CN113435458A - 基于机器学习的岩石薄片图像分割方法、装置及介质 - Google Patents

基于机器学习的岩石薄片图像分割方法、装置及介质 Download PDF

Info

Publication number
CN113435458A
CN113435458A CN202110654275.7A CN202110654275A CN113435458A CN 113435458 A CN113435458 A CN 113435458A CN 202110654275 A CN202110654275 A CN 202110654275A CN 113435458 A CN113435458 A CN 113435458A
Authority
CN
China
Prior art keywords
image
segmentation
sheet
detected
sample
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
CN202110654275.7A
Other languages
English (en)
Inventor
余晓露
倪春华
翟常博
史政
马中良
周生友
张永东
罗宾繁
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 CN113435458A publication Critical patent/CN113435458A/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)
  • Computing Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (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)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)

Abstract

本申请关于一种基于机器学习的岩石薄片图像分割方法、装置及介质，涉及石油地质勘探领域，该方法包括：获取至少一张待测薄片图像；将待测薄片图像输入岩石薄片图像分割模型，输出得到与待测薄片图像对应的分割图像；基于分割图像生成与待测薄片图像对应的分割结果。在对于待测薄片图像进行鉴定的过程中，通过基于Mask‑RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准的，对于待测薄片图像进行分割的分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask‑RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。

