CN113222923B - 一种基于岩心照片识别裂缝类型的方法 - Google Patents

一种基于岩心照片识别裂缝类型的方法 Download PDF

Info

Publication number
CN113222923B
CN113222923B CN202110483512.8A CN202110483512A CN113222923B CN 113222923 B CN113222923 B CN 113222923B CN 202110483512 A CN202110483512 A CN 202110483512A CN 113222923 B CN113222923 B CN 113222923B
Authority
CN
China
Prior art keywords
pixel
core
fracture
natural
value
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
Application number
CN202110483512.8A
Other languages
English (en)
Other versions
CN113222923A (zh
Inventor
李佳静
刘哲
张帮亮
王伟
董英杰
王超
刘思婷
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.)
Guangdong University of Petrochemical Technology
Original Assignee
Guangdong University of Petrochemical Technology
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 Guangdong University of Petrochemical Technology filed Critical Guangdong University of Petrochemical Technology
Priority to CN202110483512.8A priority Critical patent/CN113222923B/zh
Publication of CN113222923A publication Critical patent/CN113222923A/zh
Application granted granted Critical
Publication of CN113222923B publication Critical patent/CN113222923B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/0004—Industrial image inspection
    • 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
    • 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
    • G06T2207/20—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)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于岩心照片识别裂缝类型的方法，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；对岩心外表面图片进行预处理得到岩心预处理图；对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；对第一集合进行处理，筛选出天然裂缝集合；修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型。通过采集岩心照片，对图片进行处理加工，利用神经网络进行识别匹配，大大地提高了准确率和减轻了科研人员的负担，能满足日益增长的油气勘探开发需求，意义重大。

