CN113313131A - 基于图像处理的数字化岩芯辨识方法及系统 - Google Patents
基于图像处理的数字化岩芯辨识方法及系统 Download PDFInfo
- Publication number
- CN113313131A CN113313131A CN202110861853.4A CN202110861853A CN113313131A CN 113313131 A CN113313131 A CN 113313131A CN 202110861853 A CN202110861853 A CN 202110861853A CN 113313131 A CN113313131 A CN 113313131A
- Authority
- CN
- China
- Prior art keywords
- core
- data
- image
- rock
- layering
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于图像处理的数字化岩芯辨识方法,包括:拍摄第一图像数据;将第一图像拼接形成第二图像数据;第一岩芯分层模型输出第三图像;第二岩芯分层模型输出第四图像;对第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、岩芯裂隙数据和岩芯分层数据生成岩芯分级数据。本发明还公开了基于图像处理的数字化岩芯辨识系统。本发明基于图像处理的数字化岩芯辨识方法及系统,通过对岩芯箱的拍照和图像处理,就可以形成岩芯分层和裂隙相关数据,并且通过颗粒分析和风化程度分析后就可以快速的对岩芯进行分级,提高了岩芯分析效率,非常有利于现场使用。
Description
技术领域
本发明涉及岩芯识别技术,具体涉及基于图像处理的数字化岩芯辨识方法及系统。
背景技术
工程地质中的岩芯分析通常需要经过繁琐的手工测量、称重结合经验才能完成这不仅工作量大而且效率低下。在大量地质样本的实际勘探采集中样本识别分类的完成需要经过一个较长的周期。同时分析过程中的经验因素也使样本的分析受到限制。
现有技术中,已经通过图像识别技术、色谱分析技术和CT技术等实现了一些对岩芯的识别,但是采用这些技术的设备复杂庞大,基本不存在便携化的可能。然而在工程地质的钻探现场,很多时候还需要通过对岩芯的情况进行判断后,对钻探作业参数做相关调整,甚至还需要在部分施工现场进行钻探作业后快速给出施工参考,目前这些现场作业内容多依赖于人工进行快速的岩芯判断,不但对人员经验的要求极高,也存在较高的不确定性。
发明内容
本发明所要解决的技术问题是现有的岩芯识别技术多需要使用诸多复杂庞大的精密设备,不利于现场环境下的岩芯识别,目的在于提供基于图像处理的数字化岩芯辨识方法及系统,解决上述问题。
本发明实施例通过下述技术方案实现:
在一个方面:
基于图像处理的数字化岩芯辨识方法,岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述方法包括:
拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯粗分,并将岩层之间的深色层带标记为岩芯裂隙;
从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
现有技术中公开了多种对岩芯辨识的方式,如申请号为202110198492.X的中国专利公开了二维岩芯数字化图像颗粒分割方法、装置及可读存储介质,该方法包括以下步骤:获取采集的岩芯二维数字化图像的颗粒像素团并提取颗粒像素团骨架;以骨架交点为特征参数进行骨架分割,并对各骨架图像中各骨架交点求取最大内接圆;根据交点处最大内接圆之间的关系,识别出跨颗粒的骨架;对跨颗粒骨架上各像素点求取最大内接圆,并在该内接圆最小处沿梯度进行分割,获取颗粒分割后的图像。其对岩芯中颗粒分割技术进行了公开,但是无法从单纯的颗粒识别中对岩芯的整体状态进行较为精准的判断。
本实施例实施时,首先需要采用专用的岩芯箱进行岩芯采集,岩芯箱本身属于现有技术,一般常用的岩芯箱都设置有多排规整的岩芯腔,而在本实施例中对这些岩芯箱进行了改造,即根据规范所规定的岩芯存储顺序对岩芯腔进行了标识;同时为了对图像拍摄时岩芯箱的角度进行确定,所以在岩芯箱上设置了重力传感器。
应当理解的是,在本实施例中对岩芯箱拍摄所使用的设备可以是手机、现场PDA、平板或者相机等移动设备,这些设备是可以通过现场的一些小型的水准设备实现水平的,但是装载有岩芯的岩芯箱本身重量较大,不利于水平校准,所以本实施例通过重力传感器的方式对拍摄图像进行修正。
本实施例中,由于本实施例应用于钻探现场的岩芯识别,在现场是难以进行规整的完整岩芯拼接的,所以发明人在对岩芯箱改造后,根据对岩芯箱的拍摄结果对岩芯进行图像拼接形成第二图像数据。同时在本实施例中,在现场的智能设备中可以预制两个分层模型:第一岩芯分层模型和第二岩芯分层模型;其中,第一岩芯分层模型是用于根据不同岩芯分层之间存在的浅色尤其是白色的分隔带对岩层进行分层,同时还可以通过岩芯分层之间存在的黑色区域进行裂隙的标记;在这一过程中,相当于实现了岩芯节理发育情况的识别和岩芯初步分层的实现。值得注意的是,在本实施例中,第二图像的预处理一般是需要进行灰度处理的,而灰度处理后的图像虽然处理效率会有很大提高,但是会丢失很多颜色数据,所以只能在这一过程中实现岩芯的初步分层。
