CN112967270B - 基于人工智能的有机组分显微识别定量方法 - Google Patents
基于人工智能的有机组分显微识别定量方法 Download PDFInfo
- Publication number
- CN112967270B CN112967270B CN202110317044.7A CN202110317044A CN112967270B CN 112967270 B CN112967270 B CN 112967270B CN 202110317044 A CN202110317044 A CN 202110317044A CN 112967270 B CN112967270 B CN 112967270B
- Authority
- CN
- China
- Prior art keywords
- artificial intelligence
- identification
- edge tracking
- method based
- organic component
- 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
- 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
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10056—Microscopic image
- G06T2207/10061—Microscopic image from scanning electron microscope
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明提供一种基于人工智能的有机组分显微识别定量方法,包括以下步骤:S1、以不同光照模式采集岩样矩阵图片至计算机;S2、拼接矩阵图片;S3、对不同光照模式图像做颗粒物边缘跟踪,获取不同模式下颗粒物边缘跟踪图;边缘跟踪采用边缘精细检测网络进行识别;S4、将不同模式下颗粒物边缘跟踪图叠加,保留边缘跟踪路径叠加;S5、分类提取;S6、根据分类填充不同颜色;颜色填充采用基于卷积神经网络的深度学习开源模型caffe作为学习模型;S7、统计颜色像素数,并求和;通过以上步骤实现有机组分相对含量快速显微识别。通过采用自动化扫描,自动拼接和人工智能识别的方案,能够实现对岩样有机组分高精度和高精度的识别。
Description
技术领域
本发明涉及石油天然气地质勘探技术领域,特别是一种基于人工智能的有机组分显微识别定量方法。
背景技术
有机显微组分是烃源岩中的成烃物质。其含量和组成的差异对煤及烃源岩的性质和成烃特征均具有重要影响。前期有机显微组分定量借用煤岩学方法,采用单视域分析目估法估算。其中应用最广泛的是国际煤炭和有机岩石学委员会(ICCP) 1971年给出了数点法估算各有机显微组分含量的方法。该方法在显微组分鉴定的基础上,确定各种组成成分占 全岩体积的百分比,通过颗粒数点的方法,“以点代面”、 “以面代体”通过多达500个以上的有效点数统计,来计算各有机显微组分的含量。该方法极为耗时,工作效率极低,且受人为经验影响较大。数据结果不具有重现性,丧失了大量的有用地质信息,限制了有机岩石学方法的应用范围。中国专利文献CN110426350A提供了岩石中显微组分组成的定量方法。煤炭科学技术研究院有限公司专利文献CN111160064A采用煤岩组分识别方法,采用灰度累积频率曲线的处理以及区域划分,单色划分颗粒边缘存在很大不足。
发明内容
本发明所要解决的技术问题是提供一种基于人工智能的有机组分显微识别定量方法,能够大幅提高识别效率,并且具有更高的识别精度。
为解决上述的技术问题,本发明所采用的技术方案是:一种基于人工智能的有机组分显微识别定量方法,包括以下步骤:
S1、以不同光照模式采集岩样矩阵图片至计算机;
S2、拼接矩阵图片;
S3、对不同光照模式图像做颗粒物边缘跟踪,获取不同模式下颗粒物边缘跟踪图;
边缘跟踪采用边缘精细检测网络进行识别;
S4、将不同模式下颗粒物边缘跟踪图叠加,保留边缘跟踪路径叠加;
S5、分类提取;
S6、根据分类填充不同颜色;
颜色填充采用基于卷积神经网络的深度学习开源模型caffe作为学习模型;
S7、统计颜色像素数,并求和;
通过以上步骤实现有机组分相对含量快速显微识别。
优选的方案中,步骤S1中的光照模式包括白光、红光、黄光、蓝光、绿光和荧光中的至少两种或两种以上多种的组合。
优选的方案中,步骤S1中的光照模式包括白光和荧光。
优选的方案中,所述的荧光为紫色激光、蓝紫激光或紫外光。
优选的方案中,所述的白光为高压汞灯发出的光源或者由多色激光组合的白色激光光源;
红光、黄光、蓝光和绿光光源均采用激光光源。
优选的方案中,步骤S1中,采集时,采用矩阵步进平台固定岩样,每次步进切换不同光照模式,并根据光照模式的数量在每次步进采集相应的图片数量。
优选的方案中,步骤S3中,对不同光照模式下的拼接图片,进行颗粒物边缘跟踪,方式为,根据预设阈值识别图片中交界线,将交界线闭合,获得颗粒物边缘跟踪界面框图。