Description

一种基于岩心照片识别裂缝类型的方法
技术领域
本发明公开涉及图像处理领域，具体涉及一种自动识别岩心照片中天然裂缝类型的方法。
背景技术
岩心是石油勘探过程中重要的地质信息媒介，岩石在应力作用下产生机械性破坏，无明显位移的断裂构造叫裂缝，它在描述油气运聚成藏具有指导意义。岩心裂缝研究是探明和判断裂缝性油气藏的关键手段，随着裂缝性油气藏的探明储量和产量不断上升，岩心裂缝的产状研究日益受到重视。如何高效，自动，准确地观察，筛选，描述和评价岩心裂缝特性变得尤为重要，也是研究裂缝型油气藏的关键，对油气田勘探开发具有重要的理论指导和现实意义。
钻井岩心是获取地下地质特征的第一手资料，从岩心可以获得古生物化石的特征，推算地层的年代，进行地层对比，研究储集层的性质。获取到的岩心呈块状圆柱形，在获取岩心图像资料之前需要对岩心进行整理，整理步骤包括使用清水和毛刷清洗。整理过程中既要清理表面污渍有不能破坏结构和形态，之后对破碎的岩心进行拼接以尽可能恢复原貌。岩心整理是岩心研究不可或缺的前置步骤。
整理好的岩心进行外表面图像扫描，现有工作流程包括使用旋转的滚辊转动岩心，配合工业相机，采集一次后滚辊旋转一个角度，采集下一个角度的图片，完成一个岩心的采集后，对图像进行裁剪和拼接。除了外表面图像扫描，岩心的成像还包括岩心横截面图像采集，荧光扫描。
在岩心获取的过程中，存在人工操作时形成的人工裂缝，人工裂缝一般多见于岩心表面，覆盖面积小而且难贯穿至内部。现有常见流程是人工识别，因为岩心会被污染和被光线、泥土、划痕或其他物质的浸染，现有常规照片处理方法不是为处理岩心照片特别设计，处理岩心图片的效果差，导致后续人工识别存在准确性不高，效率低和依赖经验等问题，不能满足日益增长的油气开采生产要求。
发明内容
为了克服现有方法的不足，本发明的目的在于提供一种基于岩心照片识别裂缝类型的方法，提高了岩心照片识别天然裂缝类型的准确性和效率，获得了较好的岩心图片识别天然裂缝类型效果，减少了人工工作量。
为了达到上述目的，本发明的技术方案如下：
步骤1，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；
步骤2，对岩心外表面图片进行预处理得到岩心预处理图；
步骤3，对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；
步骤4，对第一集合进行处理，筛选出天然裂缝集合；
步骤5，修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；
步骤6，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，所述天然裂缝类型可以分为构造裂缝和非构造裂缝两类：构造裂缝主要包括张性裂缝、剪性裂缝和压性裂缝，而非构造裂缝则主要包括溶蚀缝、压实缝、风化缝、层间缝和沉积裂缝等。
进一步地，在步骤1中，用工业CCD相机对岩心进行扫描以获取岩心外表面图片的方法包括以下子步骤：
步骤1.1，将岩心放在步进电机控制旋转的滚辊上；
步骤1.2，使用工业CCD相机扫描岩心；
步骤1.3，每一次旋转滚辊采集一条像素线，之后旋转滚辊，根据需要的精度调整旋转的速度，一个岩心采集的所有像素线构成像素线集合；
步骤1.4，把采集到的所有像素线集合合成一幅完整的岩心外表面图片。
进一步地，在步骤1中，把整理好的岩心固定在步进电机驱动的滚辊上，步进电机和相机协作，根据需要的分辨率不同调节转动速度，每一次旋转滚辊采集一条像素线，一条像素线采集完后步进电机驱动滚辊转动一个角度，直到整个岩心被扫描，一个岩心获取到的所有像素线拼接成一幅岩心外表面图片。
优选地，可以利用荧光采集仪扫描岩心得到岩心外表面图片。
进一步地，在步骤2中，对岩心外表面图片进行预处理得到岩心预处理图，现有图像边缘识别预处理方法只考虑了人眼对颜色的敏感度差异，基于人眼对不同颜色敏感度的不同，武断地对各个颜色通道的强度进行简单加权后求和，处理后的图片比较一致，符合人体感官，但不适用于岩心照片的场景，加上岩心外表面图片颜色单一而且对比度低，加上图片带有毛刺，可能会造成处理后图片毛刺信息失真，不利于后面的真实的裂缝边鉴别步骤，因此需要引入下列图像增强算法能有效改善此特定场景下裂缝边鉴别的性能，针对性地对每个像素进行处理，加强特定像素。
进一步地，在步骤2中，对岩心外表面图片进行预处理得到岩心预处理图的方法包含以下子步骤：
步骤2.1，读取抽取岩心外表面图片的像素，分别得到单个像素的红色分量，绿色分量和蓝色分量，分别为P Red ，P Green ，P Blue ，每个颜色深度为8位，可得各颜色分量的取值范围为[0,255]；
步骤2.2，初始设置对比度比重E，颜色分量极值G m =128，G m 为颜色深度取值范围的一半作为参考值；
步骤2.3，获得参考色度值BRef，获得参考色度值BRef的公式为：
BRef=0.213×PRed+0.715×PGreen+0.072×PBlue，
获得像素的参考色度值BRef；
步骤2.4，如果MAX(P Red ，P Green ，P Blue )－MIN(P Red ，P Green ，P Blue )＜G m ，则H=MEDIAN (P Red ，P Green ，P Blue )，MEDIAN()表示取括号中三个元素的中值，MAX()表示取括号中三个元素 的最大值，MIN()表示取括号中三个元素的的最小值，计算
Figure DEST_PATH_IMAGE001
并转到步骤2.5，否则转 到步骤2.3计算下一个像素的参考色度值；
步骤2.5，如果E×MAX(PRed,PGreen,PBlue)＞255，则：
Figure 142620DEST_PATH_IMAGE002
；
步骤2.6，对单个像素进行处理，P’ Red =E*P Red ，P’ Green =E*P Green ，P Blue =E* P Blue ；
步骤2.7，读取下一个像素，如果是最后一个像素，转到步骤2.8，否则转到步骤2.1；
步骤2.8，依次对所有像素按下式进行变换：
Figure DEST_PATH_IMAGE003
步骤2.9，如果存在像 素的PIXAL值大于等于G m ，则将此像素的Pedge为TRUE，否则Pedge为FALSE；Pedge为对每个像素 设置的有效边标记，其值为TRUE或FALSE，TRUE为真，即表示该像素为有效边上的像素，即该 像素为真实的裂缝边缘上；FALSE为假，表示该像素为无效边标记上的像素，即该像素为裂 缝边缘的毛刺；
步骤2.10，将Pedge的值标记到岩心外表面图片的相应位置，构成岩心预处理图，输出岩心预处理图。
优选地，在步骤2中，对岩心外表面图片进行预处理得到岩心预处理图的方法还可以是以下子步骤：
步骤 2.1，从岩心外表面图片获得每个像素点的红色，绿色和蓝色
分量，分别为I Red ， I Green ，I Blue ；
步骤2.2，使得 I 0 =MAX(I Red , I Green , I Blue )，即 I0 为I Red , I Green , I Blue 中最大值；
步骤2.3，利用以下公式获得对应像素的灰度值：
𝐼𝐺𝑟𝑒𝑦= 𝐼0，
式中𝐼𝐺𝑟𝑒𝑦即为对应像素的处理值。
步骤 2.4，一张岩心外表面图片所有像素的处理值构成岩心预处理图。
进一步地，在步骤3中对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合的方法包括：对图像进行边缘轮廓检测，包括基于搜索方法和/或基于零交叉方法。
