CN113435457A - 基于图像的碎屑岩成分鉴定方法、装置、终端及介质 - Google Patents

基于图像的碎屑岩成分鉴定方法、装置、终端及介质 Download PDF

Info

Publication number
CN113435457A
CN113435457A CN202110654212.1A CN202110654212A CN113435457A CN 113435457 A CN113435457 A CN 113435457A CN 202110654212 A CN202110654212 A CN 202110654212A CN 113435457 A CN113435457 A CN 113435457A
Authority
CN
China
Prior art keywords
component region
clastic rock
identification
component
mineral
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.)
Pending
Application number
CN202110654212.1A
Other languages
English (en)
Inventor
余晓露
周生友
胡宗全
罗宾繁
陶成
张永东
史政
陶金雨
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.)
China Petroleum and Chemical Corp
Sinopec Exploration and Production Research Institute
Original Assignee
China Petroleum and Chemical Corp
Sinopec Exploration and Production Research Institute
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
Priority claimed from CN202110181773.4A external-priority patent/CN112730326A/zh
Application filed by China Petroleum and Chemical Corp, Sinopec Exploration and Production Research Institute filed Critical China Petroleum and Chemical Corp
Publication of CN113435457A publication Critical patent/CN113435457A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
    • G06V10/7715—Feature extraction, e.g. by transforming the feature space, e.g. multi-dimensional scaling [MDS]; Mappings, e.g. subspace methods
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/10—Image acquisition
    • G06V10/12—Details of acquisition arrangements; Constructional details thereof
    • G06V10/14—Optical characteristics of the device performing the acquisition or on the illumination arrangements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • 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
    • 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
    • G06T2207/10024—Color image
    • 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
    • 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
    • G06T2207/20024—Filtering details
    • G06T2207/20032—Median filtering
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本申请关于一种基于图像的碎屑岩成分鉴定方法、装置、终端及介质，涉及石油地质勘探领域，该方法包括：获取碎屑岩薄片图像；对碎屑岩薄片图像进行组分区域结构识别；对识别组分区域进行组分区域矿物识别；基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果。通过晶态识别二分类模型，将材料薄片图像划分成为晶态组分集合图像以及非晶态组分集合图像，并选取晶态组分集合图像通过扫描的方式进行进一步地组分验证。在此过程中，仅需对于与晶态组分集合图像对应的位置进行扫描，减少了扫描区域的面积，进而减少了扫描消耗的工作时间，提高了对于材料薄片样本的组分进行确定的效率。

