CN113435459A - 基于机器学习的岩石组分识别方法、装置、设备及介质 - Google Patents
基于机器学习的岩石组分识别方法、装置、设备及介质 Download PDFInfo
- Publication number
- CN113435459A CN113435459A CN202110654942.1A CN202110654942A CN113435459A CN 113435459 A CN113435459 A CN 113435459A CN 202110654942 A CN202110654942 A CN 202110654942A CN 113435459 A CN113435459 A CN 113435459A
- Authority
- CN
- China
- Prior art keywords
- component
- image
- sample
- rock
- type
- 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
- 239000011435 rock Substances 0.000 title claims abstract description 189
- 238000000034 method Methods 0.000 title claims abstract description 83
- 238000010801 machine learning Methods 0.000 title claims abstract description 53
- 239000002245 particle Substances 0.000 claims abstract description 69
- 238000012545 processing Methods 0.000 claims description 35
- 238000012549 training Methods 0.000 claims description 29
- 230000010287 polarization Effects 0.000 claims description 28
- 239000013618 particulate matter Substances 0.000 claims description 19
- 238000003062 neural network model Methods 0.000 claims description 17
- 239000004568 cement Substances 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 13
- 239000000470 constituent Substances 0.000 claims description 12
- 239000000945 filler Substances 0.000 claims description 7
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000005520 cutting process Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 230000004044 response Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 abstract description 9
- 239000003208 petroleum Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 29
- 238000005516 engineering process Methods 0.000 description 14
- 238000013473 artificial intelligence Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 239000010453 quartz Substances 0.000 description 7
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 238000000638 solvent extraction Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000013135 deep learning Methods 0.000 description 4
- 239000010433 feldspar Substances 0.000 description 4
- 229910052500 inorganic mineral Inorganic materials 0.000 description 4
- 238000002372 labelling Methods 0.000 description 4