进一步地，在步骤3中，基于搜索的边缘检测方法包括利用Roberts Cross算子,Prewitt算子, Sobel算子, Canny算子，罗盘算子。
进一步地，在步骤3中，基于零交叉方法包括利用Marr-Hildreth方法。
优选地，在步骤3中，利用监督学习模型进行边缘识别。
进一步地，在步骤4中，对第一集合进行处理，筛选出天然裂缝集合的方法，包括以下子步骤：
步骤4.1，设置变量i，初始化i的值为1；令N为第一集合中元素的数量；第一集合为G={Gj}，Gj为G中第j个裂缝区域图像，将Gj转化为Gj图像的像素矩阵中像素的集合，其中，j取值范围为[1,N]，建立空集合G’；
步骤4.2，依次提取Gi中的像素中标记Pedge为TRUE的像素的像素集合为P<Xa,Ya>，<Xa,Ya>是其中第a个像素的坐标，k是Pedge为TRUE的像素数量，a≤k；
步骤4.3，设置变量b的值为1，建立空集合DP<dpe>，空集合DP_MAX<dpf>，dpe和dpf均为像素，建立空集合DP_AVG<dCavg>；
步骤4.4，设置变量c=b+step1，变量d=c+step2，step1和step2为步进值，如果d>k，则跳转到步骤4.11，否则跳转步骤4.5；
其中，步进值step1值和step2值的获取方式为：通过Harris角点检测对P<Xa,Ya>的像素点集合构成的封闭区域进行检测得到多个角点，令各个角点的集合为CP<Xa,Ya>，步进值step1为从p1(xb,yb)开始的到与p1(xb,yb)距离最近的角点做为的第一角点构成线段上的像素数量，令距离第一角点最近的角点为第二角点，步进值step2为从第一角点开始到第二角点构成线段的像素数量, 其中p1(xb,yb)是集合P<Xa,Ya>中第b个像素；
步骤4.5，从集合P<Xa,Ya>中取得像素p1(xb,yb)， p2(xc,yc)，p3(xd,yd)，其中(xc,yc)是集合P<Xa,Ya>中第c个像素的坐标，(xd,yd)是集合P<Xa,Ya>中第d个像素的坐标；
步骤4.6，p1(xb,yb)，p2(xc,yc)，p3(xd,yd)构成三角形，构造所述三角形的外接圆，圆心为Cb，外接圆Cb的半径为Cr，把Cr加入DP_AVG<dCavg>；
步骤4.7，设置变量e的值为1；
步骤4.8，从集合P<Xa,Ya>中取得像素p0(xe,ye)，设置dpe为p0(xe,ye)到Cb的欧几里得距离，连同像素p0(xe,ye)加入集合DP<dpe>，(xe,ye)是集合P<Xa,Ya>中第e个像素的坐标；
步骤4.9，将变量e的值增加1，如果e≤k，跳转步骤4.8，否则跳转步骤4.10；
步骤4.10，计算DP_AVG<dCavg>各个元素的算术平均值，从集合DP<dpe>中选出大于所述算数平均值的元素，将各个选出的所述元素及其对应的像素坐标加入集合DP_MAX<dpf>，变量b的值增加1，把集合DP<dpe>清空，跳转到步骤4.4；
步骤4.11，取得P_MAX<dpf>中各个元素的频数和其坐标(xg,yg)，从中剔除在CP<Xa,Ya>中的元素，构成集合EXCL(xh,yh)，其中所述元素的频数指的是所选元素在集合DP_MAX<dpf>出现的次数，其中(xh,yh)是集合EXCL(xh,yh)中第h个像素的坐标，h的取值范围为[1,k]；
步骤4.12，从集合Gi中剔除EXCL(xh,yh)中的元素后合并到集合G’中，将变量i的值增加1；
步骤4.13，如果i≤N，跳转到步骤4.2，否则跳转到步骤4.14；
步骤4.14，令G’集合为第二集合，第二集合即为剔除了人工裂缝的天然裂缝集合。
进一步地，在步骤5中，修复天然裂缝集合的方法，包括以下步骤：
抽取天然裂缝集合中的天然裂缝图像，对每个天然裂缝图像进行按照Z型走向遍历分割出孤立曲线CURVEN，小于阈值的曲线重新分配给邻近的大于阈值的曲线；对CURVEN建立最小外接矩形，调整天然裂缝图像到统一大小，得到统一大小的天然裂缝图像。
优选地，在步骤5中，修复天然裂缝集合的方法，包括以下子步骤：
步骤5.1，设置变量p和q，初始化p和q的值为1；令M为第二集合G’中元素的数量；第二集合为G’={G’r}，将G’r转化为G’r图像的像素矩阵中像素的集合，G’r为G’中第r个裂缝图像，其中，r取值范围为[1,M]；
步骤5.2，通过直线检测方法检测得到G’p中的直线段集合L，所述直线检测方法包括最小二乘法拟合直线、LSD线段检测、Hough变换检测直线、Ransac拟合直线中任意一种；
步骤5.3，如果L为空集则令p的值增加1并转到步骤5.2，如果L不为空集则转到步骤5.4，如果L不为空表示则存在人工裂缝或磨损，需要进行修复；
步骤5.4，从集合G’中筛选出除G’p外的各个裂缝图像的重心或几何中心P1到G’p的重心或几何中心P2的欧氏距离小于Lmax的待合并裂缝图像集合G2，其中，Lmax为集合L中最长直线段的长度，此步骤的目的是筛选出临近的裂缝碎片；
步骤5.5，通过Harris角点检测对G’p的像素点集合构成的封闭区域进行检测得到多个角点，得到的角点集合CP2<Xa,Ya>，CP2<Xa,Ya>中元素的数量为S，令p(xt,yt)为CP2<Xa,Ya>中坐标为(xt,yt)的像素点，(xt,yt)是集合CP<Xa,Ya>中第t个像素的坐标，t取值范围为[1,S]；
依次扫描CP2<Xa,Ya>中各个角点中与集合L中线段的任意端点距离最近的角点P3，令L2为集合L中任意端点距离与角点P3距离最近的直线段，选择集合G2中重心或几何中心P1与P3的欧氏距离最短的裂缝图像并且该裂缝图像的外接圆的直径R1小于L2的长度的裂缝图像作为待合并裂缝图像G3，此步骤的目的是定位出待合并裂缝图像碎片；
步骤5.6，将G3的外接圆与G3的各个切点相互之间构成的各个线段中选取与L2的长度的差值的绝对值E最小的线段LQ的两个切点作为第一连接点和第二连接点；将LQ按照L2的方向旋转第一角度，按照第一角度对应的旋转G3；其中，令线段L2的两个端点为第三连接点和第四连接点，第三连接点到第四连接点的线段方向对应于G3中第一连接点到第二连接点的线段方向；
步骤5.7，将G3移动到G3的第一连接点与L2的第三连接点的重合的位置，如果E>0，则通过边缘检测算子对G’p检测边缘线，令第四连接点在G’p边缘线上对应的坐标位置的像素点为P4点，从P4点开始，沿着第三连接点和第四连接点的线段方向，从第四连接点开始复制G’p上截面长度为E的边缘线，（即取从第四连接点开始复制所述边缘线的两个端点的之间的直线距离为E，边缘线的两个端点其中一个端点为第四连接点），复制的边缘线的两个端点第五连接点和第六连接点，将复制的边缘线的第五连接点移动到第二连接点的坐标处，第六连接点对应的移动到第四连接点处得到新的G’p，完成了G’p的修复，将G3从第二集合G’中删除并将G3从待合并裂缝图像集合G2中删除；
步骤5.8，如果p＜M，将变量p的值增加1并转到步骤5.2，当p≥M时转到步骤5.9；
步骤5.9，输出第二集合G’ 作为修复好的天然裂缝集合；
将修复好的天然裂缝集合中的各个天然裂缝图像调整天然裂缝图像到统一的80×80像素或者256×256像素大小。
进一步地，在步骤6中，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型的方法包括以下子步骤：
