对岩体完整性展开全面分析。但由于图像信息的复杂性,如岩芯图像和钻孔摄影图像,有效的结构面特征较难提取,因此以往针对岩体图像的研究较为粗略,一般只做定性分析,在岩体质量评价中也只考虑图像中的简单特征;深度学习方法对图像特征提取十分有效,可利用深度学习方法处理钻孔摄影图像,对于实现岩体质量智能评价具有重要意义。
发明内容
本发明的目的是提供一种基于深度学习模型的岩体质量评价方法,本方法通过建立深度学习模型实现钻孔摄影图像的有效分割,并提出岩体质量评价指标,为岩体质量智能评价提供理论和方法支持。
本发明所采用的技术方案是,一种基于深度学习模型的岩体质量评价方法,包括以下步骤:
步骤1:根据地质勘查现场实验,获得全部钻孔摄影图像并选择其中一定数量的钻孔摄影图像,将选中的钻孔摄影图像按照有结构面和无结构面分为两组;
步骤2:基于深度学习模型迁移方法对选择的钻孔摄影图像进行模型训练,并将训练后的模型用于步骤1中未被选择的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像,并对筛选的和选择的具有结构面的钻孔摄影图像进行尺寸统一;
步骤3:以所有具有结构面的钻孔摄影图像为研究对象并进行标注,将钻孔摄影图像中结构面部分的像素标注出来作为图像前景,其余像素作为图像背景;
步骤4:采用基于ResNet的UNet网络对标记的钻孔摄影图像进行训练,采用多种方法评价模型性能,当模型性能在测试图像中达到较高值时认为模型能够用于钻孔摄影图像分割,同时可以在得到更多数据后采用多次训练的方式强化模型,最终得到用于分割钻孔摄影图像的深度模型;
步骤5:将得到深度模型应用于钻孔摄影图像分割中可得到结构面分割结果,利用分割结果以及钻孔摄影图像中的比例尺可以进行岩体结构面特征的量化计算,得出岩体完整性指数,实现岩体的完整性评价。
本发明的特征还在于,
步骤1中,选择全部钻孔摄影图像中的30%钻孔摄影图像,将选择的30%的钻孔摄影图像按照有结构面和无结构面分为两组。
步骤2具体按照以下步骤实施:
步骤2.1:将选择的30%的钻孔摄影图像作为研究对象,利用ResNet模型提取钻孔摄影图像的1000维特征;
步骤2.2:基于钻孔摄影图像的1000维特征训练Softmax分类器,训练步数设置为5000,学习率设置为0.01,每次训练随机选择10%的钻孔摄影图像特征作为测试特征;
步骤2.3:采用准确率对训练得到的Softmax分类器进行评价,准确率是指分类准确的图像在图像总数中所占的比例,当训练过程中的测试特征准确率超过90%,认为Softmax分类器能够识别有结构面和无结构面的钻孔摄影图像;
步骤2.4:将训练得到的Softmax分类器用于处理步骤1中未被选择的70%的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像;
步骤2.5:将筛选的和手动选择的具有结构面的钻孔摄影图像的尺寸统一处理为160×1280。
步骤4具体按照以下步骤实施:
步骤4.1:将ResNet模型作为Unet结构模型的特征提取模块,建立RUNet模型;
步骤4.2:采用RUNet模型对标记图像进行训练,训练步数设置为300,其中80%的钻孔摄影图像用于模型训练,20%的钻孔摄影图像用于模型测试,准确度采用F1_score和交并比表征,训练步数用Epoch表征,一个Epoch指所有图像完整训练一次;
步骤4.3:采用F1_score和交并比(IoU)对RUNet模型进行测试,各评价指标的计算方法如公式(1)-(4)所示:
其中,TP表示样本中正类样本预测为正类的个数,FP表示负类样本预测为正类的个数,FN表示正类样本预测为负类的个数,Precision为精准率,Recall为召回率;精准率表示预测为正类的样本中,真正的正类所占的比例,召回率则表示样本中正类被正确预测的比例,精准率和召回率是此消彼长的关系,而F1_score综合考虑了精准率和召回率,是二者调和均值的2倍;DT表示预测物体的范围,GT表示标记物体的真实范围,∩表示求交集,∪表示求并集,IoU表示预测范围和真实范围交集和并集的比值;当F1_score的值在95%以上,IoU为交并比,IoU值在75%以上时认为RUNet可以用于钻孔摄影图像的分割;
步骤4.4:通过F1_score值和IoU值可以判断RUnet性能,同时可以采用新的钻孔摄影图像对已有RUnet进行多次训练来进行强化,最终得到能够准确分割钻孔摄影图像的RUNet模型。
步骤5具体按照以下步骤实施:
步骤5.1:采用训练得到的RUNet模型对钻孔摄影图像中结构面进行分割;
步骤5.2:利用钻孔摄影图像结构面分割结果以及钻孔摄影图像中的比例尺计算对结构面进行量化计算,得到结构面的真实区域范围,并采用岩体完整性权重计算岩体完整部分所占比例,计算方法如公式(5)、(6)所示:
其中,ω(x,y)为不同岩体状态下完整性权重取值,F(x,y)为岩体完整部分所占比例,S为非破碎区域,为图像中钻孔区域减去结构面区域;x1、x2为钻孔摄影图像的左、右边界,y1、y2为钻孔摄影图像的上、下边界。
本发明的有益效果是:本发明方法基于深度学习模型,实现了钻孔摄影图像的有效分割;提出了基于图像的岩体完整性评价方法,基于分割结果可实现岩体完整性的有效分析,实现岩体质量的智能评价,为水工岩体质量智能分析评价提供了新的理论和方法。
附图说明
图1是本发明一种基于深度学习模型的岩体质量评价方法流程图;
图2是本发明步骤1中钻孔摄影图像分组示意图;
图3是本发明中ResNet模型迁移分类过程示意图;
图4是本发明中ResNet模型迁移训练过程不同评价指标变化示意图;
图5是本发明中钻孔结构面标注示意图;
图6是本发明中RUNet模型训练过程示意图;
图7是本发明中待分割钻孔摄影图像;
图8是本发明中钻孔摄影图像分割结果示意图;
图9是本发明中岩体完整比例与RQD关系比较示意图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于深度学习模型的岩体质量评价方法,如图1所示,包括以下步骤:
步骤1:根据地质勘查现场实验,获得全部钻孔摄影图像并选择其中30%的钻孔摄影图像,将选中的钻孔摄影图像按照有结构面和无结构面分为两组,如图2所示;
步骤2:基于深度学习模型迁移方法对选择的钻孔摄影图像进行模型训练,并将训练后的模型用于步骤1中未被选择的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像,并对筛选的和选择的具有结构面的钻孔摄影图像进行尺寸统一;
步骤2具体按照以下步骤实施:
步骤2.1:将选择的30%的钻孔摄影图像作为研究对象,利用ResNet模型提取钻孔摄影图像的1000维特征,ResNet模型迁移分类过程如图3所示;
步骤2.2:基于钻孔摄影图像的1000维特征训练Softmax分类器,训练步数设置为5000,学习率设置为0.01,训练准确率、测试准确率和交叉熵的变化如图4所示,每次训练随机选择10%的钻孔摄影图像特征作为测试特征;
步骤2.3:采用准确率对训练得到的Softmax分类器进行评价,准确率是指分类准确的图像在图像总数中所占的比例,当训练过程中的测试特征准确率超过90%,认为Softmax分类器能够识别有结构面和无结构面的钻孔摄影图像;
步骤2.4:将训练得到的Softmax分类器用于处理步骤1中未被选择的70%的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像;
步骤2.5:将筛选的和手动选择的具有结构面的钻孔摄影图像的尺寸统一处理为160×1280。
步骤3:以所有具有结构面的钻孔摄影图像为研究对象并进行标注,将钻孔摄影图像中结构面部分的像素标注出来作为图像前景,其余像素作为图像背景,如图5所示;
步骤4:采用基于ResNet的UNet网络(RUNet)对标记的钻孔摄影图像进行训练,采用多种方法评价模型性能,当模型性能在测试图像中达到较高值时认为模型能够用于钻孔摄影图像分割,同时可以在得到更多数据后采用多次训练的方式强化模型,最终得到用于分割钻孔摄影图像的深度模型;
步骤4具体按照以下步骤实施:
步骤4.1:将ResNet模型作为Unet结构模型的特征提取模块,建立RUNet模型;
步骤4.2:采用RUNet模型对标记图像进行训练,训练步数设置为300,训练过程如附图6所示,其中80%的钻孔摄影图像用于模型训练,20%的钻孔摄影图像用于模型测试,准确度采用F1_score和交并比表征,训练步数用Epoch表征,一个Epoch指所有图像完整训练一次;
步骤4.3:采用F1_score和交并比(IoU)对RUNet模型进行测试,各评价指标的计算方法如公式(1)-(4)所示:
其中,TP表示样本中正类样本预测为正类的个数,FP表示负类样本预测为正类的个数,FN表示正类样本预测为负类的个数,Precision为精准率,Recall为召回率;精准率表示预测为正类的样本中,真正的正类所占的比例,召回率则表示样本中正类被正确预测的比例,精准率和召回率是此消彼长的关系,而F1_score综合考虑了精准率和召回率,是二者调和均值的2倍;DT表示预测物体的范围,GT表示标记物体的真实范围,∩表示求交集,∪表示求并集,IoU表示预测范围和真实范围交集和并集的比值;当F1_score的值在95%以上,IoU值在75%以上时认为RUNet可以用于钻孔摄影图像的分割;