而在本实施例中,通过从第二图像中提取颜色数据,并通过第二岩芯分层模型对岩芯进行细分层,在实践中发明人发现,如果单纯通过颜色数据进行分层,会出现分层过细并且裂隙难以识别,并将裂隙或者分隔带单独划层,所以在本实施例中,发明人创造性的采用了粗分加细分的方式进行岩芯的分层,通过粗分实现初步分层和细分层,实现了对图像的准确识别;
在本实施例中所述的岩芯细分数据和岩芯粗分数据结合包括:将岩芯粗分数据中的分隔带数据和裂隙数据覆盖长度阈值范围内的岩芯细分数据。
通过本实施例的数据结合就可以得到分层后的数据和裂隙数据。应当理解的是本实施例中所采用的颜色数据可以采用RGB、HSV、HSL等各种色彩空间,只要可以明确的进行岩芯分层细分即可。示例的,优选HSV和HSI色彩空间,在实践中发明人发现,HSV和HSI色彩空间中的饱和度在应对相近颜色的岩层时效果优异,尤其适用于红色、深红色的泥岩分层。
示例的,第一岩芯分层模型可以通过对多个样本标记后通过卷积神经网络进行训练后生成,应当理解的是卷积神经网络本身属于非常成熟的技术,所以训练过程和标记过程在此不多做复述;同样的第二岩芯分层模型也可以通过上述方法获取,只是样本标记的内容与第一岩芯分层模型不同而已,在此不多做复述。
在完成分层后,本实施例对不同的岩层分别进行颗粒分析和风化程度分析,进而确定岩芯分级,由于在本实施例中采用移动设备拍照并现场进行岩芯数据分析,所以无法对岩芯进行准确的强度测试,所以通过颗粒分析和风化程度分析进行间接分析来进行岩芯分级。值得注意的是,对于岩层的颗粒分析和风化程度分析可以采用现有技术中的数字化手段,也可以采用人工分析的方式进行,应当理解的是本实施例中所产生的所述岩芯裂隙数据和所述岩芯分层数据已经可以为现场钻探提供大量的参考数据。本发明实施例实施时,通过对岩芯箱的拍照和图像处理,就可以形成岩芯分层和裂隙相关数据,并且通过颗粒分析和风化程度分析后就可以快速的对岩芯进行分级,提高了岩芯分析效率,非常有利于现场使用。
进一步的,对所述第四图像进行各个岩层的颗粒分析包括:
在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
根据所述平均粒径和所述比例获取各个岩层的岩质数据。
进一步的,对所述第四图像进行各个岩层的风化程度包括:
从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;
根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
进一步的,所述分析结果包括所述岩质数据和所述风化程度数据;
根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据包括:
将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
进一步的,根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据包括:
根据所述重力方向数据对所述第一图像进行倾斜度修正生成修正图像;
从所述修正图像中按照所述顺序标识的顺序依次提取出第一图像中每个岩芯腔的图像;
按照所述顺序标识的顺序将每个岩芯腔的图像沿所述岩芯腔轴线方向依次拼接形成第二图像数据。
进一步的,对所述第二图像进行预处理包括对所述第二图像进行灰度化处理和滤波处理。
在一个方面:
采用上述任意一种基于图像处理的数字化岩芯辨识方法的系统,岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述系统包括:
数据获取单元,被配置为拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
拼接单元,被配置为根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
粗分层单元,被配置为对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯粗分,并将岩层之间的深色层带标记为岩芯裂隙;
细分层单元,被配置为从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
分析单元,被配置为对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
进一步的,所述分析单元还被配置为在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
所述分析单元根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
所述分析单元根据所述平均粒径和所述比例获取各个岩层的岩质数据。
进一步的,所述分析单元还被配置为从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;所述分析单元根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
进一步的,所述分析结果包括所述岩质数据和所述风化程度数据;