优选的方案中,步骤S5中,根据色调,进行聚类分析,将各个类分别与组分相对应。
优选的方案中,步骤S5中,根据聚类结果,将组分与颜色相对应,对各类所叠加的跟踪路径进行颜色填充。
优选的方案中,步骤S6中,采用caffe建立学习模型,将边缘跟踪的结果识别为区域并加以分割,对识别后的区域分类,将分类后的区域与颜色相对应,将对应的颜色填入充入相应的区域中。
本发明提供了一种基于人工智能的有机组分显微识别定量方法,通过采用自动化扫描,自动拼接和人工智能识别的方案,能够实现对岩样有机组分高精度和高精度的识别。
附图说明
下面结合附图和实施例对本发明作进一步说明:
图1为本发明中白光扫描的示意图。
图2为本发明中荧光扫描的示意图。
图3为本发明的组分识别示意图。
具体实施方式
一种基于人工智能的有机组分显微识别定量方法,包括以下步骤:
S1、以不同光照模式采集岩样矩阵图片至计算机;
优选的方案中,步骤S1中的光照模式包括白光、红光、黄光、蓝光、绿光和荧光中的至少两种或两种以上多种的组合。
优选的方案中,步骤S1中的光照模式包括白光和荧光。
优选的方案中,所述的荧光为紫色激光、蓝紫激光或紫外光。
优选的方案中,所述的白光为高压汞灯发出的光源或者由多色激光组合的白色激光光源;
红光、黄光、蓝光和绿光光源均采用激光光源。
优选的方案中,步骤S1中,采集时,采用矩阵步进平台固定岩样,每次步进切换不同光照模式,并根据光照模式的数量在每次步进采集相应的图片数量。
S2、拼接矩阵图片;
拼接过程中,第一列之间和第一行之间采用手工精确对比,采集手工精确对比的参数作为下一列及下一行的拼接参数,自动完成拼接。优选的,将拼接参数作为之后各种光照模式下的拼接参数。直至步进参数被重新调节。此处所述的步进参数,是指每次扫描岩样在工作台移动的横向或纵向距离。
S3、对不同光照模式图像做颗粒物边缘跟踪,获取不同模式下颗粒物边缘跟踪图;
边缘跟踪采用边缘精细检测网络进行识别;它包括一个编码器,编码器包括四个编码阶段,每个编码阶段包括2~4个卷积模块,每个卷积模块包括卷积层、激活函数层和归一化层。其中,激活函数采用ReLU函数,归一化采用组归一化。
优选的方案中,步骤S3中,对不同光照模式下的拼接图片,进行颗粒物边缘跟踪,方式为采用阈值或颜色突变跟踪,根据预设阈值识别图片中交界线,将交界线闭合,获得颗粒物边缘跟踪界面框图。
S4、将不同模式下颗粒物边缘跟踪图叠加,保留边缘跟踪路径叠加;
S5、分类提取;
优选的方案中,步骤S5中,根据聚类结果,将组分与颜色相对应,对各类所叠加的跟踪路径进行颜色填充。聚类分析采用K-means聚类分析方法,通过一种距离函数,找出颜色相应的最小正交框架,通过框架内的分析得出跟踪路径内的颜色。
S6、根据分类填充不同颜色;
颜色填充采用基于卷积神经网络的深度学习开源模型caffe作为学习模型;
优选的方案中,步骤S6中,采用caffe建立学习模型,将边缘跟踪的结果识别为区域并加以分割,对识别后的区域分类,将分类后的区域与颜色相对应,将对应的颜色填入充入相应的区域中。优选的,caffe中的voc-fcn8s模型作为人工智能模型。利用预处理好的采集图片和已标注的采集图片作为输入数据;为扩展图片数据,可以对图片做缩放、对称、旋转等操作,以提高训练效果。
图片数据中的50%作为训练图像,50%作为检测图片;编制caffe下的训练文件;最大迭代次数为10000次、迭代精度为0.0001和模型保存频率100次;运行模型训练Python文件,模型根据上述设定和输入数据将自动运行迭代,直至达到设定的迭代精度结束;通过训练,将得到一个训练好的人工智能模型。即可自动识别颜色区域,并填充。
S7、统计颜色像素数,并求和;
通过以上步骤实现有机组分相对含量快速显微识别。
优选的方案中,步骤S1中的光照模式包括白光、红光、黄光、蓝光、绿光和荧光中的至少两种或两种以上多种的组合。
优选的方案中,步骤S5中,根据色调,进行聚类分析,将各个类分别与组分相对应。
上述的实施例仅为本发明的优选技术方案,而不应视为对于本发明的限制,本申请中的实施例及实施例中的特征在不冲突的情况下,可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案,包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进,也在本发明的保护范围之内。
Claims (7)
1.一种基于人工智能的有机组分显微识别定量方法,其特征是包括以下步骤:
S1、以不同光照模式采集岩样矩阵图片至计算机;
S2、拼接矩阵图片;
S3、对不同光照模式图像做颗粒物边缘跟踪,获取不同模式下颗粒物边缘跟踪图;
边缘跟踪采用边缘精细检测网络进行识别;
S4、将不同模式下颗粒物边缘跟踪图叠加,保留边缘跟踪路径叠加;
S5、分类提取;
根据色调,进行聚类分析,将各个类分别与组分相对应;
S6、根据分类填充不同颜色;
根据聚类结果,将组分与颜色相对应,对各类所叠加的跟踪路径进行颜色填充;颜色填充采用基于卷积神经网络的深度学习开源模型caffe作为学习模型;