步骤6.1，利用已有的带标记的岩心图片，分成训练数据集和测试数据集，训练数据集的数量占总数据集数量的80%，测试数据集数量占总数据集数量的20%；
步骤6.2，建立预测卷积神经网络模型模型，把训练数据集输入模型训练；步骤6.3，调整使用的参数，使用测试数据集验证预测模型直到准确度高
于阈值；
步骤6.4，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络
模型，得到天然裂缝的类型。
本发明的有益效果为：本发明基于岩心照片识别天然裂缝类型，通过采集岩心照片，对图片进行处理加工，利用神经网络进行识别匹配，大大地提高了准确率和减轻了科研人员的负担，能满足日益增长的油气勘探开发需求，意义重大。
附图说明
通过对结合附图所示出的实施方式进行详细说明，本公开的上述以及其他特征将更加明显，本公开附图中相同的参考标号表示相同或相似的元素，显而易见地，下面描述中的附图仅仅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的前提下，还可以根据这些附图获得其他的附图，在附图中：
图1所示为一种基于岩心照片识别裂缝类型的方法的流程图。
具体实施方式
以下将结合实施例和附图对本公开的构思、具体结构及产生的技术效果进行清楚、完整的描述，以充分地理解本公开的目的、方案和效果。需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
如图1所示为一种基于岩心照片识别裂缝类型的方法的流程图，下面结合图1来阐述根据本发明的实施方式的一种基于岩心照片识别裂缝类型的方法，所述方法包括以下步骤：
步骤1，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；
步骤2，对岩心外表面图片进行预处理得到岩心预处理图；
步骤3，对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；
步骤4，对第一集合进行处理，筛选出天然裂缝集合；
步骤5，修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；
步骤6，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，所述天然裂缝类型可以分为构造裂缝和非构造裂缝两类：构造裂缝主要包括张性裂缝、剪性裂缝和压性裂缝，而非构造裂缝则主要包括溶蚀缝、压实缝、风化缝、层间缝和沉积裂缝等。
进一步地，在步骤1中，用工业CCD相机对岩心进行扫描以获取岩心外表面图片的方法包括以下子步骤：
步骤1.1，将岩心放在步进电机控制旋转的滚辊上；
步骤1.2，使用工业CCD相机扫描岩心；
步骤1.3，每一次旋转滚辊采集一条像素线，之后旋转滚辊，根据需要的精度调整旋转的速度，一个岩心采集的所有像素线构成像素线集合；
步骤1.4，把采集到的所有像素线集合合成一幅完整的岩心外表面图片。
进一步地，在步骤1中，把整理好的岩心固定在步进电机驱动的滚辊上，步进电机和相机协作，根据需要的分辨率不同调节转动速度，每一次旋转滚辊采集一条像素线，一条像素线采集完后步进电机驱动滚辊转动一个角度，直到整个岩心被扫描，一个岩心获取到的所有像素线拼接成一幅岩心外表面图片。
优选地，可以利用荧光采集仪扫描岩心得到岩心外表面图片。
进一步地，在步骤2中，对岩心外表面图片进行预处理得到岩心预处理图的方法包含以下子步骤：
步骤2.1，读取抽取岩心外表面图片的像素，分别得到单个像素的红色分量，绿色分量和蓝色分量，分别为P Red ，P Green ，P Blue ，每个颜色深度为8位，可得各颜色分量的取值范围为[0,255]；
步骤2.2，初始设置对比度比重E，颜色分量极值G m =128，G m 为颜色深度取值范围的一半作为参考值；
步骤2.3，获得参考色度值BRef，获得参考色度值BRef的公式为：
BRef=0.213×PRed+0.715×PGreen+0.072×PBlue，
获得像素的参考色度值BRef；
步骤2.4，如果MAX(P Red ，P Green ，P Blue )－MIN(P Red ，P Green ，P Blue )＜G m ，则H=MEDIAN(P Red ，P Green ，P Blue )，MEDIAN()表示取括号中三个元素的中值，MAX()表示取括号中三个元素的最大值，MIN()表示取括号中三个元素的的最小值，计算E=BRef÷H并转到步骤2.5，否则转到步骤2.3计算下一个像素的参考色度值；
步骤2.5，如果E×MAX(PRed,PGreen,PBlue)＞255，则：
E=BRef÷MAX(P Red ，P Green ，P Blue )；
步骤2.6，对单个像素进行处理，P’ Red =E×P Red ，P’ Green =E×P Green ，P Blue =E×P Blue ；
步骤2.7，读取下一个像素，如果是最后一个像素，转到步骤2.8，否则转到步骤2.1；
步骤2.8，依次对所有像素PIXAL按下式进行变换：
PIXAL=（MIN(P Red ，P Green ，P Blue )+MAX(P Red ，P Green ，P Blue )）÷2；
步骤2.9，如果存在像素的PIXAL值大于等于G m ，则将此像素的Pedge为TRUE，否则Pedge为FALSE；Pedge为每个像素的有效边标记，其值为TRUE或FALSE，TRUE为真，即表示该像素为有效边上的像素，即该像素为真实的裂缝边缘上；FALSE为假，表示该像素为无效边标记上的像素，即该像素为裂缝边缘的毛刺；
步骤2.10，将Pedge的值标记到岩心外表面图片的相应位置，构成岩心预处理图，输出岩心预处理图。
优选地，在步骤2中，对岩心外表面图片进行预处理得到岩心预处理图的方法还可以是以下子步骤：
步骤 2.1，从岩心外表面图片获得每个像素点的红色，绿色和蓝色分量，分别为I Red ， I Green ，I Blue ；
步骤2.2，使得 I 0 =MAX(I Red , I Green , I Blue )，即 I0 为I Red , I Green , I Blue 中最大值；
步骤2.3，利用以下公式获得对应像素的灰度值：
𝐼𝐺𝑟𝑒𝑦= 𝐼0，
式中𝐼𝐺𝑟𝑒𝑦即为对应像素的处理值；
步骤 2.4，一张岩心外表面图片所有像素的处理值构成岩心预处理图。
进一步地，在步骤3中对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合的方法包括：对图像进行边缘轮廓检测，包括基于搜索方法和基于零交叉方法。
进一步地，在步骤3中，基于搜索的边缘检测方法包括Roberts Cross算子,Prewitt算子, Sobel算子, Canny算子，罗盘算子。
进一步地，在步骤3中，基于基于零交叉方法包括利用Marr-Hildreth方法。
优选地，在步骤3中，利用监督学习进行边缘识别，包括利用cv2包和numpy包，实现的python代码节选为：
import cv2；
import numpy as np；
image_raw = cv2.imread(image_path,1) #加载图片；
model_dir = "model_edge.yml.gz" #加载监督学习模型；
image_array = np.float32(image_raw) #输入图像转换；