Description

基于机器学习的岩石薄片图像分割方法、装置及介质
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，特别涉及一种基于机器学习的岩石薄片图像分割方法、装置及介质。
背景技术
在石油勘探开发的过程中，通常需要通过研究岩石微观结构的方式，对于石油储层的分布情况进行确定。而在研究岩石的微观结构时，通常方法是对岩石薄片进行获取，并通过对于岩石薄片的鉴定确定岩石的微观结构。
相关技术中，在从岩石样本上取下岩石薄片后，通常对岩石薄片进行摄影，得到岩石薄片图像，并借助计算机设备对于岩石薄片图像进行分析与分割，在一个示例中，在对于岩石薄片图像进行分割时，通常通过人工标注的方法，在计算机设备上输入划分指令，以对于不同的组分位置进行分割，并进而确定岩石的微观结构。
然而，由于岩石薄片的性质复杂，基于相关技术中的方法对于岩石薄片图像进行分割时，获得的分割结果的准确率较低。
发明内容
本申请关于一种基于机器学习的岩石薄片图像分割方法、装置及介质，能够提高对于岩石薄片图像进行分割时，获得的分割结果的准确率。该技术方案如下：
一方面，提供了一种基于机器学习的岩石薄片图像分割方法，该方法包括：
获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，待测薄片图像中包括至少两个表征组分区域的组分图像；
将待测薄片图像输入岩石薄片图像分割模型，输出得到与待测薄片图像对应的分割图像，岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，分割图像中包括至少两个分割区域，分割区域用于指示组分图像的分割情况；
基于分割图像生成与待测薄片图像对应的分割结果，分割结果包括与薄片样本对应的组分图像数量、与薄片样本对应的组分区域分布密度以及与薄片样本对应的组分区域大小中的至少一种。
另一方面，提供了一种基于机器学习的岩石薄片图像分割装置，该装置包括：
获取模块，用于获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，所以待测薄片图像中包括至少两个表征组分的组分图像；
输入模块，用于将待测薄片图像输入岩石薄片图像分割模型，输出得到与待测薄片图像对应的分割图像，岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，分割图像中包括至少两个分割区域，分割区域用于指示组分图像的分割情况；
生成模块，用于基于分割图像生成与待测薄片图像对应的分割结果，分割结果包括与薄片样本对应的组分数量、与薄片样本对应的组分分布密度以及与薄片样本对应的组分大小中的至少一种。
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机器学习的岩石薄片图像分割方法。
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机器学习的岩石薄片图像分割方法。
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上述实施例中任一所述的基于机器学习的基于机器学习的岩石薄片图像分割方法。
本申请提供的技术方案带来的有益效果至少包括：
在对于待测薄片图像进行鉴定的过程中，通过基于Mask-RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准的，对于待测薄片图像进行分割的分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask-RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。
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机器学习的岩石薄片图像分割方法的流程图；
图2为本申请一个示例性实施例提供的一种对于岩石薄片图像分割模型进行训练的流程图；
图3示出了本申请一个示例性实施例提供的一种岩石薄片图像分割模型的结构示意图；
图4示出了本申请一个示例性实施例提供的另一种基于机器学习的岩石薄片图像分割方法的流程图；
图5示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割方法的过程示意图；
图6示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割装置的示意图；
图7示出了本申请一个示例性实施例提供的另一种基于机器学习的岩石薄片图像分割装置的示意图；
图8示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割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，对本申请各个实施例中涉及的名词进行解释：
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。
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、式教学习等技术。
在本申请中，基于人工智能以及机器学习生成的岩石薄片图像分割模型将被应用于岩石薄片图像分割的过程中，以代替人工标注的方式，获取更为精准的岩石薄片图像分割结果。
图1示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割方法的流程图，以该方法应用于计算机设备当中为例进行说明，该方法包括：
步骤101，获取至少一张待测薄片图像。
本申请实施例中，计算机设备与图像采集设备连接。计算机设备可以向图像采集设备发送控制指令，控制图像采集设备向计算机设备反馈至少一张待测薄片图像。在本申请实施例中，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片。故对应地，图像采集设备为具有显微图像设置功能的照相机，该照相机用于对放置在工作面上的岩石薄片样本进行拍摄，在一个示例中，图像采集设备实现为偏光显微镜。
在本申请实施例中，待测薄片图像中包括至少两个表征组分区域的组分图像。在本申请中，组分即包括造岩组分，也即形成岩石的组分。可选地，组分包括碎屑组分、化学-生物组分、蒸发化学组分、有机质衍变组分、火山喷发组分、宇宙物质组分中的至少一种，而各个类型的组分可被进一步划分为更小层级的组分。在待测薄片样本上包括数个组分区域，每个组分区域内的组分相同。可选地，相邻两个组分区域内的组分相同，或，相邻两个组分区域内的组分不同。
步骤102，将待测薄片图像输入岩石薄片图像分割模型，输出得到与待测薄片图像对应的分割图像。