所述分析单元还被配置为将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
本发明与现有技术相比,具有如下的优点和有益效果:
本发明基于图像处理的数字化岩芯辨识方法及系统,通过对岩芯箱的拍照和图像处理,就可以形成岩芯分层和裂隙相关数据,并且通过颗粒分析和风化程度分析后就可以快速的对岩芯进行分级,提高了岩芯分析效率,非常有利于现场使用。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明实施例基于图像处理的数字化岩芯辨识方法流程示意图;
图2为本发明实施例基于图像处理的数字化岩芯辨识系统架构示意图;
图3为本发明实施例第二图像示意图;
图4为本发明实施例第三图像示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例
请结合参阅图1,为本发明实施例所提供的基于图像处理的数字化岩芯辨识方法的流程示意图,所述基于图像处理的数字化岩芯辨识方法可以应用于图2中的基于图像处理的数字化岩芯辨识系统,进一步地,所述基于图像处理的数字化岩芯辨识方法具体可以包括以下步骤S1-步骤S5所描述的内容。
岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述方法包括:
S1:拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
S2:根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
S3:对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯粗分,并将岩层之间的深色层带标记为岩芯裂隙;
S4:从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
S5:对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
本实施例实施时,首先需要采用专用的岩芯箱进行岩芯采集,岩芯箱本身属于现有技术,一般常用的岩芯箱都设置有多排规整的岩芯腔,而在本实施例中对这些岩芯箱进行了改造,即根据规范所规定的岩芯存储顺序对岩芯腔进行了标识;同时为了对图像拍摄时岩芯箱的角度进行确定,所以在岩芯箱上设置了重力传感器。
应当理解的是,在本实施例中对岩芯箱拍摄所使用的设备可以是手机、现场PDA、平板或者相机等移动设备,这些设备是可以通过现场的一些小型的水准设备实现水平的,但是装载有岩芯的岩芯箱本身重量较大,不利于水平校准,所以本实施例通过重力传感器的方式对拍摄图像进行修正。
本实施例中,由于本实施例应用于钻探现场的岩芯识别,在现场是难以进行规整的完整岩芯拼接的,所以发明人在对岩芯箱改造后,根据对岩芯箱的拍摄结果对岩芯进行图像拼接形成第二图像数据。示例的,形成的第二图像数据请参阅图3。
同时在本实施例中,在现场的智能设备中可以预制两个分层模型:第一岩芯分层模型和第二岩芯分层模型;其中,第一岩芯分层模型是用于根据不同岩芯分层之间存在的浅色尤其是白色的分隔带对岩层进行分层,同时还可以通过岩芯分层之间存在的黑色区域进行裂隙的标记;在这一过程中,相当于实现了岩芯节理发育情况的识别和岩芯初步分层的实现。值得注意的是,在本实施例中,第二图像的预处理一般是需要进行灰度处理的,而灰度处理后的图像虽然处理效率会有很大提高,但是会丢失很多颜色数据,所以只能在这一过程中实现岩芯的初步分层。示例的,形成的第三图像请参阅图4。
而在本实施例中,通过从第二图像中提取颜色数据,并通过第二岩芯分层模型对岩芯进行细分层,在实践中发明人发现,如果单纯通过颜色数据进行分层,会出现分层过细并且裂隙难以识别,并将裂隙或者分隔带单独划层,所以在本实施例中,发明人创造性的采用了粗分加细分的方式进行岩芯的分层,通过粗分实现初步分层和细分层,实现了对图像的准确识别;
在本实施例中所述的岩芯细分数据和岩芯粗分数据结合包括:将岩芯粗分数据中的分隔带数据和裂隙数据覆盖长度阈值范围内的岩芯细分数据。
通过本实施例的数据结合就可以得到分层后的数据和裂隙数据。应当理解的是本实施例中所采用的颜色数据可以采用RGB、HSV、HSL等各种色彩空间,只要可以明确的进行岩芯分层细分即可。示例的,优选HSV和HSI色彩空间,在实践中发明人发现,HSV和HSI色彩空间中的饱和度在应对相近颜色的岩层时效果优异,尤其适用于红色、深红色的泥岩分层。
示例的,第一岩芯分层模型可以通过对多个样本标记后通过卷积神经网络进行训练后生成,应当理解的是卷积神经网络本身属于非常成熟的技术,所以训练过程和标记过程在此不多做复述;同样的第二岩芯分层模型也可以通过上述方法获取,只是样本标记的内容与第一岩芯分层模型不同而已,在此不多做复述。
在完成分层后,本实施例对不同的岩层分别进行颗粒分析和风化程度分析,进而确定岩芯分级,由于在本实施例中采用移动设备拍照并现场进行岩芯数据分析,所以无法对岩芯进行准确的强度测试,所以通过颗粒分析和风化程度分析进行间接分析来进行岩芯分级。值得注意的是,对于岩层的颗粒分析和风化程度分析可以采用现有技术中的数字化手段,也可以采用人工分析的方式进行,应当理解的是本实施例中所产生的所述岩芯裂隙数据和所述岩芯分层数据已经可以为现场钻探提供大量的参考数据。本发明实施例实施时,通过对岩芯箱的拍照和图像处理,就可以形成岩芯分层和裂隙相关数据,并且通过颗粒分析和风化程度分析后就可以快速的对岩芯进行分级,提高了岩芯分析效率,非常有利于现场使用。
