CN113076832B - 多模式有机组分显微识别方法 - Google Patents
多模式有机组分显微识别方法 Download PDFInfo
- Publication number
- CN113076832B CN113076832B CN202110317045.1A CN202110317045A CN113076832B CN 113076832 B CN113076832 B CN 113076832B CN 202110317045 A CN202110317045 A CN 202110317045A CN 113076832 B CN113076832 B CN 113076832B
- Authority
- CN
- China
- Prior art keywords
- edge tracking
- modes
- different
- microscopic
- pictures
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000005286 illumination Methods 0.000 claims abstract description 27
- 239000011435 rock Substances 0.000 claims abstract description 18
- 239000002245 particle Substances 0.000 claims abstract description 12
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 239000013618 particulate matter Substances 0.000 claims abstract description 11
- 239000003086 colorant Substances 0.000 claims abstract description 9
- 238000010586 diagram Methods 0.000 claims description 6
- 235000005811 Viola adunca Nutrition 0.000 claims description 3
- 240000009038 Viola odorata Species 0.000 claims description 3
- 235000013487 Viola odorata Nutrition 0.000 claims description 3
- 235000002254 Viola papilionacea Nutrition 0.000 claims description 3
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 claims description 3
- 229910052753 mercury Inorganic materials 0.000 claims description 3
- 239000000470 constituent Substances 0.000 claims 6
- 238000007621 cluster analysis Methods 0.000 claims 1
- 239000003245 coal Substances 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 244000172533 Viola sororia Species 0.000 description 2
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 2
- 239000004215 Carbon black (E152) Substances 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 229930195733 hydrocarbon Natural products 0.000 description 1
- 150000002430 hydrocarbons Chemical class 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000003345 natural gas Substances 0.000 description 1
- 239000003209 petroleum derivative Substances 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/69—Microscopic objects, e.g. biological cells or cellular parts
- G06V20/698—Matching; Classification
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4038—Image mosaicing, e.g. composing plane images from plane sub-images
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明提供一种多模式有机组分显微识别方法,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;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;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,智能拼接和智能识别的方案,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,特别是一种多模式有机组分显微识别方法。
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多模式有机组分显微识别方法,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:一种多模式有机组分显微识别方法,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;
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;
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,进行类聚分析,将各个类分别与组分相对应。
优选的方案中,步骤S6中,根据类聚结果,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。
本发明提供了一种多模式有机组分显微识别方法,通过采用自动化扫描,智能拼接和智能识别的方案,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。
图4为本发明方法拼接的图像示意图。
具体实施方式
一种多模式有机组分显微识别方法,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。
在采集过程中,为确保拼接时不会遗漏图像信息,在采集过程中要确保每个步进位置采集的图像边缘有宽度或长度的10%以上的重叠。
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。即每次步进即根据不同光照模式取得该步进位置的图像,相应图像依据不同光照模式分别存储,分别拼接。
S2、拼接矩阵图片;拼接前先对不同光照模式下获取的图片进行分类,然后根据检测图片的编号,查询步进顺序,根据步进顺序和图片编号顺序自动对图片进行拼接,由此方案,规避通过图像识别进行拼接的方式,降低计算复杂程度。在拼接过程中,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,在拼接过程中,将位于上层的图像做半透明处理,查找重叠位置,通过特征图像,例如小的颗粒物的完全重叠获取拼接参数。水平拼接和垂直拼接均采用该方案,两个相邻图像之间的叠加间距即作为自动拼接的参数,即后继各个图像之间的重叠位置均相同,这是因为在本例中每个图像的采集过程中,均采用了相同的步进参数,因此采用该方案能够大幅降低计算量,提高图像拼接速度,增加整个流水线的节拍,提高图像识别效率。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。参见图4,该岩样由30×40次步进拍摄完成,一块岩样由1200幅图片,每个图片的纵横比例为4:3组成,若全部采用自动识别拼接的方案,则一个光照模式就需要5分钟左右,这大幅拉低了整个识别系统的效率。而采用本发明的步骤, 仅需13秒即完成了一个光照模式下所有图片的拼接操作。
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;边缘跟踪的算法原理为,先获取全局图像,根据全局图像采用人工智能识别模型获取局部色块大致轮廓,具体可以采用灰度法即根据灰度的边缘阈值得出局部色块大致轮廓,或者采用色度-灰度叠加法,对图像做包括色相、色调和灰度数值的加权叠加运算,根据不同图像模型分别给予色相、色调和灰度数值不同的加权效益,由此得出较为精确的局部色块大致轮廓,找出局部色块大致轮廓边缘中分界差值最大的数值,以此数值为上限,设定阈值区间,结合轮廓两侧的色相、色调和灰度数值的差异,对轮廓进行精确跟踪,得出较为精确的轮廓,以曲线对该轮廓进行拟合,从而得出颗粒物边缘跟踪图。优选的方案中,若跟踪的颗粒物存在断点,则以断点两端的点为起点和终点,以局部色块大致轮廓为路径,以曲线进行拟合连接,从而得出断点位置的轮廓。通过以上步骤,得出较为精确的颗粒物边缘跟踪图。
另一可选的方案中,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,以最近端头方式将交界线闭合,获得颗粒物边缘跟踪界面框图,该方案对于分界较为清晰的图像,能够大幅提高处理速度。