在本申请实施例中，岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型。Mask-RCNN模型是用于解决图像中的实例分割的问题的机器学习模型。在本申请实施例中，待测薄片图像即被输入该Mask-RCNN模型当中，并输出得到基于该待测薄片图像的分割结果，也即，对于该待测薄片图像中的各个组分区域的分割结果。可选地，经过岩石薄片图像分割模型的分割，待测薄片图像即被对应分割为分割图像，该分割图像中包括两个分割区域。可选地，分割区域即为根据组分区域进行划分的区域。
在本申请实施例中，对应待测薄片图像中包括至少两个表征组分的组分图像，岩石薄片图像分割模型中对应包括了至少两个分割区域。
步骤103，基于分割图像生成与待测薄片图像对应的分割结果。
在本申请实施例中，分割图像体现为，叠加有分割线条的待测薄片图像，该分割线条即将孔待测薄片图像中的内容分割为至少两个分割区域。在对于分割图像进行获取后，即可基于该分割图像生成分割结果。在本申请实施例中，分割结果可以以图表形式进行表现，或，分割结果可以以文字描述方式进行标识。本申请实施例对于分割结果的表现形式不作限定。
在本申请实施例中，分割结果包括与样本薄片对应的组分图像数量、与样本薄片对应的组分分布密度以及与样本薄片对应的组分大小中的至少一种。其中，组分图像数量即指示待测薄片图像中包括的组分区域的数量，该组分图像数量可以表征待测薄片图像中的组分致密程度；组分图像密度即指示待测薄片图像中包括的组分区域的密度，也即待测薄片图像中，单位面积内的组分数量，可以表征待测薄片图像中的组分分布情况；组分大小即指示待测薄片图像中某个特定组分区域的大小，用于从组分区域面积维度表征待测薄片图像的组分区域性质。通过上述表征内容，即可初步确定待测薄片样本中的组分分布情况，进而对于与待测薄片样本中对应的岩石样本的性质进行确定。
在本申请的一个实施例中，岩石样本为与碎屑岩对应的样本。组分区域也即在碎屑岩中会存在的碎屑颗粒。由于碎屑岩的结构较为简单，在对于碎屑岩进行鉴定的过程中，与碎屑岩的岩石样本对应的薄片样本中的组分区域的分布情况、大小、数量等因素可以对于碎屑岩的种类判定提供指导。
综上所述，本申请实施例提供的方法，在对于待测薄片图像进行鉴定的过程中，通过基于Mask-RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准，对于待测薄片图像进行分割得到分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask-RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。
本申请的部分实施例中还包括对于岩石薄片图像分割模型的训练情况。图2为本申请一个示例性实施例提供的一种对于岩石薄片图像分割模型进行训练的流程图。以该方法应用于计算机程序中为例进行说明，该方法包括：
步骤201，获取样本薄片图像，样本薄片图像标注有样本分割结果。
在本申请实施例中，由于岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，故该机器学习模型需要经过训练，以提高对于待测薄片图像的分割的准确率。
故对应该情况，计算机设备将会获取样本薄片图像，并经过样本薄片图像对于岩石薄片图像分割模型进行训练。
需要说明的是，样本薄片图像对应的岩石种类应与待测薄片图像的岩石种类相同。在一个申请实施例中，待测薄片图像为与碎屑岩对应的薄片图像，则样本薄片图像应同样为与碎屑岩对应的薄片图像。
在本申请实施例中，样本薄片图像对应有样本分割结果，该样本分割结果即指示对于样本薄片图像的分割情况。可选地，通过计算机设备中的分割情况标注软件，对于样本薄片图像的分割情况进行标注，得到样本分割结果。
在本申请实施例中，为保证数据集的完整性，样本薄片图像的数量需得到保证。在一个示例中，样本薄片图像的数量应大于50张。在一个示例中，样本薄片图像的数量为200张。
步骤202，将样本薄片图像输入岩石薄片图像分割模型，输出得到预测分割结果。
在确定由样本薄片图像确定的数据集后，将样本薄片图像输入岩石薄片图像分割模型中进行预测，以输出得到预测分割结果。预测分割结果为岩石薄片图像分割模型对于样本分割结果未知的状态下，对于样本薄片图像进行图像分割，所得到的结果。
步骤203，将预测分割结果与样本分割结果进行差异比较。
在本申请实施例中，当模型未经过训练，或模型经过训练但训练未完全完成时，预测分割结果与样本分割结果之间存在差异，该差异是由于岩石薄片图像分割模型中的参数调整未完成导致的。故在获取预测分割结果后，需要将样本分割结果与预测分割结果进行比较，以确定二者的差异程度，进而确定岩石薄片图像分割模型的训练完善程度。
步骤204，基于差异比较的比较结果，对岩石薄片图像分割模型进行调整。
差异比较对应有比较结果，可选地，差异比较结果体现为预测分割结果与样本分割结果的相似度比值；或，差异比较结果体现为预测分割结果与样本分割图像的差异面积。
当步骤204执行完毕时，即根据差异情况以及模型的训练次数情况，确定岩石薄片图像分割模型的训练是否完成。若岩石薄片图像分割模型的训练未完成，则通过继续将样本薄片图像输入岩石薄片图像分割模型，并输出得到预测分割结果，比较差异的方法，继续执行模型的训练过程。
步骤205，响应于比较结果指示预测分割结果与样本分割结果的差异小于差异阈值时，确定岩石薄片图像分割模型的训练完成。
步骤206，响应于岩石薄片图像分割模型在一个训练周期中的样本薄片图像输入次数达到输入次数阈值时，确定岩石薄片图像分割模型的训练完成。
在本申请实施例中，模型停止执行训练过程的条件如步骤205以及步骤206中所示。在本申请的一个示例中，以预测分割结果与样本分割结果之间的差异度指示岩石薄片图像分割模型的训练是否完成。可选地，通过确定二者相似度的方式，确定岩石薄片图像分割模型的训练是否完成；或，可选地，通过确定模型的训练次数的方式，确定岩石薄片图像分割模型的训练是否完成。
需要说明的是，本申请中所涉及的，包括“输入次数阈值”在内的所有阈值，实现为计算机设备程序当中的数值。该阈值可以实现为在计算机设备执行相应步骤时，通过人工输入方式临时确定的数值，也可以实现为在计算机设备的存储器中预存的阈值。本申请对于阈值的实现方式不做限定。
在本申请中，当岩石薄片图像分割模型的训练完成后，即可通过训练完成的岩石薄片图像分割模型，对于待测薄片图像进行进一步检测。本申请实施例提供的模型训练方法，通过建立数据集，并通过数据集对于模型进行训练的方法，提升了岩石薄片图像分割模型的精度，进而提高了分割结果的准确率。
在本申请的一些实施例中，岩石图像分割模型中具有特征图像生成网络、区域建议网络以及结果生成网络，以适配由待测薄片图像的输入到分割图像的输出的过程。图3示出了本申请一个示例性实施例提供的一种岩石薄片图像分割模型的结构示意图。请参考图3，该岩石薄片图像分割模型300中包括特征图像生成网络301、区域建议网络302以及结果生成网络303。上述三个子网络在岩石薄片图像分割模型中相互连接。其中，特征图像生成网络301中包括特征提取子网络3011以及特征强化子网络3012，结果生成网络303中包括区域分类分支网络3031以及边框回归分支网络3032。