Description

基于图像的碎屑岩成分鉴定方法、装置、终端及介质
相关申请的交叉引用
本申请要求享有2021年02月08日提交的名称为“一种岩石薄片智能鉴定装置及方法”的中国专利申请CN 202110181773.4和2021年02月10日提交的名称为“一种碳酸盐岩薄片图像中生物的识别方法”的中国专利申请CN202110182027.7的优先权，其全部内容通过引用并入本文中。
技术领域
本申请涉及石油地质勘探领域，特别涉及一种基于图像的碎屑岩成分鉴定方法、装置、终端及介质。
背景技术
碎屑岩储层是油气聚集的重要场所，是油气勘探和开发的直接目的层，我国已发现的主要油气田也来自碎屑岩储层，因此将碎屑岩制成薄片进行系统鉴定，对于碎屑岩储层研究以及油气勘探开发具有重要的意义。
相关技术中，碎屑岩薄片鉴定方法以人工鉴定的方式为主。研究人员基于自身经验，对于碎屑岩薄片进行鉴定。在一些情况下，研究人员还会以计算机设备为工具，以较为清晰的形式显示岩石薄片图像，并以岩石薄片图像为参考进行碎屑岩薄片的鉴定。
然而，相关技术中，无论是对于碎屑岩薄片样本进行直接观察，或是利用计算机对碎屑岩薄片图像进行观察的方式，均受到较大的主观因素的影响，存在无法避免的误差，致使碎屑岩薄片鉴定的准确率较低。
发明内容
本申请关于一种基于图像的碎屑岩成分鉴定方法、装置、终端及介质，能够提高对于碎屑岩进行鉴定的准确率。该技术方案如下：
一方面，提供了一种基于图像的碎屑岩成分鉴定方法，该方法包括：
获取碎屑岩薄片图像，碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，碎屑岩薄片图像中包括至少一个组分区域；
对碎屑岩薄片图像进行组分区域结构识别，得到与组分区域对应的组分区域结构识别结果，组分区域结构识别结果用于指示组分区域的结构特征，组分区域结构识别结果中包括识别组分区域；
对识别组分区域进行组分区域矿物识别，得到与识别组分区域对应的组分区域矿物识别结果，组分区域矿物识别结果用于指示识别组分区域内的矿物种类；
基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果，文本化鉴定结果中包括对于碎屑岩薄片的特征的文字化描述。
另一方面，提供了一种材料组分的确定装置，该装置包括：
获取模块，用于获取碎屑岩薄片图像，碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，碎屑岩薄片图像中包括至少一个组分区域；
识别模块，用于对碎屑岩薄片图像进行组分区域结构识别，得到与组分区域对应的组分区域结构识别结果，组分区域结构识别结果用于指示组分区域的结构特征，组分区域结构识别结果中包括识别组分区域；
识别模块，还用于对识别组分区域进行组分区域矿物识别，得到与识别组分区域对应的组分区域矿物识别结果，组分区域矿物识别结果用于指示识别组分区域内的矿物种类；
生成模块，用于基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果，文本化鉴定结果中包括对于碎屑岩薄片的特征的文字化描述。
另一方面，提供了一种计算机设备，计算机设备包括处理器和存储器，存储器中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的基于图像的碎屑岩成分鉴定方法。
另一方面，提供了一种计算机可读存储介质，可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，处理器可加载并执行至少一条指令、至少一段程序、代码集或指令集，以实现上述本申请实施例中提供的基于图像的碎屑岩成分鉴定方法。
另一方面，提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机程序指令，该计算机程序指令存储于计算机可读存储介质中。处理器从计算机可读存储介质读取该计算机指令，并执行该计算机指令，使得该计算机设备执行如本申请实施例中提供的基于图像的碎屑岩成分鉴定方法。
本申请提供的技术方案带来的有益效果至少包括：
在通过扫描的方式对材料薄片进行组分确定之前，通过晶态识别二分类模型，将材料薄片图像划分成为晶态组分集合图像以及非晶态组分集合图像，并选取晶态组分集合图像通过扫描的方式进行进一步地组分验证。在此过程中，仅需对于与晶态组分集合图像对应的位置进行扫描，减少了扫描区域的面积，进而减少了扫描消耗的工作时间，提高了对于材料薄片样本的组分进行确定的效率。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，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。
图1示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定方法的流程图；
图2示出了本申请一个示例性实施例提供另一个基于图像的碎屑岩成分鉴定方法的流程图；
图3示出了本申请一个示例性实施例提供的一种碎屑岩薄片图像的示意图；
图4示出了本申请一个示例性实施例提供的一种将碎屑岩薄片进行分割的示意图；
图5示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定方法的过程示意图；
图6示出了本申请一个示例性实施例提供的一种文本化鉴定数据表格的结构示意图；
图7示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定装置的结构框图；
图8示出了本申请一个示例性实施例提供的另一种基于图像的碎屑岩成分鉴定装置的结构框图；
图9示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定方法的计算机设备的结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图对本申请实施方式作进一步地详细描述。
首先，对于本申请各个实施例中涉及的名词进行解释：
碎屑岩，是由母岩机械风化产生的矿物和岩石碎屑经搬运、沉积、压实和胶结而形成的岩石。其组分除碎屑颗粒外，还有杂基和胶结物，属于沉积岩。
人工智能(Artificial Intelligence,AI)，是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。人工智能企图了解智能的实质，并生产出一种能以人类智能相似的方式做出反应的智能机器。人工智能目的是使机器具有感知、推理与决策的功能。
人工智能技术是一门综合学科，涉及领域广泛。人工智能基础技术包括但不限于传感器技术、人工智能芯片技术、云计算技术、大数据处理技术、机电一体化技术。本申请实施例中所应用的人工智能技术为机器学习技术，且该机器学习设备应用于计算机设备当中机构。
机器学习(Machine Learning,ML)，是一门多领域交叉学科，涉及概率论、统计学、算法复杂度理论等多个学科领域。机器学习学科专门用于研究计算机怎样模拟或实现人类的学习行为，以使计算机获取新的知识，重新组织已有的知识结构，进而改善自身性能。机器学习通常与深度学习相结合，机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、示教学习等技术。
图像处理技术，是用计算机对图像信息进行处理的技术，图像处理技术主要包括图像数字化、图像增强和复原、图像数据编码、图像分割和图像识别等。其中，图像分割是将图像分割成若干个特定、具有独特性质的区域并提出感兴趣目标的技术和过程。图像分割的方法包括基于阈值的分割方法、基于区域的分割方法、基于边缘的分割方法以及基于特定理论的分割方法中的至少一种。图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用。现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域。