在一个实施例中,对所述第四图像进行各个岩层的颗粒分析包括:
在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
根据所述平均粒径和所述比例获取各个岩层的岩质数据。
本实施例实施时,发明人对现有技术和相关规范做了研究后发现,无论是何种岩芯,颗粒大小都是决定了岩石等级的重要因素。示例的,对于沉积岩来说需要描述沉积物颗粒大小,而对于岩浆岩和变质岩来说需要描述矿物结晶大小。同时,在实践中,发明人发现由于一些结晶体相较于其他岩石成分而言较难被风化,在风化过程中会逐渐堆积,所以将反光颗粒在各个岩层颗粒中的比例作为一个控制因素进行各个岩层的岩质数据的判断。
应当理解的是,通过所述平均粒径和所述比例获取各个岩层的岩质数据可以通过规范所规定的方式进行获取,也可以通过训练模型的方式进行获取;示例的,训练模型的方式作为优选方式更有利于现场判断,而训练模型可以通过对样本的标记通过神经网络进行学习训练,此技术为成熟技术,在此不多做复述。
在一个实施例中,对所述第四图像进行各个岩层的风化程度包括:
从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;
根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
本实施例实施时,虽然风化程度已经通过反光颗粒的比例进行了初步判断,但是发明人发现实际影响风化的因素很多,仅仅通过这一个条件判断并不完全准确,有可能出现泥岩等岩芯中并不存在结晶体或者结晶体较小的情况。所以在本实施例中,通过提取亮度数据的数据,结合平均粒径数据和反光颗粒对风化程度进行判断;应当理解的是,一般相同的岩石,亮度越低说明风化程度越高;平均粒径约小,风化程度约高;反光颗粒约多,风化程度越高;所以综合三者数据可以得出一个相对精准的风化程度判断结果。
应当理解的是,通过所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度可以通过规范所规定的方式进行获取,也可以通过训练模型的方式进行获取;示例的,训练模型的方式作为优选方式更有利于现场判断,而训练模型可以通过对样本的标记通过神经网络进行学习训练,此技术为成熟技术,在此不多做复述。
在一个实施例中,所述分析结果包括所述岩质数据和所述风化程度数据;
根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据包括:
将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
在本实施例中,通过上述实施例获取的多种数据,进行线性回归并设置多个阈值的方式,就可以实现对岩芯的快速分级,应当理解的是,通过本实施例实现的岩芯分级可以根据需要定制相应的模型,如铁路隧道相关规范、铁路工程地质相关规范、公路相关规范、岩体分级相关规范进行分开定制,其主要区别在于线性回归模型中不同权重的取值。由于线性回归技术本身属于现有技术,所以在本实施例中不多做复述。
在一个实施例中,根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据包括:
根据所述重力方向数据对所述第一图像进行倾斜度修正生成修正图像;
从所述修正图像中按照所述顺序标识的顺序依次提取出第一图像中每个岩芯腔的图像;
按照所述顺序标识的顺序将每个岩芯腔的图像沿所述岩芯腔轴线方向依次拼接形成第二图像数据。
在一个实施例中,对所述第二图像进行预处理包括对所述第二图像进行灰度化处理和滤波处理。
请参阅图2,基于同样的发明构思,还提供了基于图像处理的数字化岩芯辨识系统,所述系统包括数据获取单元、拼接单元、粗分层单元、细分层单元和分析单元。
本实施例采用上述任意一种基于图像处理的数字化岩芯辨识方法的系统,岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述系统包括:
数据获取单元,被配置为拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
拼接单元,被配置为根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
粗分层单元,被配置为对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯粗分,并将岩层之间的深色层带标记为岩芯裂隙;
细分层单元,被配置为从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
分析单元,被配置为对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
在一个实施例中,所述分析单元还被配置为在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