基于上述图3所示的岩石薄片图像分割模型300，图4示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割方法的流程图，以该方法应用于计算机设备中为例进行说明，该方法包括：
步骤401，获取至少一张待测薄片图像。
如步骤101中所述，待测薄片图像的数量为至少一张。在本申请实施例中，待测薄片图像的数量为两张。两张待测薄片图像分别为与待测薄片对应的单偏光图像与正交偏光图像。在单偏光与正交偏光下，待测薄片图像中的组分区域将会表现为不同的组分图像。
需要说明的是，本申请实施例中，待测薄片图像为与碎屑岩对应的待测薄片图像。两张待测薄片图像分别为与该碎屑岩的待测薄片样本对应的单偏光图像以及正交偏光图像。
步骤402，将待测薄片图像输入特征提取子网络，输出得到表层特征图像。
在本申请实施例中，将两张待测薄片图像共同输入基于机器学习的Mask-RCNN网络模型中后，待测薄片图像将会被首先输入特征提取子网络，在特征提取子网络中，两张待测薄片图像的图像特征将会被初步提取，以得到表层特征图像。在本申请实施例中，表层特征图像可以体现为具有多个层级的特征图的集合。
在本申请实施例中，岩石图像分割模型为经过如图2所示的实施例的训练过程之后，可以直接使用的岩石图像分割模型。
步骤403，将表层特征图像输入特征强化子网络，输出得到特征图像。
在本申请实施例中，特征强化子网络可以实现为特征金字塔网络，该特征金字塔网络用于提高特征融合的准确性。将表层特征图像输入特征强化子网络后，即可得到特征增强后的特征图像。
步骤404，将特征图像输入区域建议网络，输出得到与待测薄片的初步分割特征图像。
在本申请实施例中，区域建议网络用于对于分割的区域进行初步确定，也即，区域建议网络用于基于特征图像确定待测薄片图像中可能被划分出组分区域的部分。
步骤405，确定第一插值方向以及第二插值方向。
在本申请实施例中，在通过区域建议网络确定初步分割特征图像后，对应初步分割特征图像中提取到的特征向量，选取其中的两个向量方向作为插值方向。
步骤406，按第一插值方向以及第二插值方向对初步分割特征图像进行边界细化处理。
可选地，在如步骤405所述的插值方向确定过程之后，通过双线性插值的方式，对于初步分割特征图像进行边界细化处理，以排除像素点偏移的干扰。
步骤407，将初步分割特征图像输入区域分类分支网络中，通过区域分类分支网络对于初步分割特征图像进行性质分类，并通过边框回归分支网络对初步分割特征图像进行边界修正，输出得到分割图像。
在本申请实施例中，岩石薄片图像分割模型中包括结果生成网络。该结果生成网络中与进行初步分割特征图像的性质分类以及边界修正，以在输出的分割图像上对于分割区域进行精确显示。在该过程中，初步分割特征图像的性质分类由区域分类分支网络执行，初步分割特征图像的便捷修正由边框回归分支网络执行。
在本申请实施例中，该分割图像即为岩石薄片图像分割模型的输出。
步骤408，基于分割图像生成与待测薄片图像对应的分割结果。
在本申请实施例中，如步骤103中，基于分割图像中的组分区域的表征，即可确定与待测薄片图像对应的分割结果。分割结果包括与薄片样本对应的组分图像数量、与薄片样本对应的组分区域分布密度以及与薄片样本对应的组分区域大小中的至少一种，在此不作展开说明。
综上所述，本申请实施例提供的方法，在对于待测薄片图像进行鉴定的过程中，通过基于Mask-RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准的，对于待测薄片图像进行分割的分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask-RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。
本申请实施例提供的方法，对于岩石图像分割模型中的各个子模型进行了细化，在进行子模型的细化后，使待测薄片图像在输入岩石薄片图像分割模型后逐步得到经过特征强化且突出后的分割图像，进一步提高了分割的准确率。
图5示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像分割方法的过程示意图，该过程包括：
步骤501，获取碎屑岩薄片显微图像，图像特征要求统一，每一组碎屑岩薄片显微图像应含同一视域对应的单偏光、正交偏光图像各一张，图像数据特征需涵盖碎屑岩不同的结构特征和组分特征。
该过程即为对应岩石分割图像模型的训练情况，进行样本薄片图像的获取过程。
在本申请实施例中，样本薄片图像通过显微镜，在对应至少5倍物镜，位于黄光源或白光源的光源环境的情况下进行拍摄。
在本申请实施例中，样本薄片图像为对应待测薄片样本中的干净区域进行拍摄得到的图像。
在本申请实施例中，从碎屑颗粒类型的覆盖、碎屑颗粒的大小、碎屑颗粒具体形态、相邻碎屑颗粒之间的接触关系、填隙物的种类、填隙物的含量、碎屑颗粒与填隙物之间的胶结方式中的至少两个维度进行样本集的选取与生成。在一个示例中，基于颗粒类型的覆盖以及填隙物的种类维度进行样本集的选取，共计选取200张样本薄片图像。
步骤502，制作碎屑岩薄片显微图像像素级实例分割数据集，通过特制的图像标注软件，在碎屑岩薄片显微图像中绘制不同种类的颗粒和填隙物轮廓，并制定标注规则进行统一标注。
在本申请实施例中，通过计算机设备中给的软件对于样本进行标注。
在标注过程中，应基于如下标注规则进行标注：
标注规则之一，针对某一张碎屑岩薄片图像进行标注操作时，应使用多边形尽可能准确的勾勒出颗粒的轮廓，并使每一个颗粒轮廓形成闭合；
标注规则之二，针对某一张碎屑岩薄片图像进行标注操作时，应一次性标注出该图像中所有的颗粒；
标注规则之三，针对某一张碎屑岩薄片图像进行标注操作时，针对颗粒的命名应完全相同，例如统一标注为“颗粒”；
标注规则之四，针对某一张碎屑岩薄片图像进行标注操作时，可以同样的方法标注出图像中所有的填隙物，也可在图像中只标注出颗粒，再通过后续处理，将图像分割为颗粒和填隙物两个部分，从而将颗粒分割问题转化为一个二分类问题，为节省时间，本项目采用的是第二种方式；
标注规则之五，鉴于碎屑岩薄片单偏光图像和正交偏光图像的特征，统一对每一组图像中的单偏光图像进行标注；
标注规则之六，鉴于碎屑岩薄片单偏光图像和正交偏光图像的特征，在单偏光图像上进行标注时，应实时对照正交偏光图像，以增加标注的准确性；
标注规则之七，数量应至少大于150张，以保证数据集的完备性。
步骤503，先通过图层映射，将单偏光图像标注数据映射到正交偏光图像，使数据集扩充一倍，再通过数据清洗和数据增强之后，获得最终的碎屑岩薄片显微图像实例分割数据集，并划分数据集。
该过程即为对样本薄片图像进行变换，以扩充与样本薄片图像对应的数据集的过程。在该过程中，通过图层映射、数据清洗、数据增强以及数据集划分的组合，进行对应的数据集的扩充。
步骤504，使用碎屑岩薄片显微图像实例分割数据集，训练预设的Mask-RCNN模型，得到碎屑岩薄片显微图像分割模型。
该过程即为岩石薄片分割模型的生成以及训练过程。
