CN113378825A - 一种基于人工智能的砂岩薄片图像鉴定方法和系统 - Google Patents
一种基于人工智能的砂岩薄片图像鉴定方法和系统 Download PDFInfo
- Publication number
- CN113378825A CN113378825A CN202110779025.6A CN202110779025A CN113378825A CN 113378825 A CN113378825 A CN 113378825A CN 202110779025 A CN202110779025 A CN 202110779025A CN 113378825 A CN113378825 A CN 113378825A
- Authority
- CN
- China
- Prior art keywords
- image
- sandstone
- library
- feature
- candidate region
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 20
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 27
- 239000011707 mineral Substances 0.000 claims abstract description 27
- 238000002372 labelling Methods 0.000 claims abstract description 22
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 238000010586 diagram Methods 0.000 claims description 17
- 238000003709 image segmentation Methods 0.000 claims description 14
- 230000002776 aggregation Effects 0.000 claims description 13
- 238000004220 aggregation Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 12
- 230000011218 segmentation Effects 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000012800 visualization Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000007499 fusion processing Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 2
- 238000012549 training Methods 0.000 abstract description 11
- 238000013145 classification model Methods 0.000 abstract description 4
- 239000002245 particle Substances 0.000 abstract description 4
- 239000011435 rock Substances 0.000 description 15
- 239000010433 feldspar Substances 0.000 description 9
- 239000010453 quartz Substances 0.000 description 9
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 9
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 229910052656 albite Inorganic materials 0.000 description 1
- DLHONNLASJQAHX-UHFFFAOYSA-N aluminum;potassium;oxygen(2-);silicon(4+) Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[Al+3].[Si+4].[Si+4].[Si+4].[K+] DLHONNLASJQAHX-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000003776 cleavage reaction Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- -1 flint Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052652 orthoclase Inorganic materials 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000010287 polarization Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000007017 scission Effects 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/54—Browsing; Visualisation therefor
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/58—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually
- G06F16/583—Retrieval characterised by using metadata, e.g. metadata not derived from the content or metadata generated manually using metadata automatically derived from the content
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Library & Information Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于人工智能的砂岩薄片图像鉴定方法和系统,包括:S1采集砂岩薄片的单偏光及多角度正交偏光图像,并对图像进行标注,分别形成图像库和标注库;S2将图像库中图像输入卷积神经网络生成特征图;S3根据特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取;S4对提取的特征进行分类,结合标注库中的标注对分类进行修正;S5测定砂岩薄片中各类别矿物的视面积含量,根据鉴定目标的候选区域和分类结果,将砂岩薄片中各类别矿物进行可视化显示。其采用两步训练方法,减少了不确定性颗粒用来分类训练,从而提高了分类模型的精度。
Description
技术领域
本发明涉及一种基于人工智能的砂岩薄片图像鉴定方法和系统,属于矿物鉴定技术领域,特别涉及智能化的砂岩薄片鉴定技术领域。
背景技术
砂岩薄片鉴定根据砂岩的光学性质,如晶形、干涉色、解理等确定矿物的种类、来源。砂岩是一种沉积岩,主要由砂级(主要粒径介于2-0.005mm之间)沉积物经过埋藏后发生变化作用,即在温度、压力场中发生固结成岩后形成的岩石,其中,石英、长石、岩屑是砂岩的主要碎屑组成,其次是一些生物碎片与化学物质和少量粘土级、砾石级碎屑也会夹杂其中。砂岩是油气等能源和矿产赋存的主要场所,因此对砂岩的鉴定分类有助于能源和矿产的勘探开发。现有的砂岩薄片鉴定多采用人工,不仅需要专业的鉴定专家,且价格高昂、效率低;鉴定工作也有赖于鉴定专家的个人经验,不可复制;每种矿物及碎屑的含量是由专家目估,存在较大系统误差。
发明内容
针对上述问题,本发明的目的是提供了一种基于人工智能的砂岩薄片图像鉴定方法和系统,其依靠计算机图像的目标检测与识别技术对砂岩薄片图像进行鉴别与分类,完全替代了人工鉴定分类,提高了效率,节约了人力成本,可重复性强。
为实现上述目的,本发明采取以下技术方案:一种基于人工智能的砂岩薄片图像鉴定方法,包括以下步骤:S1采集砂岩薄片的单偏光及多角度正交偏光图像,并对图像进行标注,分别形成图像库和标注库;S2将图像库中图像输入卷积神经网络生成特征图;S3根据特征图预测鉴定目标的候选区域,将对应图像输入卷积神经网络中进行特征提取;S4对步骤S3中提取的特征进行分类;S5测定砂岩薄片中各类别矿物的视面积含量。
进一步,步骤S2中特征图生成方法为:将图像库中的每一张图像输入多层卷积神经网络,将图像的红、绿、蓝三个通道的颜色值转化为高维语义特征图。
进一步,步骤S3的具体步骤是:S3.1结合RPN预测的鉴定目标候选区域和步骤S2中的特征图,计算每个鉴定目标的子区域特征;S3.2将步骤S3.1中获得的每个鉴定目标的子区域特征输入若干个不同的神经网络分支,分别对鉴定目标的不同特性进行预测;S3.3对步骤S3.2中的预测结果中过滤掉重叠部分,得到分割预测结果;S3.4结合标注库对步骤S3.3进行优化,得到最终的分割预测结果。
进一步,鉴定目标的不同特性至少包括目标的类别、位置和分割区域。
进一步,步骤S3.1中RPN预测鉴定目标候选区域的方法为:通过RPN网络设定多个不同尺寸和长宽比的Anchor Box,使用滑动窗的方式判断步骤S2的特征图上每一个位置是否存在Anchor尺寸的物体,若存在,则使用ROI Align方法计算每个物体的子区域特征。
进一步,ROI Align方法具体步骤包括:将RPN网络设定的物体检测框平均分为A×B个子区域,在每个子区域内选取C个采样点,将每个采样点映射至原特征图中后,使用双线性插值计算采样点处的特征向量值,最后使用Max Pooling将多个采样点的特征融合为子区域特征。
进一步,步骤S4中对提取的特征进行分类的方法为:对提取的特征使用基于权重的特征聚合模型进行聚合,从而得到描述砂岩薄片图像的特征向量;然后结合标注库利用梯度下降算法对特征聚合模型进行优化。
进一步,基于权重的特征聚合模型假设每张图像提取的特征向量为xi,图像数为N,则特征融合过程通过对输出特征求加权和实现;分类器为全连接网络,假设图像类别数为M,输出层特征为z,输出层权重为wi,则第i类的概率预测值为:
进一步,步骤S5中的可视化显示为将分类结果进行智能旋转-拼接-合成,并将各类别矿物的视面积含量对应投在砂岩分类三角图的相应位置。
本发明还公开了一种基于人工智能的砂岩薄片图像鉴定系统,包括:图像采集模块,用于采集砂岩薄片的单偏光及多角度正交偏光图像,并对图像进行标注,分别形成图像库和标注库;特征图生成模块,用于将图像库中图像输入卷积神经网络生成特征图;图像分割模块,用于根据特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取;图像分类模块,用于对图像分割模块中提取的特征进行分类,结合标注库中的标注对分类进行修正;可视化模块,用于测定砂岩薄片中各类别矿物的视面积含量,根据图像分割模块中鉴定目标的候选区域和图像分割模块中的分类结果,将砂岩薄片中各类别矿物进行可视化显示。
本发明由于采取以上技术方案,其具有以下优点:本发明首先对砂岩薄片图像进行分割,再从图像分割中选择确定性矿物及碎屑进行分类训练。采用两步法的训练方法,在一定程度上减少了不确定性颗粒用来分类训练,从而提高了分类模型的精度;此外也能够解决石英、长石、岩屑类数据不均衡等问题。在保证分类准确率的情况下,提升了召回率;同时充分利用了专家标注的经验,提取确定性矿物和颗粒的光学特征,适用于砂岩薄片图像的自动鉴定及分类。实验数据表明,本发明方法对砂岩薄片图像鉴别具有较高的准确性,包括召回率和精度;另外,随着图像的不断增加,训练模型更加增强,可以进一步提高砂岩薄片图像的鉴定及分类的准确性。
附图说明
图1是本发明一实施例中图像分割模块处理方法的流程图;