image_array = image_array *(1.0/255.0) #输入图像转换；
image_retval= cv2.proc.createStructuredEdgeCalcion(model_dir) #处理模型；
image_output = image_retval.calcEdges(image_array) #图像边缘识别
plot(image_output)；
进一步地，在步骤4中，对第一集合进行处理，筛选出天然裂缝集合的方法，包括以下子步骤：
步骤4.1，设置变量i和j，初始化i和j的值为1；令N为第一集合中元素的数量；第一集合为G={Gi}，Gi为像素矩阵，是像素的集合；
步骤4.2，提取Gi中的像素Pj，提取Pj中标记Pedge为TRUE的像素的像素集合为P<Xa,Ya>，<Xa,Ya>是其中像素的坐标，k是Pedge为TRUE的像素数量，a≤k；
步骤4.3，设置变量b=1，建立空集合DP<dpe>，空集合DP_MAX<dpf>，dpe和dpf均为像素，建立空集合DP_AVG<dCavg>；
步骤4.4，设置变量c=b+step1，变量d=c+step2，step1和step2为步进值，c和d向上取整数，如果d>k，则跳转到步骤4.10，否则跳转步骤4.5；
其中，step1值和step2值的获取方式为：通过Harris角点检测对P<Xa,Ya>的像素点集合构成的封闭区域进行检测得到多个角点，角点的集合为CP<Xa,Ya>，step1为从p1(xb,yb)开始的到距离最近的角点构成线段的像素数量，step2为从p1(xb,yb)开始的第二最近距离角点构成线段的像素数量, 其中p1(xb,yb)是集合P<Xa,Ya>中第b个像素的坐标；
进一步地，在步骤4.4和步骤5.5中，获取Harris角点的C++代码为：
#include "opencv2/opencv.hpp"
Using namespace cv2;
class HARRIS_H
{
private:
Mat cornStren; Mat cornOut;
Mat localMax; int nearbySize;
int edgeSize; double k;
double maxStren; double thresholdMin;
int nonMaxSize; Mat kernel;
public: harris():nearbySize(3),edgeSize(3),k(0.01),maxStren(0.0),thresholdMin(0.01),nonMaxSize(3){
};
void setLocalMaxWindowsize(int nonMaxSize){
this->nonMaxSize = nonMaxSize;
};
void calc(const Mat &image){
//对近距离角点构成线段的像素数量进行检测；
cornerHarris(image,cornStren,nearbySize,edgeSize,k);
double minStrength;
minMaxLoc (cornStren,&minStrength,&maxStren);
Mat dilute;
dilate (cornStren,dilute,Mat());
compare(cornStren,dilute,localMax,CMP_EQ);
}
Mat getCornerMapping(double greyLevel) {
//对封闭区域进行检测；
Mat cornerMap;
thresholdMin= greyLevel*maxStren;
thresholdMin(cornStren,cornOut,
thresholdMin,255,THRESH_BINARY);
cornOut.convertTo(cornerMap,CV_8U);
bitwise_and(cornerMap,localMax,cornerMap);
return cornerMap;
}；
void getCorns(std::vector<Point> &points,
//对P<Xa,Ya>的像素点集合构成的封闭区域进行检测得到多个角点；
double greyLevel) {
Mat cornerMap= getCornerMapping(greyLevel);
getCorns(points, cornerMap);
}
void getCorns(std::vector<Point> &points, const Mat& cornerMap) {
for( int y = 0; y < cornerMap.rows; y++ ) {
const uchar* rowPtr =cornerMap.ptr<uchar>(y);
for( int x = 0; x < cornerMap.cols; x++ ) {
if (rowPtr[x]) {
points.push_back(Point(x,y));
}}}}
void drawOnImage(Mat &image,const std::vector<Point> &points,
Scalar color=Scalar(255,255,255),
int radius=3, int thickness=2) {
std::vector<Point>::const_iterator it=points.begin();
while (it!=points.end()) {
circle(image,*it,radius,color,thickness);
++it;
}}};
//inatant
Mat image0, image1 = cv::imread ("loading.jpg");
cvtColor (image1,image0,CV_GRAY);
harris Harris;
Harris.calc(image0);
std::vector<cv::Point> points;
Harris.getCorns(points,0.01);
Harris.drawOnImage(image0, points);
namedWidget ("output");
imshow ("output", image0)。
步骤4.5，从集合P<Xa,Ya>中取得像素p1(xb,yb)， p2(xc,yc)，p3(xd,yd)，其中p2(xc,yc)是集合P<Xa,Ya>中第c个像素的坐标，p3(xd,yd)是集合P<Xa,Ya>中第d个像素的坐标；
步骤4.6，p1(xb,yb)，p2(xc,yc)，p3(xd,yd)构造外接圆，圆心为Cb，外接圆Cb的半径为Cr，把Cr加入DP_AVG<dCavg>；
步骤4.7，设置变量e=1；
步骤4.8，从集合P<Xa,Ya>中取得像素p0(xe,ye)，设置dpe为p0(xe,ye)到Cb的欧几里得距离，连同像素(xe,ye)加入集合DP<dpe>；
步骤4.9，将变量e增加1，如果e≤k，跳转步骤4.8，否则跳转步骤4.10；
步骤4.10，从集合DP<dpe>中选出大于DP_AVG<dCavg>算数平均值的值，把其坐标加入集合DP_MAX<dpf>，变量b增1加1，把集合DP<dpe>清空，跳转到步骤4.4；
步骤4.11，整理DP_MAX<dpf>，取得各个元素的频数和其坐标(xg,yg)，从中剔除CP<Xa,Ya>的元素，构成集合EXCL(xh,yh)，其中所述元素的频数指的是所选元素在集合DP_MAX<dpf>出现的次数；