面扫描，即面扫描分析，是利用测试仪器对于材料组分进行精确鉴定的主流方法。通常做法是，将材料组分切成薄片或制成表面抛光平整的样品，再采用面扫描的方式对其中的组分进行准确鉴定。面扫描所采用的测试仪器包括但不限于诸如红外光谱与拉曼光谱的分子光谱、X射线荧光(X-ray Fluorescence，XRF)光谱、X射线能谱分析(EnergyDispersive X-ray Spectroscopy，EDS)等，且在本申请的一些实施例中，面扫描过程可以联用显微镜或扫描电子显微镜，将显微观察与微区分析相结合。
图1示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定方法的流程图，以该设备应用于计算机设备中为例进行说明，该方法包括：
步骤101，获取碎屑岩薄片图像，碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，碎屑岩薄片图像中包括至少一个组分区域。
在本申请实施例中，计算机设备具有存储功能、通信功能与数据处理功能。在一个示例中，计算机设备具有存储功能，并根据存储路径获取碎屑岩薄片样本图像；在另一个示例中，计算机设备与诸如照相机的图像采集设备直接连接，并从图像采集设备中获取碎屑岩薄片样本图像；在另一个示例中，计算机设备与图像采集设备通信连接，并通过通信网络介绍图像采集设备发送的碎屑岩薄片样本图像。本申请实施例对于计算机设备获取碎屑岩薄片样本图片的具体方式不作限制。
在本申请实施例中，碎屑岩薄片样本图像为对应碎屑岩薄片样本的图像，也即，诸如摄像机的图像采集设备对于碎屑岩薄片样本进行拍摄，得到的图像。在对碎屑岩样本上进行切割，并进行抛光操作、平整操作等处理操作后，即可得到碎屑岩样本。
在本申请实施例中，一个组分区域用于指示一种组分。可选地，碎屑岩薄片图像中的组分区域数量为至少两个，该至少两个组分区域指示的组分各不相同，或，该至少两个组分区域存在指示的组分相同的组分区域。
步骤102，对碎屑岩薄片图像进行组分区域结构识别，得到与组分区域对应的组分区域结构识别结果，组分区域结构识别结果中包括识别组分区域。
在本申请实施例中，在对于碎屑岩薄片进行鉴定时，计算机设备需要首先进行组分区域的边界进行确定，并进而进行识别组分区域的划分。在本申请实施例中，识别组分区域与碎屑岩薄片图像中的组分区域相对应。
组分区域结构识别结果用于指示组分区域的结构特征，在进行识别后，组分区域结构识别结果中包括识别组分区域，也即，计算机设备确定的，由组分区域的边界确定的区域。可选地，经过对于组分区域的结构识别，计算机设备将会得到叠加显示有组分区域的划分方式的碎屑岩薄片图像。
步骤103，对识别组分区域进行组分区域矿物识别，得到与识别组分区域对应的组分区域矿物识别结果。
在本申请实施例中，确定组分区域的划分方式后，即可对应每一个识别组分区域，进行矿物种类的识别。在本申请实施例中，计算机设备可以逐个提取识别组分区域，并对应识别组分区域，确定组分区域矿物识别结果；或，计算机设备可直接对应叠加显示有组分区域的划分方式的碎屑岩薄片图像，确定与每个识别组分区域对应的组分区域矿物识别结果；或，计算机设备可以首先将形状相似的识别组分区域进行归类，再对同一类型的识别组分区域进行统一矿物识别，得到该类型中的每个组分区域对应的组分区域矿物识别结果。本申请实施例对于组分区域矿物识别结果的实际实现形式不作限定。
可选地，组分区域矿物识别结果指示该组分区域中包含一种矿物，或，该组分区域中包括至少两种矿物。本申请对于组分区域矿物识别结果所指示的矿物数量不做限定。
步骤104，基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果。
在本申请实施例中，在确定每一个组分区域的边界以及结构，以及与该组分区域的矿物后，也即，在确定了每一个组分区域的矿物识别结果以及结构识别结果后，即可将与每一个组分区域对应的识别结果进行汇总，最终生成鉴定结果。在本申请中，鉴定结果为文本化的结果。可选地，文本化鉴定结果以文字段落的形式体现，或，文本化鉴定结果以列表的形式体现。本申请对于文本化鉴定结果的实际体现方式不做限定。
综上所述，本申请实施例提供的方法，在对于碎屑岩的成分进行鉴定的过程中，在获取碎屑岩薄片图像后，对于碎屑岩薄片图像中的组分区域依次进行组分区域结构识别以及组分区域矿物识别，并最终生成文本化鉴定结果。在对于碎屑岩的成分进行鉴定时，通过对于碎屑岩薄片中的组分的结构以及矿物组成进行识别，对于碎屑岩薄片的微观构成进行了确定，并进而生成详细的文本化鉴定结果，提高了对于碎屑岩进行鉴定的准确率。
在本申请的一些实施例中，文本化鉴定结果需要针对碎屑岩薄片图像中表征出的，指示各个特征维度的识别结果进行归纳总结。同时，计算机设备针对组分区域结构识别过程以及组分区域矿物识别构成构建对应模型，进一步提高识别的准确率。图2示出了本申请一个示例性实施例提供另一个基于图像的碎屑岩成分鉴定方法的流程图，以该方法应用于计算机设备中进行说明，该方法包括：
步骤201，获取碎屑岩薄片图像。
该过程与步骤101的过程对应，也即是获取与碎屑岩样本对应的碎屑岩薄片图像的过程。需要说明的是，在本申请实施例中，碎屑岩薄片图像的数量为两张，分别为从相同位置摄制的，与碎屑岩薄片样本相对应的单偏光图像以及正交偏光图像。可选地，碎屑岩薄片图像中包括了至少一个组分区域。请参考图3，在碎屑岩薄片300中，组分区域301的数量为18个。
步骤202，将碎屑岩薄片图像输入组分区域识别模型中，输出得到组分区域结构识别结果。
在本申请实施例中，通过组分区域识别模型进行碎屑岩薄片图像的分割。可选地，组分区域识别模型为基于机器学习的神经网络模型，且其基础网络为Mask-RCNN神经网络。在将碎屑岩薄片图像输入组分区域识别模型中后，即可输出得到指示碎屑岩薄片图像的分割情况的组分区域结构识别结果。在本申请实施例中，组分区域结构识别结果叠加显示在碎屑岩薄片图像上，组分区域结构识别结果所确定的识别组分区域与碎屑岩薄片图像上存在的组分区域对应。
步骤203，基于识别组分区域对碎屑岩薄片图像进行分割，得到组分子图像。
在获取组分区域结构识别结果后，在本申请实施例中，对应组分区域结构识别结果中指示的识别组分区域，对碎屑岩薄片图像进行分割，得到至少两张组分子图像，其中，每张组分子图像中包括了一个组分区域，请参考图4，在对碎屑岩薄片图像400进行基于组分区域401的分割后，即可得到组分子图像410。
步骤204，将组分子图像输入矿物种类二分类模型中，输出得到与组分子图像对应的矿物识别结果。
在本申请实施例中，通过矿物种类二分类模型对于组分子图像中的组分矿物组成进行确定。可选地，矿物种类二分类模型中包括至少一个分类子模型以及至少两个识别子模型，其中，分类子模型用于基于子模型内预设的规则，逐级确定组分子图像所包含的矿物种类的具体类型。是被子模型用于对组分子图像中所包含的矿物种类进行进一步确定。在本申请实施例中，基于组分区域内的矿物所体现的晶态，对于矿物进行分类。可选地，最终组分子图像中的矿物种类将包括单晶态矿物种类、多晶态矿物种类与非晶态矿物种类。在此基础上，针对碎屑岩这一岩类，还可进行颗粒与填隙物的划分；在对应颗粒的划分时，还可进行陆源碎屑颗粒与非陆源碎屑颗粒的划分。经过多次与上述步骤类似的划分，最终，可以确定非陆源碎屑、石英碎屑、长石碎屑、岩屑碎屑、杂基填隙物、硅质胶结物、钙质胶结物与泥质胶结物。
步骤205，响应于矿物识别结果指示组分子图像对应的矿物为单晶态矿物，对矿物识别结果进行验证，得到验证识别结果。
在本申请实施例中，当组分子图像中的矿物为单晶态矿物时，即需要对于该单晶态矿物进行干净区域的选取。该干净区域的选取目的是为在后续通过光谱数据进行矿物识别结果的验证过程中降低误差，以获取更为准确的验证结果。