图2是本发明一实施例中图像分类模块处理方法的流程图;
图3是本发明一实施例中基于权重的特征聚合模型的结构示意图;
图4是本发明一实施例中不同类型砂岩薄片的各特征对应权重的示意图;
图5是本发明一实施例中通过标签库优化特征聚合模型的示意图;
图6是本发明一实施例中砂岩分类三角图,其中,Q是石英,F是长石,R是岩屑,I-石英砂岩,II-长石石英砂岩,III-岩屑石英砂岩,IV-长石砂岩,Ⅴ-岩屑长石砂岩,VI-长石岩屑砂岩,Ⅶ-岩屑砂岩。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案,通过具体实施例对本发明进行详细的描述。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
本发明涉及一种基于人工智能的砂岩薄片图像鉴定方法和系统,其首先对砂岩薄片图像进行分割,再从图像分割中选择确定性矿物及碎屑进行分类训练。采用两步法的训练方法,在一定程度上减少了不确定性颗粒用来分类训练,从而提高了分类模型的精度;此外也能够解决石英、长石、岩屑类数据不均衡等问题。下面结合附图,通过两个实施例对本发明的技术方案进行详细阐述。
实施例一
本实施例公开了一种基于人工智能的砂岩薄片图像鉴定方法,如图1、2所示,包括以下步骤:
S1采集砂岩薄片的单偏光及多角度正交偏光图像,并对图像进行标注,分别形成图像库和标注库。
本实施例多角度正交偏光图像中多角度包括但不限于0°、15°、30°、45°和90°,图像选择高清图像,将图像转换为位图格式,通常建议采用Tiff格式。每一种图像包括R个像素,每个像素包括红、绿、蓝三个颜色值。
S2将图像库中图像输入卷积神经网络生成特征图。
其中,特征图生成方法为:将图像库中的每一张图像输入多层卷积神经网络,将图像的红、绿、蓝三个通道的颜色值转化为高维语义特征图。
S3根据特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取。
其具体包括:S3.1将图像输入RPN网络中,对鉴定目标候选区域进行预测,结合RPN预测的鉴定目标候选区域和步骤S2中的特征图,计算每个鉴定目标的子区域特征。RPN预测鉴定目标候选区域的方法为:通过RPN网络设定多个不同尺寸和长宽比的Anchor Box,使用滑动窗的方式判断步骤S2的特征图上每一个位置是否存在Anchor尺寸的物体,若存在,则使用ROI Align方法计算每个物体的子区域特征。ROI Align方法具体步骤包括:将RPN网络设定的物体检测框平均分为A×B个子区域,在每个子区域内选取C个采样点,将每个采样点映射至原特征图中后,使用双线性插值计算采样点处的特征向量值,最后使用Max Pooling将多个采样点的特征融合为子区域特征。经过上述方法处理的特征图特征图尺寸、通道数均一致。
S3.2将步骤S3.1中获得的每个鉴定目标的子区域特征输入三个不同的神经网络分支,Class预测、Box预测和Mask预测,分别对鉴定目标的类别、位置和分割区域进行预测。
本实施例中使用NMS(Non-Maximum Suppression)对预测结果中的重叠目标进行过滤处理,得到分割预测结果;然后,结合标注库利用梯度下降算法对分割模型进行优化得到最终的分割预测结果。NMS的主要功能是过滤预测结果中重叠严重的冗余结果。NMS算法选取置信度最高的检测结果,移除剩余结果中与最高检测结果的IoU(Intersection overUnion)大于阈值的部分。
S4对步骤S3中提取的特征进行分类,结合标注库中的标注对分类进行修正。
其中,对提取的特征进行分类的方法为:对提取的特征使用基于权重的特征聚合模型进行聚合,该特征聚合模型的结构如图3所示,从而得到描述砂岩薄片图像的特征向量;然后结合标注库利用梯度下降算法对特征聚合模型进行优化。
图3是基于权重的特征聚合模型的结构示意图,假设每张图像提取的特征向量为xi,图像数为N,则特征融合过程通过对输出特征求加权和实现;分类器为全连接网络,假设图像类别数为M,输出层特征为z,输出层权重为wi,则第i类的概率预测值为:
图4是不同类型砂岩薄片的各特征对应权重的示意图。不同类型的砂岩薄片中不同特征的鉴定权重不同,如双晶、多晶是矿物或碎屑岩的识别特征,即该特征在该类砂岩薄片中鉴定权重高。
结合标注库利用梯度下降算法对特征聚合模型进行优化的优化过程如图5所示。经过对比研究表明,基于石英、长石和岩屑3类模型训练时,部分砂岩薄片的分类精度明显偏低,而基于单矿物或岩屑(如石英、燧石、正长石、钠长石等)模型训练进而综合的优化流程精度更高。
S5测定砂岩薄片中各类别矿物的视面积含量,根据步骤S3中鉴定目标的候选区域和步骤S4中的分类结果,将砂岩薄片中各类别矿物进行可视化显示。其中,可视化显示为将分类结果和各类别矿物的视面积含量对应投在如图6所示的砂岩分类三角图。
本发明方法计算简单高效:实验中输入2000余张砂岩薄片图像,耗时约5000秒;训练分类器仅耗时100秒。在特征提取过程中,本发明充分利用了多角度砂岩薄片图像的特性,最大程度利用矿物多角度光性特征,适用于砂岩薄片图像的自动鉴别;同时所采用的“两步法”鉴别方法,可以解决了因矿物和碎屑数量少造成的数据不平衡问题,在保证分割精度的前提下,增加了分类模型训练的精度;实验数据表明本发明方法对砂岩薄片图像鉴别具有较高的准确性,能够满足地质勘探中岩石鉴别的基本要求,其中分割的召回率达到90%,分类精度达到86.9%,与分割-分类“一步法”相比,精度提高了20%。另外,本发明方法具有较好的扩展性:通过砂岩薄片图像的不断扩充,可以进一步提高模型的训练精度和砂岩薄片图像分类的准确性。
实施例二
基于相同的发明构思,本实施例公开了一种基于人工智能的砂岩薄片图像鉴定系统,包括:
图像采集模块,用于采集砂岩薄片的单偏光及多角度正交偏光图像,并对图像进行标注,分别形成图像库和标注库;
特征图生成模块,用于将图像库中图像输入卷积神经网络生成特征图;
图像分割模块,用于根据特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取;
图像分类模块,用于对图像分割模块中提取的特征进行分类,结合标注库中的标注对分类进行修正;