所述分析单元根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
所述分析单元根据所述平均粒径和所述比例获取各个岩层的岩质数据。
在一个实施例中,所述分析单元还被配置为从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;所述分析单元根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
在一个实施例中,所述分析结果包括所述岩质数据和所述风化程度数据;
所述分析单元还被配置为将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
在一个实施例中,生成岩芯分级数据还包括:
根据所述岩芯分层数据获取岩石质量指标,所述岩石质量指标为1米岩芯中大于10cm的长度的岩芯占比;
将所述分析结果、所述岩芯裂隙数据和所述岩石质量指标比对于预设岩石类型数据库中的数据,并根据比对结果生成每层岩芯的岩石名称。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接,也可以是电的,机械的或其它的形式连接。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分,或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,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,或者网格设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不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,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.基于图像处理的数字化岩芯辨识方法,其特征在于,岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述方法包括:
拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯分层粗分,并将岩层之间的深色层带标记为岩芯裂隙;
从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
2.根据权利要求1所述的基于图像处理的数字化岩芯辨识方法,其特征在于,对所述第四图像进行各个岩层的颗粒分析包括:
在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
根据所述平均粒径和所述比例获取各个岩层的岩质数据。
3.根据权利要求2所述的基于图像处理的数字化岩芯辨识方法,其特征在于,对所述第四图像进行各个岩层的风化程度包括:
从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;
根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
4.根据权利要求3所述的基于图像处理的数字化岩芯辨识方法,其特征在于,所述分析结果包括所述岩质数据和所述风化程度数据;
根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据包括:
将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
5.根据权利要求1所述的基于图像处理的数字化岩芯辨识方法,其特征在于,根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据包括:
根据所述重力方向数据对所述第一图像进行倾斜度修正生成修正图像;
从所述修正图像中按照所述顺序标识的顺序依次提取出第一图像中每个岩芯腔的图像;
按照所述顺序标识的顺序将每个岩芯腔的图像沿所述岩芯腔轴线方向依次拼接形成第二图像数据。
6.根据权利要求1所述的基于图像处理的数字化岩芯辨识方法,其特征在于,对所述第二图像进行预处理包括对所述第二图像进行灰度化处理和滤波处理。
7.采用权利要求1~6任意一项所述的基于图像处理的数字化岩芯辨识方法的基于图像处理的数字化岩芯辨识系统,其特征在于,岩芯箱上设置有多排用于存储岩芯的岩芯腔,所述岩芯腔上均设置有顺序标识,所述顺序标识按照岩芯的排列顺序设置;所述岩芯箱还设置有重力传感器;
所述系统包括:
数据获取单元,被配置为拍摄获取多排岩芯腔的图像作为第一图像数据,并获取所述重力传感器的重力方向数据;所述第一图像数据包括对应每个岩芯腔的顺序标识;
拼接单元,被配置为根据所述重力方向数据和所述顺序标识将所述第一图像中每个岩芯腔的图像进行拼接形成第二图像数据;
粗分层单元,被配置为对所述第二图像进行预处理后输入第一岩芯分层模型,所述第一岩芯分层模型输出带有岩芯粗分数据的图像作为第三图像;所述第三图像中还包括岩芯裂隙数据;所述第一岩芯分层模型被配置为通过岩层之间的浅色层带对图像进行岩芯分层粗分,并将岩层之间的深色层带标记为岩芯裂隙;