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,根据色调差异,进行类聚分析,将各个类分别与组分相对应。
优选的方案中,步骤S6中,根据类聚结果,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。由于本发明采用的显微自动化扫描,相应采集参数能够确保一致性,因此后继能够建立将组分与颜色相对应的数据库,由此能够大幅提高识别的效率和准确率。提高辅导地质勘探的效果。
S6、根据分类填充不同颜色;
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。
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)
1.一种多模式有机组分显微识别方法,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;
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;
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所述的一种多模式有机组分显微识别方法,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所述的一种多模式有机组分显微识别方法,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任一项所述的一种多模式有机组分显微识别方法,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所述的一种多模式有机组分显微识别方法,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所述的一种多模式有机组分显微识别方法,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所述的一种多模式有机组分显微识别方法,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 |
---|---|---|---|
CN202011226541 | 2020-11-06 | ||
CN2020112265418 | 2020-11-06 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076832A CN113076832A (zh) | 2021-07-06 |
CN113076832B true CN113076832B (zh) | 2022-07-08 |
Family
ID=76611698
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110317045.1A Active CN113076832B (zh) | 2020-11-06 | 2021-03-25 | 多模式有机组分显微识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076832B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114266734B (zh) * | 2021-12-03 | 2023-04-07 | 深圳市桑瑞生物科技有限公司 | 植物生长阶段的识别方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013011642A1 (de) * | 2013-07-11 | 2015-01-15 | Technische Universität Bergakademie Freiberg | Verfahren zur Bestimmung carbochemisch relevanter Kennwerte von Braunkohlen mittels Fluoreszene-Photometrie |
CN104999670A (zh) * | 2015-08-25 | 2015-10-28 | 长春理工大学 | 一种多光束激光干涉跨尺度3d打印系统及方法 |
CN107957484A (zh) * | 2016-10-18 | 2018-04-24 | 上海梅山钢铁股份有限公司 | 一种焦炭反射率的检测方法 |
CN110426350A (zh) * | 2019-05-15 | 2019-11-08 | 中国石油大学(北京) | 一种岩石中显微组分组成的定量方法以及系统 |
CN111160064A (zh) * | 2018-11-06 | 2020-05-15 | 煤炭科学技术研究院有限公司 | 煤岩组分识别方法 |
-
2021
- 2021-03-25 CN CN202110317045.1A patent/CN113076832B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013011642A1 (de) * | 2013-07-11 | 2015-01-15 | Technische Universität Bergakademie Freiberg | Verfahren zur Bestimmung carbochemisch relevanter Kennwerte von Braunkohlen mittels Fluoreszene-Photometrie |
CN104999670A (zh) * | 2015-08-25 | 2015-10-28 | 长春理工大学 | 一种多光束激光干涉跨尺度3d打印系统及方法 |
CN107957484A (zh) * | 2016-10-18 | 2018-04-24 | 上海梅山钢铁股份有限公司 | 一种焦炭反射率的检测方法 |
CN111160064A (zh) * | 2018-11-06 | 2020-05-15 | 煤炭科学技术研究院有限公司 | 煤岩组分识别方法 |
CN110426350A (zh) * | 2019-05-15 | 2019-11-08 | 中国石油大学(北京) | 一种岩石中显微组分组成的定量方法以及系统 |
Non-Patent Citations (3)
Title |
---|
Intelligent identification of Maceral Components of coal based on image segmentation and classification;Hongdong Wang et al.;《Applied Sciences》;20190930;全文 * |
煤岩显微图像假边界对显微组分组自动识别的影响;宋孝忠;《煤田地质与勘探》;20190630;全文 * |
煤岩显微组分自动识别技术现状及关键问题分析;王越 等;《煤质技术》;20190131;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113076832A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5329014B2 (ja) | 合成画像の作成及び分析によって細胞サンプルを分析する方法 | |
CN103827919B (zh) | 用于提供组织切片的图像的方法 | |
CN108463717A (zh) | 龟裂信息检测装置、龟裂信息检测方法及龟裂信息检测程序 | |
CN103761743B (zh) | 一种基于图像融合分割的实木地板表面缺陷检测方法 | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN105893925A (zh) | 基于肤色的人手检测方法及装置 | |
WO2017110279A1 (ja) | 損傷情報処理装置及び損傷情報処理方法 | |
US9852354B2 (en) | Method and apparatus for image scoring and analysis | |
CN113076832B (zh) | 多模式有机组分显微识别方法 | |
CN112801972A (zh) | 一种桥梁缺陷检测方法、设备、系统及存储介质 | |
CN112419237B (zh) | 一种基于深度学习的汽车离合主缸凹槽表面缺陷检测方法 | |
CN113392930B (zh) | 基于多层次分治网络的交通标志目标检测方法 | |
CN113554631A (zh) | 一种基于改进网络的芯片表面缺陷检测方法 | |
CN110909657A (zh) | 一种隧道表观病害图像识别的方法 | |
CN105701805A (zh) | 一种基于计算机视觉的猪肉肌内脂肪含量无损检测方法 | |
CN113674216A (zh) | 一种基于深度学习的地铁隧道病害检测方法 | |
CN103927547A (zh) | 一种用于对岩屑荧光图像进行快速分析方法 | |
Yang et al. | PDNet: Improved YOLOv5 nondeformable disease detection network for asphalt pavement | |
CN111062437A (zh) | 一种基于深度学习的桥梁结构病害自动目标检测模型 | |
CN113538385B (zh) | 基于深度学习的隧道表观病害类型及等级判别方法 | |
CN113970560A (zh) | 一种基于多传感融合的缺陷三维检测方法 | |
CN112967270B (zh) | 基于人工智能的有机组分显微识别定量方法 | |
CN112183593A (zh) | 一种基于dssd算法的道路损伤检测方法 | |
CN112986244B (zh) | 大视域岩样有机组分显微图像获取方法 | |
CN109300150B (zh) | 一种用于骨龄评估的手骨x光图像纹理特征提取方法 |
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 |