- 239000011707 mineral Substances 0.000 description 4
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 3
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 3
- QAOWNCQODCNURD-UHFFFAOYSA-L Sulfate Chemical compound [O-]S([O-])(=O)=O QAOWNCQODCNURD-UHFFFAOYSA-L 0.000 description 2
- 229910021536 Zeolite Inorganic materials 0.000 description 2
- 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 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002734 clay mineral Substances 0.000 description 2
- HNPSIPDUKPIQMN-UHFFFAOYSA-N dioxosilane;oxo(oxoalumanyloxy)alumane Chemical compound O=[Si]=O.O=[Al]O[Al]=O HNPSIPDUKPIQMN-UHFFFAOYSA-N 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 229910052655 plagioclase feldspar Inorganic materials 0.000 description 2
- 239000010457 zeolite Substances 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- JJWKPURADFRFRB-UHFFFAOYSA-N carbonyl sulfide Chemical compound O=C=S JJWKPURADFRFRB-UHFFFAOYSA-N 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 239000005416 organic matter Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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)
- 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组分识别方法、装置、设备及介质，涉及石油地质勘探领域。该方法包括：获取至少一张组分图像；将组分图像输入组分种类识别模型，输出得到组分图像的组分类型特征，组分类型特征用于对组分的性质进行表征；基于组分类型特征从组分类型对应关系中确定组分的类型。对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
Description
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CN 202110182027.7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组分识别方法、装置、设备及介质。
背景技术
在石油开发的过程中，通常需要通过研究岩石的微观结构的方式，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，通常对于岩石薄片进行获取，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，通常采用偏光显微镜对岩石薄片进行成像和观察，并在岩石薄片显微成像的基础上，通过人工识别的方式对于组分的种类进行确定，以确定岩石的微观结构和组成。
然而，由于人工识别方式的过程中存在多种不可控的影响因素，相关技术中对于岩石薄片中组分的识别效率较低。
发明内容
本申请关于一种基于机器学习的岩石组分识别方法、装置、设备及介质，能够提高对于岩石薄片中组分的识别效率。该技术方案如下：
一方面，提供了一种基于机器学习的岩石组分识别方法，该方法包括：
获取至少一张组分图像，组分图像为对于一个组分颗粒进行拍摄得到的图像，组分为岩石样本内的组分；
将组分图像输入组分种类识别模型，输出得到组分图像的组分类型特征，组分类型特征用于对组分的性质进行表征，组分种类识别模型为基于机器学习的深度神经网络模型；
基于组分类型特征从组分类型对应关系中确定组分的类型。
另一方面，提供了一种基于机器学习的岩石组分识别装置，该装置包括：
获取模块，用于获取至少一张组分图像，组分图像为对于一个组分颗粒进行拍摄得到的图像，组分为岩石样本内的组分；
输入模块，用于将组分图像输入组分种类识别模型，输出得到组分图像的组分类型特征，组分类型特征用于对组分的性质进行表征，组分种类识别模型为基于机器学习的深度神经网络模型；