在该过程中，首先选择神经网络骨干模型，并设置神经网络超参数，以建立对应岩石薄片分割模型的底层架构。在一个示例中，该网络为Resnet网络。
其次，基于神经网络，将样本薄片图像输入该网络当中，进行特征图像的神成，以及特征图像层级的确定，以提高特征融合的准确性。
之后，通过生成检测框，并对应生成区域建议网络的方式，确定与样本薄片图像对应的初步分割特征图像。初步分割图像的大小对应检测框的尺寸。
基于上述初步分割特征图像、检测框等参数，结合中间层、窗口结构、窗口坐标等参数，将形成区域建议网络。在通过该区域建立网络后，通过结果生成网络，进行对于分割图像中的区域的边界坐标修正以及分割结果的计算验证。
在上述过程中各个子网络以及整体模型的参数设置完成后，即可建立岩石图像分割模型。
此时，即可通过岩石图像分割模型对待测薄片图像进行图像分割。
步骤505，针对砂岩薄片图像分割任务，通过多次实验，设计并修改训练过程的超参数。
该过程即对应通过样本集，对于岩石图像分割模型的训练过程。在一个示例中，基于训练轮数对于图像分割任务进行确定，训练轮数为至少50轮；在另一个示例中，基于感兴趣区域设定对于训练结果的确定；在另一个示例，通过对于待检测的样本数量的设定对于训练结果进行确定。
综上所述，本申请实施例提供的方法，在对于待测薄片图像进行鉴定的过程中，通过基于Mask-RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准的，对于待测薄片图像进行分割的分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask-RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。
图6示出了本申请一个示例性实施例提供的一种基于机器学习的岩石薄片图像的分割装置的示意图。该装置包括：
获取模块601，用于获取至少一张待测薄片图像，待测薄片图像为对待测薄片样本进行拍摄得到的图像，薄片样本为对岩石样本进行切割得到的薄片，待测薄片图像中包括至少两个表征组分区域的组分图像；
输入模块602，用于将待测薄片图像输入岩石薄片图像分割模型，输出得到与待测薄片图像对应的分割图像，岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，分割图像中包括至少两个分割区域，分割区域用于指示组分图像的分割情况；
生成模块603，用于基于分割图像生成与待测薄片图像对应的分割结果，分割结果包括与薄片样本对应的组分图像数量、与薄片样本对应的组分区域分布密度以及与薄片样本对应的组分区域大小中的至少一种。
在一个可选的实施例中，岩石图像分割模型包括特征图像生成网络、区域建议网络以及结果生成网络；
输入模块602，还用于将待测薄片图像输入特征图像生成网络，输出得到与待测薄片图像对应的特征图像；
将特征图像输入区域建议网络，输出得到与待测薄片图像对应的初步分割特征图像；
将初步分割特征图像输入结果生成网络，输出得到分割图像。
在一个可选的实施例中，结果生成网络中包括区域分类分支网络以及边框回归分支网络；
输入模块602，还用于将初步分割特征图像输入区域分类分支网络中，通过区域分类分支网络对于初步分割特征图像进行性质分类，并通过边框回归分支网络对初步分割特征图像进行边界修正，输出得到分割图像。
在一个可选的实施例中，特征图像生成网络中包括依次连接的特征提取子网络以及特征强化子网络；
输入模块602，还用于将待测薄片图像输入特征提取子网络，输出得到表层特征图像；
将表层特征图像输入特征强化子网络，输出得到特征图像。
在一个可选的实施例中，将特征图像输入区域建议网络，输出得到与待测薄片的初步分割特征图像之后，请参考图7，该装置，还包括确定模块604，确定第一插值方向以及第二插值方向；
处理模块605，用于按第一插值方向以及第二插值方向对初步分割特征图像进行边界细化处理。
在一个可选的实施例中，获取模块601，用于获取样本薄片图像，样本薄片图像标注有样本分割结果；
输入模块602，还用于将样本薄片图像输入岩石薄片图像分割模型，输出得到预测分割结果；
该装置，还包括比较模块606，用于将预测分割结果与样本分割结果进行差异比较；
调整模块607，用于基于差异比较的比较结果，对岩石薄片图像分割模型进行调整。
在一个可选的实施例中，将预测分割结果与样本分割结果进行差异比较之后，
确定模块604，还用于响应于比较结果指示预测分割结果与样本分割结果的差异小于差异阈值时，确定岩石薄片图像分割模型的训练完成；
或，
响应于岩石薄片图像分割模型在一个训练周期中的样本薄片图像输入次数达到输入次数阈值时，确定岩石薄片图像分割模型的训练完成。
在一个可选的实施例中，分割区域对应有识别数值；
确定模块604，还用于根据分割区域对应的识别数值，确定分割区域的与组分区域的匹配程度；
生成模块603，还用于基于匹配程度以及分割图像，生成与待测薄片图像对应的分割结果。
在一个可选的实施例中，待测薄片图像的数量为两张，待测薄片图像包括与待测薄片对应的单偏光图像以及与待测薄片对应的正偏光图像。
综上所述，本申请实施例提供的装置，在对于待测薄片图像进行鉴定的过程中，通过基于Mask-RCNN网络的岩石薄片图像分割模型，对于待测薄片图像进行分割，以分割图像的形式以组分图像为基准的，对于待测薄片图像进行分割的分割结果。在应用计算机中的图像分割方式代替人工分割方式的基础上，引入了用于图像处理的基于机器学习的Mask-RCNN网络模型，对待测薄片图像中的组分区域提供了更好的划分指导，提高了分割结果的准确率。
需要说明的是：上述实施例提供的基于机器学习的岩石薄片图像的分割装置，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8示出了本申请一个示例性实施例提供的一种执行碎屑岩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801包括一个或者一个以上处理核心，处理器801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802和发射器803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803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802可以用于接收对应的反馈指令。
存储器804通过总线805与处理器801相连。
存储器804可用于存储至少一个指令，处理器801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频域资源的划分方法。
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机器学习的岩石薄片图像分割方法。
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 (12)