在本申请实施例中，计算机设备还与光谱数据采集设备建立有通信连接。在计算机设备完成干净区域的选取后，即将控制信号发送至光谱采集设备，光谱采集设备对应该组分区域进行光谱数据的采集后，将得到的光谱数据反馈至计算机设备当中，此时，计算机设备即可对该数据进行处理，生成验证结果。
步骤206，基于验证结果对矿物识别结果进行校正。
在确定验证结果后，本申请实施例中，即将对于单晶态矿物的光谱数据结果与计算机设备通过矿物种类二分类模型确定的矿物识别结果进行比对，并基于光谱数据采集设备种类等因素，对矿物识别结果进行校正，得到确定后的矿物识别结果。
步骤207，确定文本化鉴定子结果的种类。
在本申请实施例中，文本化鉴定结果内包含了至少两个文本化鉴定子结果，每个文本化鉴定子结果从不同维度说明碎屑岩薄片的特征，以提供对于碎屑岩薄片的鉴定结果。本申请实施例中，文本化鉴定子结果的种类包括成分鉴定结果、组分区域结构鉴定结果以及组分区域相关关系鉴定结果中的至少一种。成分鉴定结果指示碎屑岩的矿物组成；组分区域结构鉴定结果用于表征碎屑岩薄片图像中的组分区域的结构，组分区域结构鉴定结果包括碎屑岩薄片图像中的组分区域的粒径情况、碎屑岩薄片图像中的组分区域的粒径分选性情况、碎屑岩薄片图像中的组分区域的磨圆度情况中的至少一种；组分区域相关关系鉴定结果用于表征碎屑岩薄片图像中，相邻两个组分区域的位置关系，组分区域鉴定结果包括组分区域接触关系结果。
步骤208，基于文本化鉴定子结果的种类以及组分区域矿物识别结果，确定参考组分区域。
在本申请实施例中，文本化鉴定子结果对应有其关注的组分区域。例如，在文本化鉴定子结果中的组分区域结构鉴定结果中，其针对不同类型的组分区域，对应有不同的结果。在一个示例中，组分区域结构鉴定结果中包括对应非陆源碎屑的分选性情况、对应石英碎屑的分选性情况以及对应长石碎屑的分选性情况。针对获取该三个不同的粒径分选性的过程，计算机设备需要确定与非陆源碎屑对应的组分区域、与长石碎屑对应的组分区域以及与石英碎屑对应的组分区域，此时，为获取不同的文本化鉴定结果确定的组分区域，即为参考组分区域。
步骤209，基于参考组分区域，确定文本化鉴定子结果。
在本申请实施例中，对应参考组分区域的组分区域结构识别结果，对应文本化鉴定子结果进行确定。可选地，文本化鉴定子结果的输出方式为文本段落形式。
步骤210，基于文本化鉴定子结果，生成与碎屑岩薄片图像对应的碎屑岩样本名称。
本申请实施例中，对应岩石样本为碎屑岩的情况，需要依据相关标准，对于碎屑岩样本进行定名。可选地，当文本化鉴定子结果中包含了对于碎屑岩薄片图像中的矿物含量的定量数据时，即可根据该定量数据，进行碎屑岩样本名称的确定。
步骤211，基于碎屑岩样本名称以及文本化鉴定子结果，以表格形式生成文本化鉴定结果。
在本申请实施例中，文本化鉴定结果为表格形式的文本鉴定结果。可选地，表格包括表头区域和数据区域，在表头区域中有文本化鉴定子结果的类型名称。在数据区域中有与文本化鉴定子结果的类型名称相对应的数据。
综上所述，本申请实施例提供的方法，在对于碎屑岩的成分进行鉴定的过程中，在获取碎屑岩薄片图像后，对于碎屑岩薄片图像中的组分区域依次进行组分区域结构识别以及组分区域矿物识别，并最终生成文本化鉴定结果。在对于碎屑岩的成分进行鉴定时，通过对于碎屑岩薄片中的组分的结构以及矿物组成进行识别，对于碎屑岩薄片的微观构成进行了确定，并进而生成详细的文本化鉴定结果，提高了对于碎屑岩进行鉴定的准确率。
本申请实施例提供的方法，通过基于神经网络的机器学习模型作为进行组分区域划分的工具，在模型训练完成的情况下，提高了对于组分区域结构进行识别的准确率。
本申请实施例提供的方法，通过分类识别模型以及光谱数据对比的组合验证方式，在进行组分区域矿物识别的过程中，从图像角度和矿物特征角度共同对于组分区域中的矿物种类进行确定，提高了对于组分区域内包含的矿物进行识别的准确率。
本申请实施例提供的方法，在得到组分区域结构识别结果以及得到组分区域矿物识别结果后，通过确定文本化鉴定子结果，并通过多个维度的文本化鉴定子结果对于名称以及表格形式的文本化鉴定结果的确定，在对于碎屑岩薄片进行命名以及定义是从多个微观维度对于碎屑岩薄片的性质进行了确定，提高了文本化鉴定结果的准确性。
图5示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定方法的过程示意图，该过程包括：
步骤501，采集碎屑岩薄片样品图像。
该过程即为通过图像采集设备采集碎屑岩薄片图像的过程。可选地，图像采集设备实现为偏光显微镜和薄片扫描仪中的至少一种。图像采集设备采集到的碎屑岩薄片图像包括单偏光图像以及正交偏光图像。
步骤502，将碎屑岩薄片样品图像输入碎屑岩分割模型，得到分割之后的碎屑岩薄片样品图像。
在本申请实施例中，对应碎屑岩薄片图像中包括碎屑岩的单偏光图像以及正交偏光图像的情况，碎屑岩分割模型，也即组分区域识别模型也为经过分割的单偏光图像以及正交偏光图像。在本申请实施例中，通过将单偏光图像以及正交偏光图像取交集的方式，生成分割之后的碎屑岩薄片样品图像。
步骤503，根据碎屑岩薄片样本图像中的分割结果，将分割出的子区域提取出单张图像，并通过组分分类识别模型对单张图像进行识别。
该过程即为获取组分子图像，并通过矿物种类二分类模型对组分子图像进行识别，得到与组分子图像对应的矿物识别结果的过程。在该过程中，矿物种类二分类模型内包括分类子模型组以及识别子模型组，以对于组分子图像指示的组分区域中包含的矿物内容进行确定。
在本申请实施例中，针对组分区域中包括单晶态矿物的情况，通过采集光谱数据的方式，对于矿物识别结果进行验证。
步骤504，生成碎屑岩薄片样本组分分析中间结果图。
该过程即为将与组分子图像对应的矿物识别结果，以及组分区域结构识别结果汇总至碎屑岩薄片图像上的过程。
步骤505，在碎屑岩薄片样本组分分析中间结果图上，分别统计相应类别子区域的相对面积，得到碎屑岩薄片样本的组分相对含量计算结果。
从步骤505起，即为确定文本化鉴定子结果的过程。
步骤505对应了生成成分鉴定结果的过程。在该过程中，计算机设备确定指示同一类矿物的组分区域，进而确定此类组分区域对应的像素点数量，并与碎屑岩样本图像的像素点的总数量进行占用比例计算，即可得到像素点比值，像素点比值可以直接对应表征成分鉴定结果中，一类矿物含量占全部矿物含量的比例。在一个示例中，可以得到碎屑颗粒的占比为86.5％，填隙物的占比为13.5％，进一步得，石英碎屑占比为69.2％，长石碎屑占比为3.46％，岩屑碎屑占比为13.84％，杂基填隙物占比为1％，胶结物占比为12.5％。
步骤506，确定碎屑颗粒粒径。
该过程即为确定组分区域结构鉴定结果中的组分区域的粒径情况的过程。
在该过程中，首先，对每个组分区域对应的子区域图像进行提取。在提取后，确定与该子区域对应的最小外接圆，并确定该最小外接圆所占用的像素点数量，基于像素点数量确定最小外接圆的实际直径，并根据该实际直径，通过如下公式1得到其回归粒径：
公式1：
Figure BDA0003111956250000121
式中，
Figure BDA0003111956250000122
为回归粒径，D为直径，单位为mm，由于在实际情况中，碎屑岩中，颗粒的实际粒径跨度较大，且在岩石鉴定的过程中，关注的粒径的大小在0.0156mm至4mm之间，为对应该情况，本申请实施例中，通过对数运算方法进行处理，将粒径直径换算为回归粒径后，即可为粒径的后续分类提供便利。在本申请实施例中，上述公式1为与行业标准《SY/T5368-2016岩石薄片鉴定》中的粒径划分方法对应的公式，在行业标准《SY/T 5368-2016岩石薄片鉴定》中，碎屑颗粒粒级可被划分为泥(D＜0.0156mm，φ值＞6)、细粉砂(0.0156mm≤D＜0.0313mm，φ值5～6)、粗粉砂(0.0313mm≤D＜0.0625mm，φ值4～5)、极细砂(0.0625mm≤D＜0.125mm，φ值3～4)、细砂(0.125mm≤D＜0.25mm，φ值2～3)、中砂(0.25mm≤D＜0.5mm，φ值1～2)、粗砂(0.5mm≤D＜2mm，φ值-1～1)、细砾(D≥2mm，φ值-2～-1)、中砾(4mm≤D＜64mm，φ值-6～-2)、粗砾(64mm≤D＜256mm，φ值-8～-6)。可选地，在本申请实施例中，可以对实际直径通过其他数据处理方式进行处理。