确定模块，用于基于组分类型特征从组分类型对应关系中确定组分的类型。
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组分识别法。
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组分识别方法。
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岩石组分识别方法。
本申请提供的技术方案带来的有益效果至少包括：
对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
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机器学习的岩石组分识别方法的流程图；
图2示出了本申请一个示例性实施例提供的一种组分种类识别模型的训练集制作及训练方法；
图3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组分识别方法的流程图；
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组分识别方法的过程示意图；
图5示出了本申请一个示例性实施例提供的一种基于机器学习的岩石组分识别装置示意图
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组分识别装置示意图；
图7示出了本申请一个示例性实施例提供的一种基于机器学习的岩石组分识别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。
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。
相关技术中，在岩石鉴定领域，通常基于人工经验，通过人工识别方法对于岩石图像中的组分进行识别，并确定岩石种类。而本申请提出了一种基于机器学习的岩石组分识别方法，基于人工智能以及机器学习，通过计算机设备对于岩石图像进行分析以及识别，在对于岩石组分进行识别的过程中，提高了对于岩石组分识别的效率以及准确率。
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组分识别方法的流程图，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101，获取至少一张组分图像，组分图像为对于一个组分颗粒进行拍摄得到的图像，组分为岩石样本内的组分。
在本申请的一个示例中，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岩石薄片图像。在本申请实施例中，岩石薄片图像为对岩石薄片进行拍摄得到的图像，岩石薄片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样本进行拍摄。
在本申请实施例中，一个组分图像中包括了一个组分颗粒。由于组分图像是从岩石薄片图像中获取的一部分图像，故组分图像中的内容与岩石中的组分内容相对应，故，组分包括造岩组分，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。
可选地，在本申请实施例中，岩石薄片样本为砂岩岩石薄片样本，此时，组分图像中指示的组分即与砂岩的组分相对应。砂岩组分可被分为碎屑和填隙物。在此基础上，碎屑组分可被分为石英碎屑、长石碎屑、岩屑碎屑、其他矿物碎屑以及蚀变碎屑；石英碎屑中还包括燧石碎屑；长石碎屑中还包括斜长石碎屑和钾长石碎屑；岩屑碎屑中还包括沉积岩岩屑、火成岩岩屑、变质岩岩屑、火山碎屑岩岩屑、复晶石英碎屑共计五个子类。当岩石薄片样本为砂岩岩石薄片样本，即计算机设备用于通过本申请实施例对于组分图像进行识别时，组分的内容将被细分至与沉积岩岩屑等组分相同的层级。
步骤102，将组分图像输入组分种类识别模型，输出得到组分图像的组分类型特征，组分类型特征用于对组分的性质进行表征，组分种类识别模型为基于机器学习的深度神经网络模型。
在本申请实施例中，组分种类识别模型为基于机器学习的深度神经网络模型。该深度学习网络模型基于样本数据集进行训练，并对应得到相关模型参数。在获取相关模型参数的基础上，即可建立组分种类识别模型。在本申请实施例中，对于组分种类识别模型具体应用的神经网络不作限定。在本申请实施例中，可选用的神经网络包括Mobilenet神经网络，Resnet神经网络，VGG(Visual Geometry Group Network)神经网络中的至少一种。
在本申请实施例中，组分类型特征表征为数值形式，在一个示例中，当对于组分类别进行识别时，计算机设备内存储有与不同组分相对应的特征值。在将组分图像输入组分种类识别模型后，组分种类识别模型的输出值即为与该特征值对应的数值，该数值用于对组分的特征进行表征。
需要说明的是，本申请关注的是对于组分图像中的单个组分的识别，故当组分图像中对应至少两个组分颗粒时，组分种类识别模型会将上述两个组分颗粒进行统一识别，或，组分种类识别模型会在上述两个组分颗粒中选取与任一组分颗粒对应的图像区域，进行单独识别。对应一次组分识别的过程，组分种类识别模型将输出且仅输出一个组分类型特征。