1.一种基于机器学习的岩石薄片图像分割方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：
获取至少一张待测薄片图像，所述待测薄片图像为对待测薄片样本进行拍摄得到的图像，所述薄片样本为对岩石样本进行切割得到的薄片，所述待测薄片图像中包括至少两个表征组分区域的组分图像；
将所述待测薄片图像输入岩石薄片图像分割模型，输出得到与所述待测薄片图像对应的分割图像，所述岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，所述分割图像中包括至少两个分割区域，所述分割区域用于指示所述组分图像的分割情况；
基于所述分割图像生成与所述待测薄片图像对应的分割结果，所述分割结果包括与所述薄片样本对应的组分图像数量、与所述薄片样本对应的组分区域分布密度以及与所述薄片样本对应的组分区域大小中的至少一种。
2.根据权利要求1所述的方法，其特征在于，所述岩石薄片图像分割模型包括特征图像生成网络、区域建议网络以及结果生成网络；
所述将所述待测薄片图像输入岩石薄片图像分割模型，输出得到与所述待测薄片图像对应的分割图像，包括：
将所述待测薄片图像输入所述特征图像生成网络，输出得到与所述待测薄片图像对应的特征图像；
将所述特征图像输入所述区域建议网络，输出得到与所述待测薄片图像对应的初步分割特征图像；
将所述初步分割特征图像输入所述结果生成网络，输出得到所述分割图像。
3.根据权利要求2所述的方法，其特征在于，所述结果生成网络中包括区域分类分支网络以及边框回归分支网络；
所述将所述初步分割特征图像输入所述结果生成网络，输出得到所述分割图像，包括：
将所述初步分割特征图像输入所述区域分类分支网络中，通过所述区域分类分支网络对于所述初步分割特征图像进行性质分类，并通过所述边框回归分支网络对所述初步分割特征图像进行边界修正，输出得到所述分割图像。
4.根据权利要求2所述的方法，其特征在于，所述特征图像生成网络中包括依次连接的特征提取子网络以及特征强化子网络；
所述将所述待测薄片图像输入所述特征图像生成网络，输出得到与所述待测薄片图像对应的特征图像，包括：
将所述待测薄片图像输入所述特征提取子网络，输出得到表层特征图像；
将所述表层特征图像输入所述特征强化子网络，输出得到所述特征图像。
5.根据权利要求2所述的方法，其特征在于，所述将所述特征图像输入所述区域建议网络，输出得到与所述待测薄片的初步分割特征图像之后，还包括：
确定第一插值方向以及第二插值方向；
按所述第一插值方向以及所述第二插值方向对所述初步分割特征图像进行边界细化处理。
6.根据权利要求1至5任一所述的方法，其特征在于，所述方法，还包括：
获取样本薄片图像，所述样本薄片图像标注有样本分割结果；
将所述样本薄片图像输入所述岩石薄片图像分割模型，输出得到预测分割结果；
将所述预测分割结果与所述样本分割结果进行差异比较；
基于所述差异比较的比较结果，对所述岩石薄片图像分割模型进行调整。
7.根据权利要求6所述的方法，其特征在于，所述将所述预测分割结果与所述样本分割结果进行差异比较之后，还包括：
响应于所述比较结果指示所述预测分割结果与所述样本分割结果的差异小于差异阈值时，确定所述岩石薄片图像分割模型的训练完成；
或，
响应于所述岩石薄片图像分割模型在一个训练周期中的所述样本薄片图像输入次数达到输入次数阈值时，确定所述岩石薄片图像分割模型的训练完成。
8.根据权利要求1至5任一所述的方法，其特征在于，所述分割区域对应有识别数值；
所述基于所述分割图像生成与所述待测薄片图像对应的分割结果，包括：
根据所述分割区域对应的所述识别数值，确定所述分割区域的与所述组分区域的匹配程度；
基于所述匹配程度以及所述分割图像，生成与所述待测薄片图像对应的所述分割结果。
9.根据权利要求1至5任一所述的方法，其特征在于，所述待测薄片图像的数量为两张，所述待测薄片图像包括与所述待测薄片对应的单偏光图像以及与所述待测薄片对应的正交偏光图像。
10.一种基于机器学习的岩石薄片图像分割装置，其特征在于，所述装置包括：
获取模块，用于获取至少一张待测薄片图像，所述待测薄片图像为对待测薄片样本进行拍摄得到的图像，所述薄片样本为对岩石样本进行切割得到的薄片，所以待测薄片图像中包括至少两个表征组分的组分图像；
输入模块，用于将所述待测薄片图像输入岩石薄片图像分割模型，输出得到与所述待测薄片图像对应的分割图像，所述岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型，所述分割图像中包括至少两个分割区域，所述分割区域用于指示所述组分图像的分割情况；
生成模块，用于基于所述分割图像生成与所述待测薄片图像对应的分割结果，所述分割结果包括与所述薄片样本对应的组分数量、与所述薄片样本对应的组分分布密度以及与所述薄片样本对应的组分大小中的至少一种。
11.一种计算机设备，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9任一所述的基于机器学习的岩石薄片图像分割方法。
12.一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9任一所述的基于机器学习的岩石薄片图像分割方法。
CN202110654275.7A 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 Pending CN113435458A (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
CN113435458A true CN113435458A (zh) 2021-09-24