在本申请实施例中，确定了子区域的粒径后，即可对应确定子区域的相对面积、体积百分比以及同一类组分区域在碎屑岩薄片图像中的累计体积百分比。可选地，在确定了同一类组分区域在碎屑岩薄片图像中的累计体积百分比后，即可对应该类组分区域的每一个子区域进行列表，以确定该类组分区域的最大粒径。
步骤507，确定颗粒分选性。
该过程即为确定组分区域的粒径分选性情况的过程。在该过程中，基于步骤505确定的颗粒列经，生成累积频率曲线，该曲线的横坐标为与单个组分区域对应的回归滤镜，纵坐标为各粒径区间内，组分区域的累积体积百分比。在依据相关行业标准《SY/T 5434-2018碎屑岩粒度分析方法行业标准》，进行薄片的标准偏差确定后，计算机设备即根据行业标准《SY/T 5368-2016岩石薄片鉴定》，确定颗粒分选性的好，中，差等级。其中，三个等级的分类标准如下：
好：同一粒级含量大于或等于碎屑总量的75％，
中：同一粒级含量占碎屑总量的50％及以上，但小于75％。
差：碎屑粒级集中趋势不明显。
需要说明的是，对应上述分类标准，在本申请实施例中，计算机设备对应不同的分选性，将标准偏差值阈值范围。
步骤508，确定颗粒磨圆度。
该过程即为组分区域的磨圆度情况的确定过程。在本申请实施例中，磨圆度的计算方法如下公式2所示：
公式2：R＝P2/4πA
式中，p为颗粒的周长，A为颗粒面积，R为磨圆度，该公式实质上反应了对应组分区域常体现为椭圆形区域的情况，碎屑颗粒实际面积与该椭圆形的常州外接圆的面积之比。在本申请实施例中，对应行业标准，将磨圆度划分为棱角、次棱、次圆、圆、极圆五个等级，可选地，在本申请实施例中，对于磨圆度的划分结果如下：棱角(R≤0.2)，次棱(0.2＜R≤0.5)，次圆(0.5＜R≤0.8)，圆(0.8＜R≤0.9)，极圆(0.9＜R≤1)。
在针对每个组分区域确定磨圆度之后，综合确定碎屑岩薄片图像中，每个碎屑颗粒的样本数量。在一个示例中，85％的组分区域的磨圆度为次棱，15％的碎屑颗粒磨圆度为次圆，则指示与碎屑岩薄片对应的磨圆度结果为次棱。
步骤509，确定组分区域接触关系。
在本申请实施例中，通过确定相邻两个组分区域的外界矩形的交并比，对于相邻两个组分区域的接触关系进行确定。在本申请实施例中，接触关系包括无接触、点接触以及线接触。基于行业标准，确定当交并比＝0时，碎屑颗粒间为无接触，当0＜交并比≤5时，颗粒间为点接触，当5＜交并比≤30时，碎屑颗粒间为线接触。在确定碎屑岩薄片图像中所有的相应组分区域之间的接触关系后，即可确定代表碎屑岩薄片图像的接触关系。在一个示例中，75％的组分区域之间为线接触，25％的组分区域之间为点接触，则样品的碎屑组分区域接触关系为线接触。
步骤510，生成文本化鉴定数据。
在本申请实施例中，文本化鉴定数据的形式为表格形式。请参考图6，该文本化鉴定数据表格600中包括碎屑岩定名区域610、指示碎屑岩样本获取位置以及获取方式的薄片样品信息区域620、指示碎屑岩样本的矿物构成的组分特征区域630、指示碎屑岩样本的结构特征的结构特征区域640以及岩石薄片图像显示区域650。在薄片样本信息区域中，主要填写如样品号、深度、层位信息在内的样本信息数据。
在一个示例中，基于上述过程中对于碎屑岩薄片成分的识别，填写非陆源碎屑组分区域以及陆源碎屑组分区域的相对含量，在一个示例中，非陆源碎屑占比0％，陆源碎屑占比86.5％。进一步地，在组分特征区域630内，还包括对应的碎屑以及填隙物的数据，在一个示例中，石英碎屑占比69.2％，长石碎屑占比4％，岩屑碎屑占比16％，杂基填隙物占比1％，胶结物占比12.5％，硅质胶结物占比2％，钙质胶结物占比10.5％，泥质胶结物占比0％。
对应其他文本化鉴定子结果，在结构特征区域640中，还可以对应填写诸如磨圆度，粒径区间等其他数据。
在碎屑岩定名区域610中，基于组分区域最大粒径、颗粒分选性、磨圆度、接触关系等数据，基于碎屑岩定名规则，并结合行业标准《SY/T 5368-2016岩石薄片鉴定》，以“非陆源碎屑组分+填隙物+粒度+陆源碎屑”的形式，对碎屑岩薄片图像对应的碎屑岩样本进行定名。
综上所述，本申请实施例提供的方法，在对于碎屑岩的成分进行鉴定的过程中，在获取碎屑岩薄片图像后，对于碎屑岩薄片图像中的组分区域依次进行组分区域结构识别以及组分区域矿物识别，并最终生成文本化鉴定结果。在对于碎屑岩的成分进行鉴定时，通过对于碎屑岩薄片中的组分的结构以及矿物组成进行识别，对于碎屑岩薄片的微观构成进行了确定，并进而生成详细的文本化鉴定结果，提高了对于碎屑岩进行鉴定的准确率。
图7示出了本申请一个示例性实施例提供的一种基于图像的碎屑岩成分鉴定装置的示意图，请参考图7，该装置包括：
获取模块701，用于获取碎屑岩薄片图像，碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，碎屑岩薄片图像中包括至少一个组分区域；
识别模块702，用于对碎屑岩薄片图像进行组分区域结构识别，得到与组分区域对应的组分区域结构识别结果，组分区域结构识别结果用于指示组分区域的结构特征，组分区域结构识别结果中包括识别组分区域；
对识别组分区域进行组分区域矿物识别，得到与识别组分区域对应的组分区域矿物识别结果，组分区域矿物识别结果用于指示识别组分区域内的矿物种类；
生成模块703，用于基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果，文本化鉴定结果中包括对于碎屑岩薄片的特征的文字化描述。
在一个可选的实施例中，请参考图8，该装置，还包括输入模块704，用于将碎屑岩薄片图像输入组分区域识别模型中，输出得到组分区域结构识别结果，组分区域识别模型为基于机器学习的神经网络模型。
在一个可选的实施例中，该装置，还包括分割模块705，用于基于识别组分区域对碎屑岩薄片图像进行分割，得到组分子图像；
输出模块706，用于将组分子图像输入矿物种类二分类模型中，输出得到与组分子图像对应的矿物识别结果。
在一个可选的实施例中，该装置，还包括验证模块707，用于响应于矿物识别结果指示组分子图像对应的矿物为单晶态矿物，对矿物识别结果进行验证，得到验证识别结果；
校正模块708，用于基于验证结果对矿物识别结果进行校正。
在一个可选的实施例中，文本化鉴定结果中包括至少两个文本化鉴定子结果；
基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果，包括：
确定文本化鉴定子结果的种类；
该装置，还包括确定模块709，用于基于文本化鉴定子结果的种类以及组分区域矿物识别结果，确定参考组分区域；
基于参考组分区域，确定文本化鉴定子结果；
汇总模块710，用于对文化鉴定子结果进行汇总，得到文本化鉴定结果。
在一个可选的实施例中，文本化鉴定子结果的种类包括成分鉴定结果、组分区域结构鉴定结果以及组分区域相关关系鉴定结果中的至少一种；
成分鉴定结果指示碎屑岩的矿物组成；
组分区域结构鉴定结果用于表征碎屑岩薄片图像中的组分区域的结构，组分区域结构鉴定结果包括碎屑岩薄片图像中的组分区域的粒径情况、碎屑岩薄片图像中的组分区域的粒径分选性情况、碎屑岩薄片图像中的组分区域的磨圆度情况中的至少一种；
组分区域相关关系鉴定结果用于表征碎屑岩薄片图像中，相邻两个组分区域的位置关系，组分区域鉴定结果包括组分区域接触关系结果。
在一个可选的实施例中，基于组分区域矿物识别结果以及组分区域结构识别结果，生成与碎屑岩薄片对应的文本化鉴定结果之后
确定模块709，用于基于文本化鉴定子结果，确定与碎屑岩薄片图像对应的碎屑岩样本名称；
生成模块703，用于基于碎屑岩样本名称以及文本化鉴定子结果，以表格形式生成文本化鉴定结果。