步骤103，基于组分类型特征从组分类型对应关系中确定组分的类型。
在本申请实施例中，如步骤102中所述，计算机设备中存储有组分类型特征和组分之间的表征形式。当组分类型特征被输出后，计算机设备将从组分类型对应关系中确定与该组分类型特征对应的组分名称，该组分名称即可用于指示组分的类型。
可选地，在组分名称输出后，计算机通过可视化的形式对于组分名称进行输出。在本申请的一个示例中，在计算机识别完成后，计算机设备的显示装置上显示组分图像，且该图像上显示有与组分相对应的组分名称。
综上所述，本申请实施例提供的方法，对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
在本申请的一些实施例中，机器学习模型为通过样本集进行学习，以逐渐得到精细化参数的模型。对应该情况，需要额外进行样本集的制作，图2示出了本申请一个示例性实施例提供的一种组分种类识别模型的训练集制作及训练方法的流程图，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201，获取样本岩石图像，样本岩石图像中包括至少两个组分颗粒，样本岩石图像中包括样本岩石单偏光图像以及样本岩石正交偏光图像。
样本岩石图像即为已被确定识别结果的岩石图像。可选地，样本岩石图像为对于样本岩石薄片进行拍摄得到的图像。在一个示例中，样本岩石图像中的各个组分颗粒均得到标注。
在本申请实施例中，为获取更多维度的样本岩石的图像特征，样本岩石图像为基于同一视角对样本岩石薄片进行拍摄得到的两张图像，分别为样本岩石薄片对应的单偏光图像以及样本岩石正交偏光图像。
步骤202，对样本岩石单偏光图像进行划分。
步骤203，基于对样本岩石偏光图像的划分结果，对样本岩石正交偏光图像进行划分。
步骤204，基于样本岩石偏光图像的划分结果以及样本岩石正交偏光图像的划分结果生成样本组分图像。
步骤202至步骤204为对于样本岩石图像的划分过程。在本申请的一个实施例中，该划分为基于人工经验的划分；在本申请的另一个实施例中，该划分为通过计算机设备中预存的数据进行的划分；在本申请的另一个实施例中，在划分时引入样本岩石图像分割模型，该样本岩石图像分割模型同样为基于机器学习的神经网络模型，通过该样本岩石图像分割模型，基于机器学习技术对于样本岩石图像进行划分。
在本申请实施例中，划分的过程为，首先对于单偏光图像进行划分，并基于单偏光图像对于正交偏光图像进行划分，最终，将单片光图像的划分结果以及正交偏光图像的划分结果进行图像叠加的结合，进行样本组分图像的生成，且样本组分图像中包括一个组分颗粒。
在本申请的一些实施例中，可以不对正交偏光图像进行划分，仅通过正交偏光图像提供指导以及性质表征，直接对于单偏光图像进行划分，以生成样本组分图像。也即，正交偏光图像用于对于单偏光图像的划分进行参照。
步骤205，对样本组分图像进行数据增强处理，得到增强样本图像，数据增强处理包括仿射变换处理、裁剪处理、拼接处理以及均衡化增强处理中的至少一种。
在本申请实施例中，在制作样本集的过程中，受到实际条件的限制，样本组分图像的数量较少，故需要通过数据增强的方式对于组分图像进行处理，以获取额外的，可以选入组分图像样本集的图像。在本申请实施例中，将此类通过仿射变换处理、裁剪处理、拼接处理以及均衡化增处理得到的图像确定为增强样本图像。
步骤206，通过组分图像样本集对样本组分图像以及增强样本图像进行存储。
在本申请实施例中，将样本组分图像以及增强样本图像均作为样本集的内容，输入组分图像样本集当中，并在计算机设备当中进行存储。
步骤207，从组分图像样本集中获取样本组分图像，样本组分图像标注有样本组分类型特征。
如上的步骤201至步骤206为样本组分图像的制作过程。如下的，步骤207至步骤212为通过样本组分图像对于组分种类识别模型进行训练的过程。样本组分图像标注有样本组分类型特征。需要说明的是，在本申请实施例中，增强样本图像与生成其的样本组分图像组分类型特征相同。
步骤208，将样本组分图像输入组分种类识别模型，输出得到预测组分类型特征。
在本申请实施例中，将样本组分图像，或，增强样本图像输入组分种类识别模型中，进行样本预测。对应样本组分图像，或，增强样本图像，组分种类识别模型即可得到预测组分类型特征。
步骤209，将预测组分类型特征与样本组分类型特征进行差异比较。
在本申请实施例中，当训练结果未完成时，预测组分类型特征与样本组分类型特征之间存在差异，该差异是由于组分种类识别模型中的参数调整未完成导致的。故在预测组分类型特征后，需要将预测组分类型特征与样本组分类型特征进行比较，以确定二者的差异程度，进而确定组分种类识别模型的训练完善程度。
步骤210，基于差异比较的比较结果，对组分种类识别模型进行调整。
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组分类型特征与样本组分类型特征的差值；或，差异比较结果体现为预测组分类型特征与样本组分类型特征的比值。
当步骤210执行完毕时，即根据差异情况以及模型的训练次数情况，确定组分种类识别模型的训练是否完成。若组分种类识别模型的训练未完成，则通过继续将样本组分图像输入组分种类识别模型，并输出得到预测组分类型特征，比较差异的方法，继续执行模型的训练过程。