步骤4.4:通过F1_score值和IoU值可以判断RUnet性能,同时可以采用新的钻孔摄影图像对已有RUnet进行多次训练来进行强化,最终得到能够准确分割钻孔摄影图像的RUNet模型;
步骤5:将得到深度模型应用于钻孔摄影图像分割中可得到结构面分割结果,采用未参与训练的12张钻孔摄影图像作为研究对象,如图7所示,利用分割结果以及钻孔摄影图像中的标尺可以进行岩体结构面特征的量化计算,得出岩体完整性指数,实现岩体的完整性评价;
步骤5具体按照以下步骤实施:
步骤5.1:采用训练得到的RUNet模型对12张钻孔摄影图像中结构面进行分割;
步骤5.2:利用钻孔摄影图像结构面分割结果以及钻孔摄影图像中的标尺计算对结构面进行量化计算,得到结构面的真实区域范围,并采用岩体完整性权重计算岩体完整部分所占比例,计算方法如公式(5)、(6)所示:
其中,ω(x,y)为不同岩体状态下完整性权重取值,F(x,y)为岩体完整部分所占比例,S为非破碎区域,为图像中钻孔区域减去结构面区域;x1、x2为钻孔摄影图像的左、右边界,y1、y2为钻孔摄影图像的上、下边界。
附图7为钻孔摄影图像,附图8为分割结果,表1为结果汇总,RQD为岩石质量指标,附图9为岩体完整比例与RQD关系比较,可以看出二者具有较强的相关性,皮尔逊相关系数达到0.872,为极强正相关,即说明提出的方法可以作为岩体评价的参考。
表1岩体完整性计算
Claims (5)
1.一种基于深度学习模型的岩体质量评价方法,其特征在于,包括以下步骤:
步骤1:根据地质勘查现场实验,获得全部钻孔摄影图像并选择其中一定数量的钻孔摄影图像,将选中的钻孔摄影图像按照有结构面和无结构面分为两组;
步骤2:基于深度学习模型迁移方法对选择的钻孔摄影图像进行模型训练,并将训练后的模型用于步骤1中未被选择的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像,并对筛选的和选择的具有结构面的钻孔摄影图像进行尺寸统一;
步骤3:以所有具有结构面的钻孔摄影图像为研究对象并进行标注,将钻孔摄影图像中结构面部分的像素标注出来作为图像前景,其余像素作为图像背景;
步骤4:采用基于ResNet的UNet网络对标记的钻孔摄影图像进行训练,采用多种方法评价模型性能,当模型性能在测试图像中达到较高值时认为模型能够用于钻孔摄影图像分割,同时可以在得到更多数据后采用多次训练的方式强化模型,最终得到用于分割钻孔摄影图像的深度模型;
步骤5:将得到深度模型应用于钻孔摄影图像分割中可得到结构面分割结果,利用分割结果以及钻孔摄影图像中的比例尺可以进行岩体结构面特征的量化计算,得出岩体完整性指数,实现岩体的完整性评价。
2.根据权利要求1所述的一种基于深度学习模型的岩体质量评价方法,其特征在于,步骤1中,选择全部钻孔摄影图像中的30%钻孔摄影图像,将选择的30%的钻孔摄影图像按照有结构面和无结构面分为两组。
3.根据权利要求2所述的一种基于深度学习模型的岩体质量评价方法,其特征在于,步骤2具体按照以下步骤实施:
步骤2.1:将选择的30%的钻孔摄影图像作为研究对象,利用ResNet模型提取钻孔摄影图像的1000维特征;
步骤2.2:基于钻孔摄影图像的1000维特征训练Softmax分类器,训练步数设置为5000,学习率设置为0.01,每次训练随机选择10%的钻孔摄影图像特征作为测试特征;
步骤2.3:采用准确率对训练得到的Softmax分类器进行评价,准确率是指分类准确的图像在图像总数中所占的比例,当训练过程中的测试特征准确率超过90%,认为Softmax分类器能够识别有结构面和无结构面的钻孔摄影图像;
步骤2.4:将训练得到的Softmax分类器用于处理步骤1中未被选择的70%的钻孔摄影图像,筛选出具有结构面的钻孔摄影图像;
步骤2.5:将筛选的和手动选择的具有结构面的钻孔摄影图像的尺寸统一处理为160×1280。
4.根据权利要求3所述的一种基于深度学习模型的岩体质量评价方法,其特征在于,步骤4具体按照以下步骤实施:
步骤4.1:将ResNet模型作为Unet结构模型的特征提取模块,建立RUNet模型;
步骤4.2:采用RUNet模型对标记图像进行训练,训练步数设置为300,其中80%的钻孔摄影图像用于模型训练,20%的钻孔摄影图像用于模型测试;
步骤4.3:采用F1_score和交并比IoU对RUNet模型进行测试,各评价指标的计算方法如公式(1)-(4)所示:
其中,TP表示样本中正类样本预测为正类的个数,FP表示负类样本预测为正类的个数,FN表示正类样本预测为负类的个数,Precision为精准率,Recall为召回率;精准率表示预测为正类的样本中,真正的正类所占的比例,召回率则表示样本中正类被正确预测的比例,精准率和召回率是此消彼长的关系,而F1_score综合考虑了精准率和召回率,是二者调和均值的2倍;DT表示预测物体的范围,GT表示标记物体的真实范围,∩表示求交集,∪表示求并集,IoU表示预测范围和真实范围交集和并集的比值;当F1_score的值在95%以上,IoU为交并比,IoU值在75%以上时认为RUNet可以用于钻孔摄影图像的分割;