Family

ID=77755662

Family Applications (6)

Application Number Title Priority Date Filing Date
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
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
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
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
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
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

Family Applications Before (4)

Application Number Title Priority Date Filing Date
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
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
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
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 (1)

Application Number Title Priority Date Filing Date
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

Country Status (5)

Country Link
US (1) US20240054766A1 (zh)
EP (1) EP4290470A1 (zh)
JP (1) JP2024508688A (zh)
CN (6) CN113435459A (zh)
WO (1) WO2022166232A1 (zh)

Cited By (1)

* 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

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20180211393A1 (en) * 2017-01-24 2018-07-26 Beihang University Image guided video semantic object segmentation method and apparatus
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
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
CN109741358A (zh) * 2018-12-29 2019-05-10 北京工业大学 基于自适应超图学习的超像素分割方法
CN109949317A (zh) * 2019-03-06 2019-06-28 东南大学 基于逐步对抗学习的半监督图像实例分割方法
WO2019196099A1 (zh) * 2018-04-09 2019-10-17 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
CN110443862A (zh) * 2019-06-28 2019-11-12 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
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
CN111340784A (zh) * 2020-02-25 2020-06-26 安徽大学 一种基于Mask R-CNN图像篡改检测方法
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
CN111640125A (zh) * 2020-05-29 2020-09-08 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

Family Cites Families (30)