步骤4.12，从集合Gi中剔除EXCL(xh,yh)中的元素，构成G’re，将变量i增加1；
步骤4.13，如果i<N，跳转到步骤4.1，否则跳转到步骤4.14；
步骤4.14，{G’re}集合为第二集合，第二集合为剔除了人工裂缝的天然裂缝集合。
进一步地，在步骤5中，修复天然裂缝集合的方法，包括以下步骤：
抽取天然裂缝集合中的天然裂缝图像，对每个天然裂缝图像进行按照Z型走向遍历分割出孤立曲线CURVEN，小于阈值的曲线重新分配给邻近的大于阈值的曲线，对CURVEN建立最小外接矩形，调整天然裂缝图像到统一大小，得到统一大小的天然裂缝图像。
优选地，在步骤5中，修复天然裂缝集合的方法，包括以下子步骤：
步骤5.1，设置变量p和q，初始化p和q的值为1；令M为第二集合G’中元素的数量；第二集合为G’={G’r}，将G’r转化为G’r图像的像素矩阵中像素的集合，G’r为G’中第r个裂缝图像，其中，r取值范围为[1,M]；
步骤5.2，通过直线检测方法检测得到G’p中的直线段集合L，所述直线检测方法包括最小二乘法拟合直线、LSD线段检测、Hough变换检测直线、Ransac拟合直线中任意一种；
步骤5.3，如果L为空集则令p的值增加1并转到步骤5.2，如果L不为空集则转到步骤5.4，如果L不为空表示则存在人工裂缝或磨损，需要进行修复；
步骤5.4，从集合G’中筛选出除G’p外的各个裂缝图像的重心或几何中心P1到G’p的重心或几何中心P2的欧氏距离小于Lmax的待合并裂缝图像集合G2，其中，Lmax为集合L中最长直线段的长度，此步骤的目的是筛选出临近的裂缝碎片；
步骤5.5，通过Harris角点检测对G’p的像素点集合构成的封闭区域进行检测得到多个角点，得到的角点集合CP2<Xa,Ya>，CP2<Xa,Ya>中元素的数量为S，令p(xt,yt)为CP2<Xa,Ya>中坐标为(xt,yt)的像素点，(xt,yt)是集合CP<Xa,Ya>中第t个像素的坐标，t取值范围为[1,S]；
依次扫描CP2<Xa,Ya>中各个角点中与集合L中线段的任意端点距离最近的角点P3，令L2为集合L中任意端点距离与角点P3距离最近的直线段，选择集合G2中重心或几何中心P1与P3的欧氏距离最短的裂缝图像并且该裂缝图像的外接圆的直径R1小于L2的长度的裂缝图像作为待合并裂缝图像G3，此步骤的目的是定位出待合并裂缝图像碎片；
步骤5.6，将G3的外接圆与G3的各个切点相互之间构成的各个线段中选取与L2的长度的差值的绝对值E最小的线段LQ的两个切点作为第一连接点和第二连接点；将LQ按照L2的方向旋转第一角度，按照第一角度对应的旋转G3；其中，令线段L2的两个端点为第三连接点和第四连接点，第三连接点到第四连接点的线段方向对应于G3中第一连接点到第二连接点的线段方向；
步骤5.7，将G3移动到G3的第一连接点与L2的第三连接点的重合的位置，如果E>0，则通过边缘检测算子对G’p检测边缘线，令第四连接点在G’p边缘线上对应的坐标位置的像素点为P4点，从P4点开始，沿着第三连接点和第四连接点的线段方向，从第四连接点开始复制G’p上截面长度为E的边缘线，（即取从第四连接点开始复制所述边缘线的两个端点的之间的直线距离为E，边缘线的两个端点其中一个端点为第四连接点），复制的边缘线的两个端点第五连接点和第六连接点，将复制的边缘线的第五连接点移动到第二连接点的坐标处，第六连接点对应的移动到第四连接点处得到新的G’p，完成了G’p的修复，将G3从第二集合G’中删除并将G3从待合并裂缝图像集合G2中删除；
步骤5.8，如果p＜M，将变量p的值增加1并转到步骤5.2，当p≥M时转到步骤5.9；
步骤5.9，输出第二集合G’ 作为修复好的天然裂缝集合；
将修复好的天然裂缝集合中的各个天然裂缝图像调整天然裂缝图像到统一的80×80像素或者256×256像素大小。
进一步地，在步骤6中，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型的方法包括以下子步骤：
步骤6.1，利用已有的带标记的岩心图片，分成训练数据集和测试数据集，训练数据集占总数据集的80%，测试数据集占20%；
步骤6.2，建立预测卷积神经网络模型模型，把训练数据集输入模型训练；步骤6.3，使用测试数据集验证预测模型直到准确度高于阈值；
步骤6.4，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型。
本系统用于执行本发明提供的岩心照片识别天然裂缝类型的方法，判断模块包括的各子模块实现相应功能的具体方法和流程详见上述岩心照片识别天然裂缝类型的方法的实施例，此处不再赘述。
本发明实施例通过岩心照片识别天然裂缝类型，识别天然裂缝类型的效果明显优于现有技术。
进一步地，将待提取的岩心照片调整为与训练样本集中的图像尺寸相同，提高了天然裂缝类型识别的效率和准确率。
本发明另一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：岩心照片提取方法、岩心图像的处理方法和天然裂缝类型识别模型的获取方法。
本发明另一实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：岩心照片提取方法、岩心图像的处理方法和天然裂缝类型识别模型的获取方法。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种基于岩心照片识别裂缝类型的方法，其特征在于，所述方法包括以下步骤：
步骤1，用工业CCD相机对岩心进行扫描以获取岩心外表面图片；
步骤2，对岩心外表面图片进行预处理得到岩心预处理图；
步骤3，对岩心预处理图进行边缘检测得到边缘轮廓构成的各个裂缝区域，所述各个裂缝区域构成第一集合；
步骤4，对第一集合进行处理，筛选出天然裂缝集合；
步骤5，修复天然裂缝集合中的天然裂缝图像，调整天然裂缝图像到统一大小；
步骤6，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型；
其中，步骤4中，对第一集合进行处理，筛选出天然裂缝集合的方法，包括以下子步骤：
步骤4.1，设置变量i，初始化i的值为1；令N为第一集合中元素的数量；第一集合为G={Gj}，Gj为G中第j个裂缝区域图像，将Gj转化为Gj图像的像素矩阵中像素的集合，其中，j取值范围为[1,N]，建立空集合G’；
步骤4.2，依次提取Gi中的像素中标记Pedge为TRUE的像素的像素集合为P<Xa,Ya>，<Xa,Ya>是其中第a个像素的坐标，k是Pedge为TRUE的像素数量，a≤k；
步骤4.3，设置变量b的值为1，建立空集合DP<dpe>，空集合DP_MAX<dpf>，dpe和dpf均为像素，建立空集合DP_AVG<dCavg>；
步骤4.4，设置变量c=b+step1，变量d=c+step2，step1和step2为步进值，如果d>k，则跳转到步骤4.11，否则跳转步骤4.5；
其中，步进值step1值和step2值的获取方式为：通过Harris角点检测对P<Xa,Ya>的像素点集合构成的封闭区域进行检测得到多个角点，令各个角点的集合为CP<Xa,Ya>，步进值step1为从p1(xb,yb)开始的到与p1(xb,yb)距离最近的角点做为的第一角点构成线段上的像素数量，令距离第一角点最近的角点为第二角点，步进值step2为从第一角点开始到第二角点构成线段的像素数量, 其中p1(xb,yb)是集合P<Xa,Ya>中第b个像素；