采用caffe建立学习模型,将边缘跟踪的结果识别为区域并加以分割,对识别后的区域分类,将分类后的区域与颜色相对应,将对应的颜色填入充入相应的区域中;
S7、统计颜色像素数,并求和;
通过以上步骤实现有机组分相对含量快速显微识别。
2.根据权利要求1所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:
步骤S1中的光照模式包括白光、红光、黄光、蓝光、绿光和荧光中的至少两种的组合。
3.根据权利要求1所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:
步骤S1中的光照模式包括白光和荧光。
4.根据权利要求2、3任一项所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:所述的荧光为紫色激光、蓝紫激光或紫外光。
5.根据权利要求2所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:所述的白光为高压汞灯发出的光源或者由多色激光组合的白色激光光源;
红光、黄光、蓝光和绿光光源均采用激光光源。
6.根据权利要求1所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:
步骤S1中,采集时,采用矩阵步进平台固定岩样,每次步进切换不同光照模式,并根据光照模式的数量在每次步进采集相应数量的图片。
7.根据权利要求1所述的一种基于人工智能的有机组分显微识别定量方法,其特征是:
步骤S3中,对不同光照模式下的拼接图片,进行颗粒物边缘跟踪,方式为,根据预设阈值识别图片中交界线,将交界线闭合,获得颗粒物边缘跟踪界面框图。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011226530X | 2020-11-06 | ||
CN202011226530 | 2020-11-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967270A CN112967270A (zh) | 2021-06-15 |
CN112967270B true CN112967270B (zh) | 2022-07-15 |
Family
ID=76278837
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317044.7A Active CN112967270B (zh) | 2020-11-06 | 2021-03-25 | 基于人工智能的有机组分显微识别定量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967270B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5841882A (en) * | 1993-12-10 | 1998-11-24 | Sollac | Automatic process for the maceral analysis and the determination of the reflectance of vitrinite in coals |
CN104700097A (zh) * | 2015-03-31 | 2015-06-10 | 西安科技大学 | 一种基于矿物标准色数据库的矿物组分识别方法 |
CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9625387B2 (en) * | 2014-09-16 | 2017-04-18 | Lawrence Livermore National Security, Llc | System and method for controlling depth of imaging in tissues using fluorescence microscopy under ultraviolet excitation following staining with fluorescing agents |
-
2021
- 2021-03-25 CN CN202110317044.7A patent/CN112967270B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5841882A (en) * | 1993-12-10 | 1998-11-24 | Sollac | Automatic process for the maceral analysis and the determination of the reflectance of vitrinite in coals |
CN104700097A (zh) * | 2015-03-31 | 2015-06-10 | 西安科技大学 | 一种基于矿物标准色数据库的矿物组分识别方法 |