需要说明的是，在本申请实施例中，对于模型的调整即为计算机设备对于模型内部设置的参数的对应调整。
步骤211，响应于比较结果指示预测组分类型特征与样本组分类型的差异小于差异阈值时，确定组分种类识别模型的训练完成。
步骤212，响应于组分种类识别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，确定组分种类识别模型的训练完成。
在本申请实施例中，模型停止执行训练过程的条件如步骤211以及步骤212中所示。在本申请的一个示例中，以预测组分类型特征与样本组分类型特征之间的差异度指示组分种类识别模型的训练是否完成。可选地，通过确定二者相似度的方式，确定组分种类识别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，确定组分种类识别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“差异阈值”“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。
综上所述，在本申请实施例中，当组分种类识别模型的训练完成后，即可通过训练完成的组分种类识别模型，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。并且在数据集制作的过程当中，通过数据增强操作将数据集进行扩展，进一步提高了对于组分种类识别模型的训练效率。
在本申请的一些实施例中，组分图像中还可能包括与主要检测区域不同的组分子图像。基于上述情况，图3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组分识别方法的流程图。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301，获取岩石薄片图像，岩石薄片图像为对岩石薄片样本进行拍摄得到的图像，岩石薄片图像中包括至少两个组分颗粒。
结合步骤101，在本申请实施例中，岩石薄片样本与岩石样本对应，岩石薄片图像为与碎屑岩对应的样本图像，也即，岩石样本为碎屑岩岩石样本。在岩石薄片图像中包括有至少两个组分，该两个组分均为与碎屑岩对应的组分颗粒。
在本申请实施例中，岩石薄片图像的数量为2张。如步骤201中所述，分别为对应岩石样本薄片的单偏光图像以及正交偏光图像。
步骤302，在岩石薄片图像中确定与组分图像对应的边界范围。
在本申请实施例中，通过与步骤201至步骤204对应的方式，对岩石薄片图像中与组分颗粒对应的区域进行分割。
步骤303，基于边界范围对组分图像的图像范围进行确定。
该过程即为对于图像范围的确定过程。
步骤304，基于图像范围对岩石薄片图像进行划分，得到组分图像。
在本申请实施例中，图像范围对于岩石薄片图像进行划分，即可得到与步骤101所对应的岩石图像。
需要说明的是，在本申请实施例中，组分图像中包括一个组分颗粒，但由于对于样本图像的划分并不精确，组分图像中还存在包括其他非组分物质的可能。例如，该组分图像的边缘位置与该组分图像中心位置所表征的组分内容不同。
步骤305，将组分图像输入组分种类识别模型，输出得到组分图像的组分类型特征，以及与组分图像对应的非颗粒特征。
在本申请实施例中，组分种类识别模型具有对于组分图像的颗粒特征以及非颗粒特征的分离以及独立识别的功能。故当组分图像中还包括非颗粒内容时，组分种类识别模型可以对非颗粒内容进行识别。在本申请实施例中，非颗粒内容是由于组分图像中包括的非颗粒子图像引入的，非颗粒子图像中包括填隙物和胶结物中的至少一种。在本申请实施例中，填隙物可被分为胶结物填隙物、杂基填隙物、其他填隙物三个种类，胶结物填隙物可被分为粘土矿物填隙物、碳酸盐类填隙物、硅质填隙物、硫酸盐类填隙物和沸石类填隙物共计五个子类。此时，计算机设备即可对于组分图像中的颗粒内容以及非颗粒内容进行同步识别。在本申请实施例中，组分类型特征以及非颗粒特征均以数值的形式表征。
在本申请实施例中，组分种类识别模型中包括基于Mobilenet的深度神经网络模型、基于Resnet的深度神经网络模型以及基于VGG的深度神经网络模型中的至少一种。
步骤306，基于组分类型特征从组分类型对应关系中确定组分的类型。
步骤307，基于非颗粒特征从非颗粒物特征对应关系中确定非颗粒物的类型。
在本申请实施例中，计算机设备中同时存储有与组分类型特征对应的组分类型对应关系，以及与非颗粒特征对应的非颗粒特征对应关系。基于上述两种对应关系，即可对于组分的类型与非颗粒物的类型进行先后确定。
步骤308，基于非颗粒物的类型以及组分的类型，确定岩石样本的几何特征。
可选地，岩石样本的几何特征用于指示在岩石薄片样本上表征的，各个组分之间的二维结构特征。基于非颗粒物的类型以及组分的类型，可以确定非颗粒物与组分之间的接触关系。同时，在对于一个岩石薄片图像上的多个组分图像进行识别结果的确定以及重新拼接后，即可得到相邻的颗粒之间的接触关系、以及单个颗粒的种类、粒径、形状等特征，已对岩石的定名、矿物分析、性质分析等后续工作进行指导。