综上所述，本申请实施例提供的装置，在对于碎屑岩的成分进行鉴定的过程中，在获取碎屑岩薄片图像后，对于碎屑岩薄片图像中的组分区域依次进行组分区域结构识别以及组分区域矿物识别，并最终生成文本化鉴定结果。在对于碎屑岩的成分进行鉴定时，通过对于碎屑岩薄片中的组分的结构以及矿物组成进行识别，对于碎屑岩薄片的微观构成进行了确定，并进而生成详细的文本化鉴定结果，提高了对于碎屑岩进行鉴定的准确率。
需要说明的是：上述实施例提供的基于图像的碎屑岩成分鉴定装置，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将设备的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。
图9示出了本申请一个示例性实施例提供的一种执行材料组分的确定方法的计算机设备的结构示意图，该计算机设备包括：
处理器901包括一个或者一个以上处理核心，处理器901通过运行软件程序以及模块，从而执行各种功能应用以及数据处理。
接收器902和发射器903可以实现为一个通信组件，该通信组件可以是一块通信芯片。可选地，该通信组件可以实现包括信号传输功能。也即，发射器903可以用于发射控制信号至图像采集设备以及扫描设备中，接收器902可以用于接收对应的反馈指令。
存储器904通过总线905与处理器901相连。
存储器904可用于存储至少一个指令，处理器901用于执行该至少一个指令，以实现上述方法实施例中的各个步骤。
本申请实施例还提供一种计算机可读存储介质，该可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，以由处理器加载并执行以实现上述基于图像的碎屑岩成分鉴定方法。
本申请还提供了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行上述实施例中任一所述的基于图像的碎屑岩成分鉴定方法。
可选地，该计算机可读存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取记忆体(RAM，Random Access Memory)、固态硬盘(SSD，Solid State Drives)或光盘等。其中，随机存取记忆体可以包括电阻式随机存取记忆体(ReRAM,Resistance RandomAccess Memory)和动态随机存取存储器(DRAM，Dynamic Random Access Memory)。上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
上述仅为本申请的可选实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于图像的碎屑岩成分鉴定方法，其特征在于，所述方法应用于计算机设备当中，所述方法包括：
获取碎屑岩薄片图像，所述碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，所述碎屑岩薄片图像中包括至少一个组分区域；
对所述碎屑岩薄片图像进行组分区域结构识别，得到与所述组分区域对应的组分区域结构识别结果，所述组分区域结构识别结果用于指示所述组分区域的结构特征，所述组分区域结构识别结果中包括识别组分区域；
对所述识别组分区域进行组分区域矿物识别，得到与所述识别组分区域对应的组分区域矿物识别结果，所述组分区域矿物识别结果用于指示所述识别组分区域内的矿物种类；
基于所述组分区域矿物识别结果以及所述组分区域结构识别结果，生成与所述碎屑岩薄片对应的文本化鉴定结果，所述文本化鉴定结果中包括对于所述碎屑岩薄片的特征的文字化描述。
2.根据权利要求1所述的方法，其特征在于，所述对所述组分区域进行组分区域结构识别，得到与所述组分区域对应的组分区域结构识别结果，包括：
将所述碎屑岩薄片图像输入组分区域识别模型中，输出得到所述组分区域结构识别结果，所述组分区域识别模型为基于机器学习的神经网络模型。
3.根据权利要求2所述的方法，其特征在于，所述对所述组分区域进行矿物识别，得到与所述识别组分区域对应的组分区域矿物识别结果，包括：
基于所述识别组分区域对所述碎屑岩薄片图像进行分割，得到组分子图像；
将所述组分子图像输入矿物种类二分类模型中，输出得到与所述组分子图像对应的矿物识别结果。
4.根据权利要求3所述的方法，其特征在于，所述矿物识别结果指示所述组分子图像对应的矿物为单晶态矿物，所述方法还包括：
响应于所述矿物识别结果指示所述组分子图像对应的矿物为单晶态矿物，对所述矿物识别结果进行验证，得到验证识别结果；
基于所述验证结果对所述矿物识别结果进行校正。
5.根据权利要求1至4所述的方法，其特征在于，所述文本化鉴定结果中包括至少两个文本化鉴定子结果；
所述基于所述组分区域矿物识别结果以及所述组分区域结构识别结果，生成与所述碎屑岩薄片对应的文本化鉴定结果，包括：
确定文本化鉴定子结果的种类；
基于所述文本化鉴定子结果的种类以及所述组分区域矿物识别结果，确定参考组分区域；
基于所述参考组分区域，确定所述文本化鉴定子结果；
对所述文化鉴定子结果进行汇总，得到所述文本化鉴定结果。
6.根据权利要求5所述的方法，其特征在于，所述文本化鉴定子结果的种类包括成分鉴定结果、组分区域结构鉴定结果以及组分区域相关关系鉴定结果中的至少一种；
所述成分鉴定结果指示所述碎屑岩的矿物组成；
所述组分区域结构鉴定结果用于表征所述碎屑岩薄片图像中的所述组分区域的结构，所述组分区域结构鉴定结果包括所述碎屑岩薄片图像中的所述组分区域的粒径情况、所述碎屑岩薄片图像中的所述组分区域的粒径分选性情况、所述碎屑岩薄片图像中的所述组分区域的磨圆度情况中的至少一种；
所述组分区域相关关系鉴定结果用于表征所述碎屑岩薄片图像中，相邻两个所述组分区域的位置关系，所述组分区域鉴定结果包括组分区域接触关系结果。
7.根据权利要求5所述的方法，其特征在于，所述基于所述组分区域矿物识别结果以及所述组分区域结构识别结果，生成与所述碎屑岩薄片对应的文本化鉴定结果之后，还包括：
基于所述文本化鉴定子结果，生成与所述碎屑岩薄片图像对应的碎屑岩样本名称；
基于所述碎屑岩样本名称以及所述文本化鉴定子结果，以表格形式生成所述文本化鉴定结果。
8.一种基于图像的碎屑岩成分鉴定装置，其特征在于，所述装置包括：
获取模块，用于获取碎屑岩薄片图像，所述碎屑岩薄片图像为对碎屑岩薄片进行拍摄得到的图像，所述碎屑岩薄片图像中包括至少一个组分区域；
识别模块，用于对所述碎屑岩薄片图像进行组分区域结构识别，得到与所述组分区域对应的组分区域结构识别结果，所述组分区域结构识别结果用于指示所述组分区域的结构特征，所述组分区域结构识别结果中包括识别组分区域；
所述识别模块，还用于对所述识别组分区域进行组分区域矿物识别，得到与所述识别组分区域对应的组分区域矿物识别结果，所述组分区域矿物识别结果用于指示所述识别组分区域内的矿物种类；
生成模块，用于基于所述组分区域矿物识别结果以及所述组分区域结构识别结果，生成与所述碎屑岩薄片对应的文本化鉴定结果，所述文本化鉴定结果中包括对于所述碎屑岩薄片的特征的文字化描述。
9.一种计算机设备，其特征在于，所述计算机设备包括处理器和存储器，所述存储器中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的基于图像的碎屑岩成分鉴定方法。
10.一种计算机可读存储介质，其特征在于，所述可读存储介质中存储有至少一条指令、至少一段程序、代码集或指令集，所述至少一条指令、至少一段程序、代码集或指令集由所述处理器加载并执行以实现如权利要求1至7任一所述的基于图像的碎屑岩成分鉴定方法。
CN202110654212.1A 2021-02-08 2021-06-11 基于图像的碎屑岩成分鉴定方法、装置、终端及介质 Pending CN113435457A (zh)