细分层单元,被配置为从所述第二图像中提取岩芯的颜色数据,并将所述颜色数据输入第二岩芯分层模型,所述第二岩芯分层模型输出带有岩芯细分数据的图像并叠加进所述第三图像作为第四图像;所述第四图像中包括所述岩芯细分数据和所述岩芯粗分数据结合形成的岩芯分层数据;所述第二岩芯分层模型被配置为根据相邻岩层的颜色数据差异进行岩芯分层细分;
分析单元,被配置为对所述第四图像进行各个岩层的颗粒分析和风化程度分析,并根据分析结果、所述岩芯裂隙数据和所述岩芯分层数据生成岩芯分级数据。
8.根据权利要求7所述的基于图像处理的数字化岩芯辨识系统,其特征在于,所述分析单元还被配置为在所述第四图像中各个岩层上对所述岩层中的颗粒进行标记,并根据标记结果获取各个岩层中颗粒的平均粒径;
所述分析单元根据标记结果从所述颗粒中选出亮度高于阈值的颗粒作为反光颗粒,并获取反光颗粒在各个岩层颗粒中的比例;
所述分析单元根据所述平均粒径和所述比例获取各个岩层的岩质数据。
9.根据权利要求8所述的基于图像处理的数字化岩芯辨识系统,其特征在于,所述分析单元还被配置为从所述岩芯的颜色数据中提取各个岩层的HSI颜色空间中的亮度数据;所述分析单元根据各个岩层的所述亮度数据、所述平均粒径数据和反光颗粒在各个岩层颗粒中的比例获取各个岩层的风化程度数据。
10.根据权利要求9所述的基于图像处理的数字化岩芯辨识系统,其特征在于,所述分析结果包括所述岩质数据和所述风化程度数据;
所述分析单元还被配置为将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据输入岩芯分级模型,所述岩芯分级模型输出岩芯分级数据;
所述岩芯分级模型被配置为对将所述岩质数据、所述风化程度数据、所述岩芯裂隙数据和所述岩芯分层数据进行线性回归后与多个阈值进行比较,并将在两个阈值之间的岩芯定为同一级岩芯。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861853.4A CN113313131B (zh) | 2021-07-29 | 2021-07-29 | 基于图像处理的数字化岩芯辨识方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110861853.4A CN113313131B (zh) | 2021-07-29 | 2021-07-29 | 基于图像处理的数字化岩芯辨识方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313131A true CN113313131A (zh) | 2021-08-27 |
CN113313131B CN113313131B (zh) | 2021-09-21 |
Family
ID=77382092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110861853.4A Active CN113313131B (zh) | 2021-07-29 | 2021-07-29 | 基于图像处理的数字化岩芯辨识方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313131B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881434A (zh) * | 2015-04-29 | 2015-09-02 | 长江岩土工程总公司(武汉) | 一种基于图像特征的野外岩性智能识别方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
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 |
CN108931815A (zh) * | 2017-05-24 | 2018-12-04 | 中国石油化工股份有限公司 | 一种岩性的分级识别方法 |
CN108956941A (zh) * | 2018-06-12 | 2018-12-07 | 中国石油天然气股份有限公司 | 页岩层理识别方法 |
CN109241867A (zh) * | 2018-08-16 | 2019-01-18 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN109388816A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 一种复杂岩性的分级识别方法 |
CN109598015A (zh) * | 2018-10-08 | 2019-04-09 | 成都理工大学 | 碎裂结构岩体碎裂程度分级评价方法 |
CN110263496A (zh) * | 2019-07-18 | 2019-09-20 | 西南石油大学 | 岩芯特征尺寸确定方法及装置 |
CN110276827A (zh) * | 2019-05-29 | 2019-09-24 | 中国石油大学(华东) | 一种基于泥页岩储层的有效性的评价方法 |
CN110363848A (zh) * | 2018-04-10 | 2019-10-22 | 中国石油化工股份有限公司 | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 |
CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
CN110599473A (zh) * | 2019-09-06 | 2019-12-20 | 中国科学院地质与地球物理研究所 | 一种数字岩芯确定方法、装置及设备 |
CN111060428A (zh) * | 2019-12-12 | 2020-04-24 | 清华大学 | 一种多层级岩心结构的数字重构方法 |
CN111767631A (zh) * | 2019-08-02 | 2020-10-13 | 中国石油大学(华东) | 一种基于多相数字岩心模拟岩石裂纹扩展的方法及系统 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN112483071A (zh) * | 2020-12-22 | 2021-03-12 | 山东省交通规划设计院有限公司 | 一种钻探岩芯图像识别装置及方法 |
CN112508851A (zh) * | 2020-11-11 | 2021-03-16 | 中国建筑西南勘察设计研究院有限公司 | 一种基于cnn分类算法的泥岩岩性识别系统 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112802042A (zh) * | 2021-02-22 | 2021-05-14 | 科吉思石油技术咨询(北京)有限公司 | 二维岩心数字化图像颗粒分割方法、装置及可读存储介质 |
-
2021
- 2021-07-29 CN CN202110861853.4A patent/CN113313131B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104881434A (zh) * | 2015-04-29 | 2015-09-02 | 长江岩土工程总公司(武汉) | 一种基于图像特征的野外岩性智能识别方法 |
CN105781543A (zh) * | 2016-05-11 | 2016-07-20 | 青岛理工大学 | 一种基于裂隙分维指标的采动覆岩质量评价方法 |
CN108931815A (zh) * | 2017-05-24 | 2018-12-04 | 中国石油化工股份有限公司 | 一种岩性的分级识别方法 |
CN109388816A (zh) * | 2017-08-07 | 2019-02-26 | 中国石油化工股份有限公司 | 一种复杂岩性的分级识别方法 |
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 |
CN110363848A (zh) * | 2018-04-10 | 2019-10-22 | 中国石油化工股份有限公司 | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 |
CN108956941A (zh) * | 2018-06-12 | 2018-12-07 | 中国石油天然气股份有限公司 | 页岩层理识别方法 |
CN109241867A (zh) * | 2018-08-16 | 2019-01-18 | 清能艾科(深圳)能源技术有限公司 | 采用人工智能算法识别数字岩心图像的方法及装置 |
CN109598015A (zh) * | 2018-10-08 | 2019-04-09 | 成都理工大学 | 碎裂结构岩体碎裂程度分级评价方法 |
CN110276827A (zh) * | 2019-05-29 | 2019-09-24 | 中国石油大学(华东) | 一种基于泥页岩储层的有效性的评价方法 |
CN110263496A (zh) * | 2019-07-18 | 2019-09-20 | 西南石油大学 | 岩芯特征尺寸确定方法及装置 |
CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
CN111767631A (zh) * | 2019-08-02 | 2020-10-13 | 中国石油大学(华东) | 一种基于多相数字岩心模拟岩石裂纹扩展的方法及系统 |
CN110599473A (zh) * | 2019-09-06 | 2019-12-20 | 中国科学院地质与地球物理研究所 | 一种数字岩芯确定方法、装置及设备 |
CN111060428A (zh) * | 2019-12-12 | 2020-04-24 | 清华大学 | 一种多层级岩心结构的数字重构方法 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN112508851A (zh) * | 2020-11-11 | 2021-03-16 | 中国建筑西南勘察设计研究院有限公司 | 一种基于cnn分类算法的泥岩岩性识别系统 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112483071A (zh) * | 2020-12-22 | 2021-03-12 | 山东省交通规划设计院有限公司 | 一种钻探岩芯图像识别装置及方法 |