综上所述，本申请实施例提供的方法，对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
在本申请实施例中，针对组分图像中未将组分颗粒与与其连接的填隙物杂质分割完善的情况，通过对于组分种类识别模型的修改，使组分种类识别模型可以同时对应组分颗粒与非颗粒物进行识别，进一步提高了对于岩石薄片中的组分的识别效率，同时为确定岩石样本的几何特征的过程提供了指导。
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组分识别方法的过程示意图，该过程包括：
步骤401，获取碎屑岩薄片显微图像。
在本申请实施例中，岩石样本即为碎屑岩对应的样本。该过程即为获取岩石薄片图像的过程。
在本申请实施例中，样本薄片图像由图像采集设备生成，计算机设备从图像采集设备中获取该样本薄片图像。
可选地，样本薄片图像特征要求统一，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，图像应尽可能复杂，包含尽可能多种类的砂岩。
在一个示例中，图像采集设备为偏光显微镜，该偏光显微镜的物镜的放大倍数为至少5倍，在一个示例中，倍数为5倍，或，倍数为10倍，或倍数为20倍。图像采集设备同时，将同时获取与样本薄片图像对应的单偏光图像和正交偏光图像。
可选地，对应碎屑岩中组分的种类不同，在图像采集设备拍摄时，应包括尽可能多种类的砂岩组分，且不同组分的组分区域应不少于组分数量阈值，从而保证样本均衡。在一个示例中，组分区域数量阈值为10。
步骤402，将砂岩薄片显微图像中按砂岩组分分类，分类过程应尽可能详细，并精确到子类。
在本申请实施例中，通过计算机设备对于各个组分进行分类，具体而言：
将砂岩组分分为碎屑和填隙物。
将碎屑分为石英碎屑、长石碎屑、岩屑碎屑、其他矿物碎屑、蚀变碎屑五大类。
将石英碎屑大类分为石英碎屑和燧石碎屑两个子类。
将长石碎屑大类分为斜长石碎屑、钾长石碎屑两个子类。
将岩屑大类分为沉积岩岩屑、火成岩岩屑、变质岩岩屑、火山碎屑岩岩屑、复晶石英五个子类。
由于其他矿物碎屑、蚀变碎屑较复杂，暂不下分子类。
将填隙物分为胶结物、杂基填隙物、其他填隙物三大类。
将胶结物分为粘土矿物胶结物、碳酸岩类胶结物、硅质胶结物、硫酸盐类胶结物，沸石类胶结物五个子类。
步骤403，制作碎屑岩薄片显微图像分类数据集。
该过程即为通过图像标注软件，在样本薄片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的过程。
在本申请实施例中，进行标注时，需要基于步骤402中所述的子类的具体类型，进行组分标注。
步骤404，提取标注数据集中的已标注物质，根据已标注物质的外接矩形将其所在的区域截取为单张图像。
该过程即为生成组分图像的过程。
可选地，在进行组分图像的截取后，将组分图像中的背景部分的颜色进行灰度处理。
可选地，步骤401至步骤404中生成的组分图像，可以作为样本集中的组分图像，也可以作为待测的组分图像。
步骤405，通过数据增强操作，对碎屑岩薄片显微图像识别数据集进行处理。
在本申请实施例中，增强操作包括仿射变换处理、裁剪处理、拼接处理以及均衡化增处理中的至少一种。
步骤406，生成数据集并划分数据集。
在本申请实施例中，通过针对单偏光组分图像以及正交偏光组分图像的图层映射以及图层叠加操作的方法生成数据集，并基于组分种类进行划分。
步骤407，使用碎屑岩薄片显微图像识别数据集，选取深度神经网络分类模型。
该过程即为进行组分种类识别模型的选型和确定过程。在本申请实施例中，在Mobilenet网络，Resnet网络，VGG网络等分类网络中进行组分种类识别模型的选型确定，并构建相关参数。
步骤408，针对砂岩薄片分类数据集，设计分类网络模型的超参数及相关运行策略。
该过程即为针对数据集的数据数量，设定模型的训练方法，并对于组分图像进行识别的过程。
综上所述，本申请实施例提供的方法，对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
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组分识别装置示意图，该装置包括：
获取模块501，用于获取至少一张组分图像，所述组分图像中为对于一个组分颗粒进行拍摄得到的图像，所述组分为岩石样本内的组分；
输入模块502，用于将所述组分图像输入组分种类识别模型，输出得到所述组分图像的组分类型特征，所述组分类型特征用于对所述组分的性质进行表征，所述组分种类识别模型为基于机器学习的深度神经网络模型；
确定模块503，用于基于所述组分类型特征从所述组分类型对应关系中确定所述组分的类型。
在一个可选的实施例中，获取模块501，还用于获取岩石薄片图像，所述岩石薄片图像为对所述岩石薄片样本进行拍摄得到的图像，所述岩石薄片图像中包括至少两个组分；
请参考图6，该装置，还包括分离模块504，用于从所述岩石薄片图像中分离得到所述组分图像。
在一个可选的实施例中，确定模块503，还用于在所述岩石薄片图像中确定与所述组分图像对应的边界范围；
基于边界范围对所述组分图像的图像范围进行确定；