步骤4.5，从集合P<Xa,Ya>中取得像素p1(xb,yb)， p2(xc,yc)，p3(xd,yd)，其中(xc,yc)是集合P<Xa,Ya>中第c个像素的坐标，(xd,yd)是集合P<Xa,Ya>中第d个像素的坐标；
步骤4.6，p1(xb,yb)，p2(xc,yc)，p3(xd,yd)构成三角形，构造所述三角形的外接圆，圆心为Cb，外接圆的半径为Cr，把Cr加入DP_AVG<dCavg>；
步骤4.7，设置变量e的值为1；
步骤4.8，从集合P<Xa,Ya>中取得像素p0(xe,ye)，设置dpe为p0(xe,ye)到Cb的欧几里得距离，连同像素p0(xe,ye)加入集合DP<dpe>，(xe,ye)是集合P<Xa,Ya>中第e个像素的坐标；
步骤4.9，将变量e的值增加1，如果e≤k，跳转步骤4.8，否则跳转步骤4.10；
步骤4.10，计算DP_AVG<dCavg>各个元素的算术平均值，从集合DP<dpe>中选出大于所述算术平均值的元素，将各个选出的所述元素及其对应的像素坐标加入集合DP_MAX<dpf>，变量b的值增加1，把集合DP<dpe>清空，跳转到步骤4.4；
步骤4.11，取得DP_MAX<dpf>中各个元素的频数和其对应坐标(xg,yg)，从中剔除在CP<Xa,Ya>中的元素，构成集合EXCL(xh,yh)，其中所述元素的频数指的是所选元素在集合DP_MAX<dpf>出现的次数，其中(xh,yh)是集合EXCL(xh,yh)中第h个像素的坐标，h的取值范围为[1,k]；
步骤4.12，从集合Gi中剔除EXCL(xh,yh)中的元素后合并到集合G’中，将变量i的值增加1；
步骤4.13，如果i≤N，跳转到步骤4.2，否则跳转到步骤4.14；
步骤4.14，令G’集合为第二集合，第二集合即为剔除了人工裂缝的天然裂缝集合；
在步骤5中，修复天然裂缝集合中的天然裂缝图像的方法包括以下子步骤：
步骤5.1，设置变量p和q，初始化p和q的值为1；令M为第二集合G’中元素的数量；第二集合为G’={G’r}，将G’r转化为G’r图像的像素矩阵中像素的集合，G’r为G’中第r个裂缝图像，其中，r取值范围为[1,M]；
步骤5.2，通过直线检测方法检测得到G’p中的直线段集合L，所述直线检测方法包括最小二乘法拟合直线、LSD线段检测、Hough变换检测直线、Ransac拟合直线中任意一种；
步骤5.3，如果L为空集则令p的值增加1并转到步骤5.2，如果L不为空集则转到步骤5.4；
步骤5.4，从集合G’中筛选出除G’p外的各个裂缝图像的重心或几何中心P1到G’p的重心或几何中心P2的欧氏距离小于Lmax的待合并裂缝图像集合G2，其中，Lmax为集合L中最长直线段的长度；
步骤5.5, 通过Harris角点检测对G’p的像素点集合构成的封闭区域进行检测得到多个角点，得到的角点集合CP2<Xb,Yb>，CP2<Xb,Yb>中元素的数量为S，令p(xt,yt)为CP2<Xb,Yb>中坐标为(xt,yt)的像素点，(xt,yt)是集合CP2<Xb,Yb>中第t个像素的坐标，t取值范围为[1,S]；
依次扫描CP2<Xb,Yb>中各个角点中与集合L中线段的任意端点距离最近的角点P3，令L2为集合L中任意端点距离与角点P3距离最近的直线段，选择集合G2中重心或几何中心P1与P3的欧氏距离最短的裂缝图像并且该裂缝图像的外接圆的直径R1小于L2的长度的裂缝图像作为待合并裂缝图像G3；
步骤5.6，将G3的外接圆与G3的各个切点相互之间构成的各个线段中选取与L2的长度的差值的绝对值E2最小的线段LQ的两个切点作为第一连接点和第二连接点；将LQ按照L2的方向旋转第一角度，按照第一角度对应的旋转G3；其中，令线段L2的两个端点为第三连接点和第四连接点，第三连接点到第四连接点的线段方向对应于G3中第一连接点到第二连接点的线段方向；
步骤5.7，将G3移动到G3的第一连接点与L2的第三连接点的重合的位置，如果E2>0，则通过边缘检测算子对G’p检测边缘线，令第四连接点在G’p边缘线上对应的坐标位置的像素点为P4点，从P4点开始，沿着第三连接点和第四连接点的线段方向，从第四连接点开始复制G’p上截面长度为E2的边缘线，复制的边缘线的两个端点第五连接点和第六连接点，将复制的边缘线的第五连接点移动到第二连接点的坐标处，第六连接点对应的移动到第四连接点处得到新的G’p，完成了G’p的修复，将G3从第二集合G’中删除并将G3从待合并裂缝图像集合G2中删除；
步骤5.8，如果p＜M，将变量p的值增加1并转到步骤5.2，当p≥M时转到步骤5.9；
步骤5.9，输出第二集合G’作为修复好的天然裂缝集合；
在步骤6中， 把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，具体包括以下子步骤：
步骤6.1，利用已有的带标记的岩心图片，分成训练数据集和测试数据集；
步骤6.2，建立预测卷积神经网络模型，把训练数据集输入模型训练；
步骤6.3，使用测试数据集验证预测模型直到准确度高于阈值；
步骤6.4，把统一大小的天然裂缝图像输入预先训练好的卷积神经网络模型，得到天然裂缝的类型，所述天然裂缝类型可以分为构造裂缝和非构造裂缝两类：构造裂缝主要包括张性裂缝、剪性裂缝和压性裂缝，而非构造裂缝则主要包括溶蚀缝、压实缝、风化缝、层间缝和沉积裂缝。
2.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤1中，用工业CCD相机对岩心进行扫描以获取岩心外表面图片的方法包括以下子步骤：
步骤1.1，将岩心放在步进电机控制旋转的滚辊上；
步骤1.2，使用工业CCD相机扫描岩心；
步骤1.3，每一次旋转滚辊采集一条像素线，之后旋转滚辊，根据需要的精度调整旋转的速度，直到一个岩心被采集完毕，一个岩心采集的所有像素线构成像素线集合；
步骤1.4，把采集到的像素线集合合成一幅完整的岩心外表面图片。
3.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤2中，对步骤1得到的岩心外表面图片进行预处理，利用最大值灰度化法获得岩心预处理图。
4.根据权利要求1所述的一种基于岩心照片识别裂缝类型的方法，其特征在于，在步骤5中，修复天然裂缝集合，包括以下步骤：
抽取天然裂缝集合中的天然裂缝图像，对每个天然裂缝图像进行按照Z型走向遍历分割出孤立曲线CURVEN，小于阈值的曲线重新分配给邻近的大于阈值的曲线；对CURVEN建立最小外接矩形；调整天然裂缝图像到统一大小得到统一大小的天然裂缝图像。
CN202110483512.8A 2021-04-30 2021-04-30 一种基于岩心照片识别裂缝类型的方法 Active CN113222923B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110483512.8A CN113222923B (zh) 2021-04-30 2021-04-30 一种基于岩心照片识别裂缝类型的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110483512.8A CN113222923B (zh) 2021-04-30 2021-04-30 一种基于岩心照片识别裂缝类型的方法