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
CN2021101817734 2021-02-08
CN202110181773.4A CN112730326A (zh) 2021-02-08 2021-02-08 一种岩石薄片智能鉴定装置及方法
CN2021101820277 2021-02-10
CN202110182027 2021-02-10

Publications (1)

Publication Number Publication Date
CN113435457A true CN113435457A (zh) 2021-09-24

Family

ID=77755662

Family Applications (6)

Application Number Title Priority Date Filing Date
CN202110654212.1A Pending CN113435457A (zh) 2021-02-08 2021-06-11 基于图像的碎屑岩成分鉴定方法、装置、终端及介质
CN202110654275.7A Pending CN113435458A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石薄片图像分割方法、装置及介质
CN202110653812.6A Pending CN113435456A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石薄片组分识别方法、装置及介质
CN202110655073.4A Pending CN113435460A (zh) 2021-02-08 2021-06-11 一种亮晶颗粒灰岩图像的识别方法
CN202110654942.1A Pending CN113435459A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石组分识别方法、装置、设备及介质
CN202110653323.0A Pending CN113537235A (zh) 2021-02-08 2021-06-11 岩石鉴定方法、系统、装置、终端及可读存储介质

Family Applications After (5)

Application Number Title Priority Date Filing Date
CN202110654275.7A Pending CN113435458A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石薄片图像分割方法、装置及介质
CN202110653812.6A Pending CN113435456A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石薄片组分识别方法、装置及介质
CN202110655073.4A Pending CN113435460A (zh) 2021-02-08 2021-06-11 一种亮晶颗粒灰岩图像的识别方法
CN202110654942.1A Pending CN113435459A (zh) 2021-02-08 2021-06-11 基于机器学习的岩石组分识别方法、装置、设备及介质
CN202110653323.0A Pending CN113537235A (zh) 2021-02-08 2021-06-11 岩石鉴定方法、系统、装置、终端及可读存储介质

Country Status (5)

Country Link
US (1) US20240054766A1 (zh)
EP (1) EP4290470A1 (zh)
JP (1) JP2024508688A (zh)
CN (6) CN113435457A (zh)
WO (1) WO2022166232A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
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
WO2023087118A1 (en) * 2021-11-22 2023-05-25 Minesense Technologies Ltd. Compositional multispectral and hyperspectral imaging systems for mining shovels and associated methods
CN114565820A (zh) * 2022-03-01 2022-05-31 中科海慧（北京）科技有限公司 一种基于时空大数据分析的矿产样本识别系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080192987A1 (en) * 2004-09-07 2008-08-14 Petro-Model Ehf Apparatus and Method For Analysis of Size, Form and Angularity and For Compositional Analysis of Mineral and Rock Particles
CN104134069A (zh) * 2014-08-06 2014-11-05 南京大学 一种页岩显微薄片自动鉴别方法
CN104181603A (zh) * 2014-07-24 2014-12-03 中国石油大学(华东) 碎屑岩沉积成岩综合相识别方法
CN105354600A (zh) * 2015-09-28 2016-02-24 南京大学 一种砂岩显微薄片的自动分类方法
CN110095388A (zh) * 2019-04-18 2019-08-06 中国石油大学(北京) 碎屑岩颗粒结构的确定方法及装置
CN111220616A (zh) * 2020-01-21 2020-06-02 山东大学 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法
US20200241168A1 (en) * 2017-11-29 2020-07-30 Landmark Graphics Corporation Geological sediment provenance analysis and display system
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