可视化模块,用于测定砂岩薄片中各类别矿物的视面积含量,根据图像分割模块中鉴定目标的候选区域和图像分割模块中的分类结果,将砂岩薄片中各类别矿物进行可视化显示。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。上述内容仅为本申请的具体实施方式,但本申请的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本申请揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本申请的保护范围之内。因此,本申请的保护范围应以权利要求的保护范围。
Claims (10)
1.一种基于人工智能的砂岩薄片图像鉴定方法,其特征在于,包括以下步骤:
S1采集砂岩薄片的单偏光及多角度正交偏光图像,并对所述图像进行标注,分别形成图像库和标注库;
S2将所述图像库中图像输入卷积神经网络生成特征图;
S3根据所述特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若所述置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取;
S4对步骤S3中提取的特征进行分类,结合所述标注库中的标注对所述分类进行修正;
S5测定砂岩薄片中各类别矿物的视面积含量,根据步骤S3中鉴定目标的候选区域和步骤S4中的分类结果,将所述砂岩薄片中各类别矿物进行可视化显示。
2.如权利要求1所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述步骤S2中特征图生成方法为:将所述图像库中的每一张图像输入多层卷积神经网络,将图像的红、绿、蓝三个通道的颜色值转化为高维语义特征图。
3.如权利要求1所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述步骤S3的具体步骤是:
S3.1结合RPN预测的鉴定目标候选区域和步骤S2中的特征图,计算每个鉴定目标的子区域特征;
S3.2将步骤S3.1中获得的每个鉴定目标的子区域特征输入若干个不同的神经网络分支,分别对所述鉴定目标的不同特性进行预测;
S3.3对步骤S3.2中的预测结果中重叠部分进行过滤,得到分割预测结果;
S3.4结合所述标注库对所述步骤S3.3进行优化,得到最终的分割预测结果。
4.如权利要求3所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述鉴定目标的不同特性至少包括目标的类别、位置和分割区域。
5.如权利要求3所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述步骤S3.1中RPN预测鉴定目标候选区域的方法为:通过RPN网络设定多个不同尺寸和长宽比的Anchor Box,使用滑动窗的方式判断所述步骤S2的特征图上每一个位置是否存在Anchor尺寸的物体,若存在,则使用ROIAlign方法计算每个物体的子区域特征。
6.如权利要求5所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述ROIAlign方法具体步骤包括:将RPN网络设定的物体检测框平均分为A×B个子区域,在每个子区域内选取C个采样点,将每个所述采样点映射至原特征图中后,使用双线性插值计算所述采样点处的特征向量值,最后使用Max Pooling将多个所述采样点的特征融合为子区域特征。
7.如权利要求1所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述步骤S4中对提取的特征进行分类的方法为:对提取的特征使用基于权重的特征聚合模型进行聚合,从而得到描述砂岩薄片图像的特征向量;然后结合所述标注库利用梯度下降算法对所述特征聚合模型进行优化。
9.如权利要求1所述的基于人工智能的砂岩薄片图像鉴定方法,其特征在于,所述步骤S5中的可视化显示为将分类结果和各类别矿物的视面积含量对应投在砂岩分类三角图的相应位置。
10.一种基于人工智能的砂岩薄片图像鉴定系统,其特征在于,包括:
图像采集模块,用于采集砂岩薄片的单偏光及多角度正交偏光图像,并对所述图像进行标注,分别形成图像库和标注库;
特征图生成模块,用于将所述图像库中图像输入卷积神经网络生成特征图;
图像分割模块,用于根据所述特征图预测鉴定目标的候选区域,并将其与专家标注的结果进行对比,以计算其置信度,若所述置信度高于阈值,则将对应图像输入卷积神经网络中进行特征提取;
图像分类模块,用于对图像分割模块中提取的特征进行分类,结合所述标注库中的标注对所述分类进行修正;
可视化模块,用于测定砂岩薄片中各类别矿物的视面积含量,根据图像分割模块中鉴定目标的候选区域和图像分割模块中的分类结果,将所述砂岩薄片中各类别矿物进行可视化显示。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779025.6A CN113378825B (zh) | 2021-07-09 | 2021-07-09 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110779025.6A CN113378825B (zh) | 2021-07-09 | 2021-07-09 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113378825A true CN113378825A (zh) | 2021-09-10 |
CN113378825B CN113378825B (zh) | 2024-04-05 |
Family
ID=77581573