CN112802042A (zh) * | 2021-02-22 | 2021-05-14 | 科吉思石油技术咨询(北京)有限公司 | 二维岩心数字化图像颗粒分割方法、装置及可读存储介质 |
Non-Patent Citations (5)
Title |
---|
FATIMAH ALZUBAIDI: "Automated lithology classification from drill core images using convolutional neural networks", 《JOURAL OF PETROLEUM SCIENCE AND ENGINEERING》 * |
张宁: "姬塬油田元48区长4+5储集层天然裂缝综合判识研究", 《中国优秀硕士学位论文全文数据库 基础科学辑》 * |
石天航 等: "基于深度神经网络的岩芯柱岩石类型识别", 《电脑知识与技术》 * |
邓文晶 等: "岩心颗粒彩色图像的多维特征KFCM聚类分割算法", 《中国粉体技术》 * |
闫国亮: "基于数字岩心储层渗透率模型研究", 《中国博士学位论文全文数据库》 * |
Also Published As
Publication number | Publication date |
---|---|
CN113313131B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8909508B2 (en) | Petrographic image analysis for determining capillary pressure in porous media | |
Henriques et al. | The role of the lithological setting on the landslide pattern and distribution | |
CN110008854B (zh) | 基于预训练dcnn的无人机影像公路地质灾害识别方法 | |
Garilli et al. | Automatic detection of stone pavement's pattern based on UAV photogrammetry | |
CN110163213B (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
CN110147714A (zh) | 基于无人机的煤矿采空区裂缝识别方法及检测系统 | |
CN113256082A (zh) | 一种隧道掌子面智能地质素描及地质评价方法 | |
CN106296678B (zh) | 基于钻孔光学成像技术的rqd分析方法 | |
CN112964712A (zh) | 一种快速检测沥青路面状态的方法 | |
CN108819215A (zh) | 高精度非常规岩石模型3d打印方法与装置 | |
CN110147778A (zh) | 稀土矿开采识别方法、装置、设备及存储介质 | |
Berrezueta et al. | Semi-automated procedure of digitalization and study of rock thin section porosity applying optical image analysis tools | |
Karantanellis et al. | 3D hazard analysis and object-based characterization of landslide motion mechanism using UAV imagery | |
CN115877400A (zh) | 基于雷达与视觉融合的巷道顶板支护钢带钻孔定位方法 | |
CN113313131B (zh) | 基于图像处理的数字化岩芯辨识方法及系统 | |
CN110135515A (zh) | 一种基于图像纹理的岩体结构均质区自动分区方法 | |
CN113075731A (zh) | 深层储层连续性井筒数字建模方法及装置 | |
CN110111376B (zh) | 一种采煤沉陷水域面积计算方法 | |
CN107038700A (zh) | 基于gssim的土壤湿度空间分布特征定量分析方法 | |
CN115640546A (zh) | 一种图像与特征信息融合的岩性识别方法 | |
CN114972906A (zh) | 一种土压平衡盾构开挖面土质类型识别方法 | |
Laitala et al. | Predicting dip direction of geological layering | |
CN116977999B (zh) | 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 | |
CN115239904B (zh) | 一种基于无人机的边坡块体信息自动识别与三维重构方法 | |
CN114595497B (zh) | 一种隐伏溶洞智能探测方法及系统 |
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 |