Family Cites Families (37)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1317569C (zh) * 2004-06-29 2007-05-23 中国国土资源航空物探遥感中心 高光谱矿物分层谱系识别方法
CN203490417U (zh) * 2013-09-22 2014-03-19 成都西图科技有限公司 用于岩石薄片观测的新型显微镜
CN104112126A (zh) * 2014-08-06 2014-10-22 南京大学镇江高新技术研究院 一种大理岩显微薄片自动鉴别方法
CN106294525A (zh) * 2015-06-25 2017-01-04 中国石油化工股份有限公司 一种录井柱状剖面信息提取方法和系统
CN106485223B (zh) * 2016-10-12 2019-07-12 南京大学 一种砂岩显微薄片中岩石颗粒的自动识别方法
CN106677708B (zh) * 2016-11-24 2019-08-30 上海工程技术大学 具备岩石薄片鉴定功能的石油勘探用钻井钻头系统及方法
CN106780536A (zh) * 2017-01-13 2017-05-31 深圳市唯特视科技有限公司 一种基于对象掩码网络的形状感知实例分割方法
CN106875406B (zh) * 2017-01-24 2020-04-14 北京航空航天大学 图像引导的视频语义对象分割方法及装置
CN108318515A (zh) * 2018-01-09 2018-07-24 南京大学 一种基于扫描电镜能谱分析的单颗粒矿物相自动识别及定量分析方法
CN108510493A (zh) * 2018-04-09 2018-09-07 深圳大学 医学图像内目标对象的边界定位方法、存储介质及终端
US11010883B2 (en) * 2018-04-17 2021-05-18 Saudi Arabian Oil Company Automated analysis of petrographic thin section images using advanced machine learning techniques
CN108805879A (zh) * 2018-05-24 2018-11-13 电子科技大学 一种基于Spiking神经网络的图像分割方法
US10891462B2 (en) * 2018-06-29 2021-01-12 Saudi Arabian Oil Company Identifying geometrical properties of rock structure through digital imaging
CN110873722A (zh) * 2018-09-03 2020-03-10 中国石油化工股份有限公司 一种岩心矿物组分鉴别方法
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
CN109283148A (zh) * 2018-09-30 2019-01-29 核工业北京地质研究院 一种基于光谱信息自动识别岩石矿物的方法
CN109741358B (zh) * 2018-12-29 2020-11-06 北京工业大学 基于自适应超图学习的超像素分割方法
CN109612943B (zh) * 2019-01-14 2020-04-21 山东大学 基于机器学习的隧洞岩石石英含量测试系统及方法
CN109800728A (zh) * 2019-01-28 2019-05-24 济南浪潮高新科技投资发展有限公司 一种基于深度学习的矿物质快速识别的方法
CN109856029B (zh) * 2019-02-01 2021-07-30 中海石油(中国)有限公司上海分公司 一种基于图像分析的孔隙度评价方法
CN109949317B (zh) * 2019-03-06 2020-12-11 东南大学 基于逐步对抗学习的半监督图像实例分割方法
WO2020225592A1 (en) * 2019-05-09 2020-11-12 Abu Dhabi National Oil Company (ADNOC) Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks
CN110443862B (zh) * 2019-06-28 2022-10-14 中国地质科学院矿产资源研究所 基于无人机的岩性填图方法及系统、电子设备
CN110286141B (zh) * 2019-07-15 2022-04-12 中国石油集团渤海钻探工程有限公司 一种基于逻辑回归的自动岩性定名方法
CN110443303B (zh) * 2019-08-04 2023-07-11 中国矿业大学 基于图像分割和分类的煤岩显微组分智能识别方法
CN110490880A (zh) * 2019-08-16 2019-11-22 重庆邮电大学 一种基于局部视觉线索的髋关节x光图像分割方法及系统
CN111027538A (zh) * 2019-08-23 2020-04-17 上海撬动网络科技有限公司 一种基于实例分割模型的集装箱检测方法
CN110837114B (zh) * 2019-10-16 2022-02-01 中国石油天然气股份有限公司 粗面质火山碎屑岩识别方法、装置及电子设备
CN111007064A (zh) * 2019-12-13 2020-04-14 常州大学 一种基于图像识别的录井岩性智能识别方法
CN111160158B (zh) * 2019-12-17 2022-03-22 山东大学 偏光显微镜下岩石图像智能识别系统及方法
CN111191741A (zh) * 2020-01-15 2020-05-22 中国地质调查局发展研究中心 一种岩石识别深度学习模型岩石分类约束继承性损失方法
CN111340784B (zh) * 2020-02-25 2023-06-23 安徽大学 一种基于Mask R-CNN图像篡改检测方法
CN111382676B (zh) * 2020-02-25 2023-12-22 南京大学 一种基于注意力机制的沙粒图像分类方法
CN111640125B (zh) * 2020-05-29 2022-11-18 广西大学 基于Mask R-CNN的航拍图建筑物检测和分割方法及装置
CN111652142A (zh) * 2020-06-03 2020-09-11 广东小天才科技有限公司 基于深度学习的题目分割方法、装置、设备和介质
CN112084660B (zh) * 2020-09-10 2022-05-31 西南石油大学 基于岩电解释模型对深层/超深层碳酸盐岩沉积微相精细划分的方法
CN112132200A (zh) * 2020-09-17 2020-12-25 山东大学 基于多维岩石图像深度学习的岩性识别方法及系统

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080192987A1 (en) * 2004-09-07 2008-08-14 Petro-Model Ehf Apparatus and Method For Analysis of Size, Form and Angularity and For Compositional Analysis of Mineral and Rock Particles
CN104181603A (zh) * 2014-07-24 2014-12-03 中国石油大学(华东) 碎屑岩沉积成岩综合相识别方法
CN104134069A (zh) * 2014-08-06 2014-11-05 南京大学 一种页岩显微薄片自动鉴别方法
CN105354600A (zh) * 2015-09-28 2016-02-24 南京大学 一种砂岩显微薄片的自动分类方法
US20200241168A1 (en) * 2017-11-29 2020-07-30 Landmark Graphics Corporation Geological sediment provenance analysis and display system
CN110095388A (zh) * 2019-04-18 2019-08-06 中国石油大学(北京) 碎屑岩颗粒结构的确定方法及装置
CN111220616A (zh) * 2020-01-21 2020-06-02 山东大学 基于长石特征的隧洞内碎屑岩抗风化能力判别系统与方法
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

Also Published As

Publication number Publication date
CN113435458A (zh) 2021-09-24
CN113537235A (zh) 2021-10-22
US20240054766A1 (en) 2024-02-15
CN113435460A (zh) 2021-09-24
JP2024508688A (ja) 2024-02-28
CN113435456A (zh) 2021-09-24
EP4290470A1 (en) 2023-12-13
WO2022166232A1 (zh) 2022-08-11
CN113435459A (zh) 2021-09-24

Similar Documents

Publication Publication Date Title
CN113435457A (zh) 基于图像的碎屑岩成分鉴定方法、装置、终端及介质
von Eynatten et al. Composition and discrimination of sandstones: a statistical evaluation of different analytical methods
CN108921166A (zh) 基于深度神经网络的医疗票据类文本检测识别方法及系统
CN110232419A (zh) 一种边坡岩石类别自动识别的方法
CN106228554B (zh) 基于多属性约简的模糊粗糙集煤粉尘图像分割方法
Muszynski et al. Particle shape estimates of uniform sands: visual and automated methods comparison
CN112150430A (zh) 一种利用岩石细观结构数字图像的数值分析方法
CN110873722A (zh) 一种岩心矿物组分鉴别方法
CN103400139A (zh) 一种混凝土裂缝特征信息的识别方法
CN111007064A (zh) 一种基于图像识别的录井岩性智能识别方法
Kozakiewicz Image analysis algorithm for detection and measurement of Martian sand grains
CN110987993A (zh) 一种原位有机质定量统计分析方法
CN112147680A (zh) 岩石内部微裂缝提取和刻画方法及系统
CN1252588C (zh) 高光谱遥感图像联合加权随机分类方法
CN113570652A (zh) 基于sem图像的砂岩储层矿物晶间孔的定量分析方法
CN108960480A (zh) 沉降预测方法及装置
CN111060922B (zh) 基于机载激光雷达点云空间分布特征的树木点云提取方法
CN111738978A (zh) 储层孔喉连通性的评价方法、装置、电子设备及存储介质
CN111008635A (zh) 一种基于ocr的多票据自动识别方法及识别系统
CN115640546A (zh) 一种图像与特征信息融合的岩性识别方法
CN114463324A (zh) 基于海森矩阵滤波的岩心图像裂缝识别方法
CN114757912A (zh) 基于图像融合的材料损伤检测方法、系统、终端及介质
CN113450371A (zh) 一种储层微裂缝识别方法、设备及存储介质
CN108027969A (zh) 识别图像中对象之间的间隙的方法和装置
Kuçak et al. Comparison of CSF Ground Filtering Method by Using Airborne LiDAR Data

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
CB03 Change of inventor or designer information

Inventor after: Yu Xiaolu

Inventor after: Zhou Shengyou

Inventor after: Hu Zongquan

Inventor after: Luo Bingfan

Inventor after: Tao Cheng

Inventor after: Zhang Yongdong

Inventor after: Shi Zheng

Inventor after: Tao Jinyu

Inventor before: Yu Xiaolu

Inventor before: Zhou Shengyou

Inventor before: Hu Zongquan

Inventor before: Luo Binfan

Inventor before: Tao Cheng

Inventor before: Zhang Yongdong

Inventor before: Shi Zheng

Inventor before: Tao Jinyu

CB03 Change of inventor or designer information