步骤4.4:通过F1_score值和IoU值可以判断RUnet性能,同时可以采用新的钻孔摄影图像对已有RUnet进行多次训练来进行强化,最终得到能够准确分割钻孔摄影图像的RUNet模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030679.9A CN112837269B (zh) | 2021-01-11 | 2021-01-11 | 一种基于深度学习模型的岩体质量评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110030679.9A CN112837269B (zh) | 2021-01-11 | 2021-01-11 | 一种基于深度学习模型的岩体质量评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112837269A CN112837269A (zh) | 2021-05-25 |
CN112837269B true CN112837269B (zh) | 2023-04-07 |
Family
ID=75929593
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110030679.9A Active CN112837269B (zh) | 2021-01-11 | 2021-01-11 | 一种基于深度学习模型的岩体质量评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112837269B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658245B (zh) * | 2021-07-01 | 2024-04-30 | 西安理工大学 | 一种从钻孔图像中获取岩体结构面产状信息的方法 |
CN115393605A (zh) * | 2022-08-10 | 2022-11-25 | 长江三峡勘测研究院有限公司(武汉) | 基于图像识别技术的岩芯rqd数字化统计方法、设备及终端 |
CN115861848A (zh) * | 2023-03-01 | 2023-03-28 | 成都理工大学 | 一种对岩体图像处理的方法及装置 |
Citations (4)
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 |
CN109872311A (zh) * | 2019-02-01 | 2019-06-11 | 中国铁建重工集团有限公司 | 一种岩体完整性判识方法 |
CN111832387A (zh) * | 2020-05-22 | 2020-10-27 | 北京星衡科技有限公司 | 一种基于无人机影像的宅基地房屋识别方法 |
CN111855961A (zh) * | 2020-07-24 | 2020-10-30 | 中南大学 | 一种岩体钻进质量检测方法、钻机、服务器、存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10685434B2 (en) * | 2016-03-30 | 2020-06-16 | Institute Of Automation, Chinese Academy Of Sciences | Method for assessing aesthetic quality of natural image based on multi-task deep learning |
-
2021
- 2021-01-11 CN CN202110030679.9A patent/CN112837269B/zh active Active
Patent Citations (4)
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 |
CN109872311A (zh) * | 2019-02-01 | 2019-06-11 | 中国铁建重工集团有限公司 | 一种岩体完整性判识方法 |
CN111832387A (zh) * | 2020-05-22 | 2020-10-27 | 北京星衡科技有限公司 | 一种基于无人机影像的宅基地房屋识别方法 |