Publications (2)

Publication Number Publication Date
CN113222923A CN113222923A (zh) 2021-08-06
CN113222923B true CN113222923B (zh) 2021-11-12

Family

ID=77090581

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110483512.8A Active CN113222923B (zh) 2021-04-30 2021-04-30 一种基于岩心照片识别裂缝类型的方法

Country Status (1)

Country Link
CN (1) CN113222923B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113962136B (zh) * 2021-12-22 2022-04-15 广东工业大学 一种基于有限元的焊接后工件应力重构方法及系统
CN115876668B (zh) * 2023-02-22 2023-05-05 广东石油化工学院 一种基于岩芯的石油储层孔隙度测算方法
CN116849624B (zh) * 2023-08-31 2023-11-10 南京诺源医疗器械有限公司 基于4cmos的图像传感器荧光成像方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106526693A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 裂缝识别方法和装置
CN106803253A (zh) * 2017-01-17 2017-06-06 四川大学 岩石三维图像裂缝提取方法
CN106988739A (zh) * 2017-05-19 2017-07-28 中国石油集团川庆钻探工程有限公司 页岩储层压裂裂缝识别与解释评价方法
US9786065B2 (en) * 2015-05-20 2017-10-10 Saudi Arabian Oil Company Image-based analysis of a geological thin section
CN108364278A (zh) * 2017-12-21 2018-08-03 中国石油大学(北京) 一种岩心裂缝提取方法和系统
CN108662978A (zh) * 2018-04-04 2018-10-16 河北工业大学 一种非连续变形测量方法
CN112150430A (zh) * 2020-09-21 2020-12-29 中国矿业大学(北京) 一种利用岩石细观结构数字图像的数值分析方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9786065B2 (en) * 2015-05-20 2017-10-10 Saudi Arabian Oil Company Image-based analysis of a geological thin section
CN106526693A (zh) * 2016-09-30 2017-03-22 中国石油天然气股份有限公司 裂缝识别方法和装置
CN106803253A (zh) * 2017-01-17 2017-06-06 四川大学 岩石三维图像裂缝提取方法
CN106988739A (zh) * 2017-05-19 2017-07-28 中国石油集团川庆钻探工程有限公司 页岩储层压裂裂缝识别与解释评价方法
CN108364278A (zh) * 2017-12-21 2018-08-03 中国石油大学(北京) 一种岩心裂缝提取方法和系统
CN108662978A (zh) * 2018-04-04 2018-10-16 河北工业大学 一种非连续变形测量方法
CN112150430A (zh) * 2020-09-21 2020-12-29 中国矿业大学(北京) 一种利用岩石细观结构数字图像的数值分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Crack Detection and Evolution Law for Rock Mass under SHPB Impact Tests;Xie Beijing et al.;《Shock and Vibration》;20191231;第1-13页 *
低渗透储层裂缝研究现状及进展;李理 等;《地球物理学进展》;20171231;第32卷(第6期);第2472-2484页 *

Also Published As

Publication number Publication date
CN113222923A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222923B (zh) 一种基于岩心照片识别裂缝类型的方法
CN110598692B (zh) 一种基于深度学习的椭圆识别方法
CN111222519B (zh) 一种层次化彩绘文物线稿提取模型构建、方法及装置
CN106446750A (zh) 一种条形码读取方法及装置
CN111507998A (zh) 基于深度级联的多尺度激励机制隧道表面缺陷分割方法
Sathya et al. Improved image based super resolution and concrete crack prediction using pre-trained deep learning models
CN112964712A (zh) 一种快速检测沥青路面状态的方法
CN109544513A (zh) 一种钢管端面缺陷提取识别的方法
CN114612450B (zh) 基于数据增广机器视觉的图像检测分割方法、系统、电子设备
Quan et al. CrackViT: a unified CNN-transformer model for pixel-level crack extraction
Khan et al. Car Number Plate Recognition (CNPR) system using multiple template matching
CN109766850A (zh) 基于特征融合的指纹图像匹配方法
Fu et al. Line-drawing enhanced interactive mural restoration for Dunhuang Mogao Grottoes
CN103353984A (zh) 一种非几何约束多幅图像线段匹配的方法
Swaileh et al. Versailles-FP dataset: wall detection in ancient floor plans
CN115984186A (zh) 基于多分辨率知识提取的精细产品图像异常检测方法
Perumal et al. Non invasive decay analysis of monument using deep learning techniques
CN111091100A (zh) 一种基于复杂噪声图像深度学习的混凝土裂缝识别方法
CN108154485B (zh) 一种基于分层和笔画方向解析的古画修复方法
CN111882545A (zh) 基于双向信息传递及特征融合的织物疵点检测方法
Maeda et al. Number-driven perceptual segmentation of natural color images for easy decision of optimal result
CN114155264B (zh) 基于双模块的足迹信息提取方法
Hussain et al. A Novel SCD11 CNN Model Performance Evaluation with Inception V3, VGG16 and ResNet50 Using Surface Crack Dataset
Swaileh et al. Versailles-FP dataset: Wall Detection in Ancient
Jiang et al. Object Detection of Transmission Tower Based on DPM

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