* 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
WO2006027802A1 (en) * 2004-09-07 2006-03-16 Petromodel Ehf Apparatus and method for analysis of size, form and angularity and for compositional analysis of mineral and rock particles
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
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
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
CN104134069B (zh) * 2014-08-06 2017-09-26 南京大学 一种页岩显微薄片自动鉴别方法
CN105354600B (zh) * 2015-09-28 2018-10-23 南京大学 一种砂岩显微薄片的自动分类方法
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
CA3078983C (en) * 2017-11-29 2022-05-31 Landmark Graphics Corporation Geological sediment provenance analysis and display system
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
US11010883B2 (en) * 2018-04-17 2021-05-18 Saudi Arabian Oil Company Automated analysis of petrographic thin section images using advanced machine learning techniques
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
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
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
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
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
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
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
CN111220616B (zh) * 2020-01-21 2021-06-01 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
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
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 (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
US20180211393A1 (en) * 2017-01-24 2018-07-26 Beihang University Image guided video semantic object segmentation method and apparatus
WO2019196099A1 (zh) * 2018-04-09 2019-10-17 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
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
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
CN109741358A (zh) * 2018-12-29 2019-05-10 北京工业大学 基于自适应超图学习的超像素分割方法
CN109949317A (zh) * 2019-03-06 2019-06-28 东南大学 基于逐步对抗学习的半监督图像实例分割方法
CN110443862A (zh) * 2019-06-28 2019-11-12 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
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
CN111340784A (zh) * 2020-02-25 2020-06-26 安徽大学 一种基于Mask R-CNN图像篡改检测方法
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
CN111640125A (zh) * 2020-05-29 2020-09-08 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

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
冉清;冯结青;: "人体前景的自动抠图算法", 计算机辅助设计与图形学学报, no. 02, 15 February 2020 (2020-02-15) *
张凯中;朱伟兴;: "基于改进Mask RCNN的俯视群养猪图像的分割", 软件, no. 03, 15 March 2020 (2020-03-15) *

Cited By (1)

* 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

Also Published As

Publication number Publication date
CN113435456A (zh) 2021-09-24
CN113537235A (zh) 2021-10-22
US20240054766A1 (en) 2024-02-15
EP4290470A1 (en) 2023-12-13
CN113435457A (zh) 2021-09-24
CN113435460A (zh) 2021-09-24
CN113435459A (zh) 2021-09-24
JP2024508688A (ja) 2024-02-28
WO2022166232A1 (zh) 2022-08-11

Similar Documents

Publication Publication Date Title
Kovacs et al. Shading annotations in the wild
CN111461212B (zh) 一种用于点云目标检测模型的压缩方法
CN111445488B (zh) 一种弱监督学习自动识别和分割盐体的方法
CN110874841A (zh) 参照边缘图像的客体检测方法及装置
US20180204088A1 (en) Method for salient object segmentation of image by aggregating multi-linear exemplar regressors
CN105574513A (zh) 文字检测方法和装置
US10595006B2 (en) Method, system and medium for improving the quality of 2D-to-3D automatic image conversion using machine learning techniques
CN113435458A (zh) 基于机器学习的岩石薄片图像分割方法、装置及介质
CN109284779A (zh) 基于深度全卷积网络的物体检测方法
EP3617938A1 (en) Lane line processing method and device
CN108961358B (zh) 一种获得样本图片的方法、装置及电子设备
CN111951154B (zh) 包含背景和介质的图片的生成方法及装置
CN112257665A (zh) 图像内容的识别方法、图像识别模型的训练方法及介质
Akhtar et al. Attack to fool and explain deep networks
Tsai et al. Comprehensive, quantitative crack detection algorithm performance evaluation system
CN110599453A (zh) 一种基于图像融合的面板缺陷检测方法、装置及设备终端
KR20220114320A (ko) 약지도 학습 기반 시멘틱 영상 분할 학습 데이터 생성 장치 및 방법
CN111862040A (zh) 人像图片质量评价方法、装置、设备及存储介质
CN114330234A (zh) 版面结构分析方法、装置、电子设备和存储介质
Lukac et al. Machine learning based adaptive contour detection using algorithm selection and image splitting
KR102265678B1 (ko) 이미지 파일의 바운딩 박스 작업의 난이도를 예측하는 방법 및 이를 수행하는 컴퓨터 장치
CN114140551A (zh) 一种基于轨迹图像的高速道路分歧合流点推测方法及系统
Ruiz-Sarmiento et al. mVision, a toolbox for computer vision courses
Pavaskar et al. COLORIZATION OF GRAYSCALE IMAGES USING DEEP LEARNING
Ouwerkerk Habitat mapping from high-resolution UAV orthomosaics using convolutional neural networks

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: Ni Chunhua

Inventor after: Zhai Changbo

Inventor after: Shi Zheng

Inventor after: Ma Zhongliang

Inventor after: Zhou Shengyou

Inventor after: Zhang Yongdong

Inventor after: Luo Bingfan

Inventor before: Yu Xiaolu

Inventor before: Ni Chunhua

Inventor before: Zhai Changbo

Inventor before: Shi Zheng

Inventor before: Ma Zhongliang

Inventor before: Zhou Shengyou

Inventor before: Zhang Yongdong

Inventor before: Luo Binfan

CB03 Change of inventor or designer information