CN111855961A (zh) * | 2020-07-24 | 2020-10-30 | 中南大学 | 一种岩体钻进质量检测方法、钻机、服务器、存储介质 |
Non-Patent Citations (2)
Title |
---|
Current and Perspective Diagnostic Techniques for COVID-19;Xi Yuan,and etc;《ACS Infect. Dis. 2020》;20200717;第1998-2016页 * |
基于岩石图像深度学习的岩性自动识别与分类方法;张野等;《岩石学报》;20180215(第02期);第333-342页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112837269A (zh) | 2021-05-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112837269B (zh) | 一种基于深度学习模型的岩体质量评价方法 | |
US11010629B2 (en) | Method for automatically extracting image features of electrical imaging well logging, computer equipment and non-transitory computer readable medium | |
CN107633255B (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
US20220207079A1 (en) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks | |
CN109146873A (zh) | 一种基于学习的显示屏缺陷智能检测方法及装置 | |
CN114154427B (zh) | 基于深度学习的体积压裂裂缝扩展预测方法和系统 | |
CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
CN105989336A (zh) | 基于带权重的解卷积深度网络学习的场景识别方法 | |
CN105986811A (zh) | 基于常规测井资料五维度岩性判识方法 | |
CN110263835A (zh) | 基于深度学习和贝叶斯网络的岩石类别自动识别方法 | |
CN105354600A (zh) | 一种砂岩显微薄片的自动分类方法 | |
CN113420768A (zh) | 岩芯类别确定方法、装置、电子设备和存储介质 | |
CN111079783A (zh) | 一种基于多核集成学习识别地层岩性参数的方法 | |
CN117292148B (zh) | 一种基于定向钻探及测试数据的隧道围岩级别评估方法 | |
Yasin et al. | Automatic pore structure analysis in organic-rich shale using FIB-SEM and attention U-Net | |
CN116168224A (zh) | 基于成像砾石含量的机器学习岩相自动识别方法 | |
CN113222071A (zh) | 一种基于岩石薄片显微图像深度学习的岩石分类方法 | |
CN116821786A (zh) | 一种低渗储层分类方法、装置及介质 | |
CN115620068A (zh) | 一种深度学习模式下的岩石岩性自动识别分类方法 | |
CN114202036A (zh) | 一种基于模式识别技术的静力触探自动划分土层技术 | |
Yu et al. | Training image optimization method based on convolutional neural network and its application in discrete fracture network model selection | |
CN113077009A (zh) | 一种基于迁移学习模型的隧道围岩岩性识别方法 | |
CN112990320A (zh) | 一种岩性的分类方法、装置、电子设备及存储介质 | |
CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
CN115128671A (zh) | 一种基于深度学习技术的三维地震相自动识别方法 |
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 |