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110779025.6A Active CN113378825B (zh) | 2021-07-09 | 2021-07-09 | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113378825B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688956A (zh) * | 2021-10-26 | 2021-11-23 | 西南石油大学 | 一种基于深度特征融合网络的砂岩薄片分割和识别方法 |
CN114897917A (zh) * | 2022-07-13 | 2022-08-12 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其系统 |
CN111563445A (zh) * | 2020-04-30 | 2020-08-21 | 徐宇轩 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
US20210064651A1 (en) * | 2019-08-30 | 2021-03-04 | International Business Machines Corporation | Searching for analogue subsurface structures based on topological knowledge representation (tkr) |
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 |
CN112528904A (zh) * | 2020-12-18 | 2021-03-19 | 中山艾尚智同信息科技有限公司 | 一种用于砂石颗粒物粒径检测系统的图像分割方法 |
CN112730326A (zh) * | 2021-02-08 | 2021-04-30 | 中国石油化工股份有限公司 | 一种岩石薄片智能鉴定装置及方法 |
CN112862811A (zh) * | 2021-03-10 | 2021-05-28 | 华中科技大学 | 基于深度学习的材料显微图像缺陷识别方法、设备及装置 |
CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
CN112926602A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种基于可视化算法的岩石岩性分析方法、装置及设备 |
CN113222071A (zh) * | 2021-06-04 | 2021-08-06 | 嘉应学院 | 一种基于岩石薄片显微图像深度学习的岩石分类方法 |
US20220207079A1 (en) * | 2019-05-09 | 2022-06-30 | Abu Dhabi National Oil Company | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks |
-
2021
- 2021-07-09 CN CN202110779025.6A patent/CN113378825B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200065606A1 (en) * | 2018-08-24 | 2020-02-27 | Petrochina Company Limited | Method and apparatus for automatically extracting image features of electrical imaging well logging |
CN109523566A (zh) * | 2018-09-18 | 2019-03-26 | 姜枫 | 一种砂岩薄片显微图像的自动分割方法 |
US20220207079A1 (en) * | 2019-05-09 | 2022-06-30 | Abu Dhabi National Oil Company | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks |
US20210064651A1 (en) * | 2019-08-30 | 2021-03-04 | International Business Machines Corporation | Searching for analogue subsurface structures based on topological knowledge representation (tkr) |
CN112927253A (zh) * | 2019-12-06 | 2021-06-08 | 四川大学 | 基于卷积神经网络的岩心fib-sem图像分割方法 |
CN111325724A (zh) * | 2020-02-19 | 2020-06-23 | 石家庄铁道大学 | 隧道裂纹区域检测方法和装置 |
CN111414954A (zh) * | 2020-03-17 | 2020-07-14 | 重庆邮电大学 | 一种岩石图像检索方法及其系统 |
CN111563445A (zh) * | 2020-04-30 | 2020-08-21 | 徐宇轩 | 一种基于卷积神经网络的显微镜下岩性识别方法 |
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 |
CN112528904A (zh) * | 2020-12-18 | 2021-03-19 | 中山艾尚智同信息科技有限公司 | 一种用于砂石颗粒物粒径检测系统的图像分割方法 |
CN112730326A (zh) * | 2021-02-08 | 2021-04-30 | 中国石油化工股份有限公司 | 一种岩石薄片智能鉴定装置及方法 |
CN112862811A (zh) * | 2021-03-10 | 2021-05-28 | 华中科技大学 | 基于深度学习的材料显微图像缺陷识别方法、设备及装置 |
CN112926602A (zh) * | 2021-03-22 | 2021-06-08 | 重庆邮电大学 | 一种基于可视化算法的岩石岩性分析方法、装置及设备 |