CN111723738A (zh) * | 2020-06-19 | 2020-09-29 | 安徽工业大学 | 一种基于迁移学习的煤岩壳质组显微图像分类方法及系统 |
Non-Patent Citations (2)
Title |
---|
Molecular Fractionation in the Organic Materials of Source Rocks;Saad Alafnan等;《ACS Omega》;20201231;第18968-18974页 * |
全岩光片显微组分测定方法;国家石油和化学工业局;《中华人民共和国石油天然气行业标准》;19990517;第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112967270A (zh) | 2021-06-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10445557B2 (en) | Learning pixel visual context from object characteristics to generate rich semantic images | |
JP7201681B2 (ja) | 単一チャネル全細胞セグメンテーションのためのシステム及び方法 | |
US10438096B2 (en) | Identifying and excluding blurred areas of images of stained tissue to improve cancer scoring | |
CN103518224B (zh) | 用于分析微生物生长的方法 | |
US20100135566A1 (en) | Analysis and classification, in particular of biological or biochemical objects, on the basis of time-lapse images, applicable in cytometric time-lapse cell analysis in image-based cytometry | |
CN106528826A (zh) | 一种基于深度学习的多视图外观专利图像检索方法 | |
RU2008144918A (ru) | Способ и устройство для распознавания веществ | |
US10781680B2 (en) | Detection and quantification of proppant for optimized fracture treatment design in in-fill and new wells | |
EP3140778B1 (en) | Method and apparatus for image scoring and analysis | |
CN112813152B (zh) | 一种基于图像识别的数字pcr液滴荧光检测方法 | |
CN108364278A (zh) | 一种岩心裂缝提取方法和系统 | |
Nurzynska et al. | CAS: Cell annotation software–research on neuronal tissue has never been so transparent | |
CN114897781A (zh) | 基于改进R-UNet深度学习的透水混凝土孔隙自动识别方法 | |
CN113313109A (zh) | 一种荧光免疫层析试纸的半定量分析方法 | |
CN103927547A (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
CN112967270B (zh) | 基于人工智能的有机组分显微识别定量方法 | |
CN113076832B (zh) | 多模式有机组分显微识别方法 | |
CN113538385B (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN112200803B (zh) | 精子核蛋白成熟度检测方法及装置 | |
Durai Arun et al. | An image based microtiter plate reader system for 96-well format fluorescence assays | |
CN115375654A (zh) | 基于机器视觉的荧光录井系统及其检测方法 | |
CN112986244B (zh) | 大视域岩样有机组分显微图像获取方法 | |
CN116523912B (zh) | 一种基于图像识别的清洁度检测系统及方法 | |
CN117893872B (zh) | 基于多模型融合检测的平面裂隙光学检测方法 | |
CN113270156B (zh) | 基于图像处理的机制砂石粉的检测建模、检测方法及系统 |
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 |