CN113222071A (zh) * | 2021-06-04 | 2021-08-06 | 嘉应学院 | 一种基于岩石薄片显微图像深度学习的岩石分类方法 |
Non-Patent Citations (4)
Title |
---|
GUI HAO等: "Image Recognition of Sandstone Slice Based on a Lightweight Network", THIRTEENTH INTERNATIONAL CONFERENCE ON GRAPHICS AND IMAGE PROCESSING (ICGIP 2021), vol. 12083, pages 120832, XP060151911, DOI: 10.1117/12.2623242 * |
JIANG, F等: "Feature Extraction and Grain Segmentation of Sandstone Images Based on Convolutional Neural Networks", 2018 24TH INTERNATIONAL CONFERENCE ON PATTERN RECOGNITION (ICPR), pages 2636 - 2641 * |
NIU, YF等: "Digital Rock Segmentation for Petrophysical Analysis With Reduced User Bias Using Convolutional Neural Networks", WATER RESOURCES RESEARCH, vol. 56, no. 2, pages 2019 * |
姜枫;顾庆;郝慧珍;李娜;胡修棉;: "基于语义特征提取的砂岩薄片图像颗粒分割方法", 中国科学:信息科学, no. 01, pages 109 - 127 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688956A (zh) * | 2021-10-26 | 2021-11-23 | 西南石油大学 | 一种基于深度特征融合网络的砂岩薄片分割和识别方法 |
CN114897917A (zh) * | 2022-07-13 | 2022-08-12 | 西南石油大学 | 一种多层次的岩石铸体薄片图像分割方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113378825B (zh) | 2024-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107871119B (zh) | 一种基于目标空间知识和两阶段预测学习的目标检测方法 | |
CN111898507B (zh) | 一种预测无标签遥感影像地表覆盖类别的深度学习方法 | |
CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
CN110018524B (zh) | 一种基于视觉-属性的x射线安检违禁品识别方法 | |
CN109766884A (zh) | 一种基于Faster-RCNN的机场跑道异物检测方法 | |
CN108764228A (zh) | 一种图像中文字目标检测方法 | |
CN102902956B (zh) | 一种地基可见光云图识别处理方法 | |
CN108038846A (zh) | 基于多层卷积神经网络的输电线路设备图像缺陷检测方法及系统 | |
CN113378825A (zh) | 一种基于人工智能的砂岩薄片图像鉴定方法和系统 | |
CN108875803B (zh) | 一种基于视频图像的危化品运输车辆检测与识别方法 | |
CN112347895A (zh) | 一种基于边界优化神经网络的舰船遥感目标检测方法 | |
CN108427919B (zh) | 一种基于形状引导显著性模型的无监督油罐目标检测方法 | |
Shahi et al. | Road condition assessment by OBIA and feature selection techniques using very high-resolution WorldView-2 imagery | |
CN113591617B (zh) | 基于深度学习的水面小目标检测与分类方法 | |
CN107392254A (zh) | 一种通过联合嵌入从像素中构造图像的语义分割方法 | |
CN114549909A (zh) | 一种基于自适应阈值的伪标签遥感图像场景分类方法 | |
CN110321775A (zh) | 一种基于多旋翼无人机的水上落水人员自主识别方法 | |
CN117635553A (zh) | 一种基于人机混合策略的工业表面缺陷分割方法 | |
CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 | |
Wang et al. | Simultaneous extracting area and quantity of agricultural greenhouses in large scale with deep learning method and high-resolution remote sensing images | |
CN115761223A (zh) | 一种利用数据合成的遥感影像实例分割方法 | |
CN114973372A (zh) | 婴儿表情分类检测方法 | |
CN114792300A (zh) | 一种基于多尺度注意力x光断针检测方法 | |
CN114219988A (zh) | 基于ViT框架的多类目岩矿快速分类方法、设备及存储介质 | |
CN113421194A (zh) | 一种根据布格重力异常图像提取隐伏断层的方法 |
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 |