该装置，还包括划分模块505，用于基于所述图像范围对所述岩石薄片图像进行划分，得到所述组分图像。
在一个可选的实施例中，获取模块501，还用于从组分图像样本集中获取样本组分图像，所述样本组分图像标注有样本组分类型特征；
输入模块502，还用于将所述样本组分图像输入所述组分种类识别模型，输出得到预测组分类型特征；
该装置，还包括比较模块506，用于将所述预测组分类型特征与所述样本组分类型特征进行差异比较；
调整模块507，用于基于所述差异比较的比较结果，对所述组分种类识别模型进行调整。
在一个可选的实施例中，所述从组分图像样本集中获取样本组分图像之前，
获取模块501，还用于获取样本岩石图像，所述样本岩石图像中包括至少两个所述组分颗粒，所述样本岩石图像中包括样本岩石单偏光图像以及样本岩石正交偏光图像；
划分模块505，还用于对所述样本岩石单偏光图像进行划分；
基于对所述样本岩石偏光图像的划分结果，对所述样本岩石正交偏光图像进行划分；
该装置，还包括生成模块508，用于基于所述样本岩石偏光图像的划分结果以及所述样本岩石正交偏光图像的划分结果生成所述样本组分图像；
存储模块509，用于通过所述组分图像样本集对所述样本组分图像进行存储。
在一个可选的实施例中，所述基于所述样本岩石偏光图像的划分结果以及所述样本岩石正交偏光图像的划分结果生成所述样本组分图像之后，该装置，还包括处理模块510，用于对所述样本组分图像进行数据增强处理，得到增强样本图像，所述数据增强处理包括仿射变换处理、裁剪处理、拼接处理以及均衡化增强处理中的至少一种；
存储模块509，还用于通过所述组分图像样本集，将所述增强样本图像作为所述样本组分图像进行存储。
在一个可选的实施例中，所述基于所述差异比较的比较结果，对所述组分种类识别模型进行调整之后，确定模块503，还用于响应于所述比较结果指示所述预测组分类型特征与所述样本组分类型特征的差异小于差异阈值时，确定所述组分种类识别模型的训练完成；
或，
响应于所述组分种类识别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，确定所述组分种类识别模型的训练完成。
在一个可选的实施例中，其特征在于，所述岩石样本为碎屑岩岩石样本；
所述组分种类识别模型中包括基于Mobilenet的深度神经网络模型、基于Resnet的深度神经网络模型以及基于VGG的深度神经网络模型中的至少一种。
在一个可选的实施例中，所述组分图像中还包括非颗粒子图像，所述非颗粒子图像中包括填隙物和胶结物中的至少一种；
输入模块502，还用于将所述组分图像输入组分种类识别模型，输出得到与所述组分图像对应的非颗粒特征，所述非颗粒特征用于对所述非颗粒子图像指示的非颗粒物的性质进行表征；
确定模块503，还用于基于所述非颗粒特征从所述非颗粒物特征对应关系中确定所述非颗粒物的类型。
在一个可选的实施例中，所述基于所述非颗粒特征从所述非颗粒物特征对应关系中确定所述非颗粒物的类型之后，确定模块503，用于基于所述非颗粒物的类型以及所述组分的类型，确定所述岩石样本的几何特征。
综上所述，本申请实施例提供的装置，对应组分图像中对于单个组分颗粒的表征，通过将其输入组分种类识别模型中，进行组分识别，并将输出得到的组分类型特征对应组分类型对应关系进行组分颗粒的细分类型进行识别。通过输入具有单个组分颗粒的组分图像的方式，借助基于机器学习的识别模型进行组分颗粒的详细类型的识别，提高了对于岩石薄片中的组分的识别效率。
需要说明的是：上述实施例提供的基于机器学习的岩石组分识别装置，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7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组分识别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701包括一个或者一个以上处理核心，处理器701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702和发射器703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703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702可以用于接收对应的反馈指令。
存储器704通过总线705与处理器701相连。
存储器704可用于存储至少一个指令，处理器701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机器学习的岩石组分识别方法。
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组分识别方法。
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。
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 (13)
1.一种基于机器学习的岩石组分识别方法，其特征在于，所述方法应用于计算机设备中，所述方法包括：
获取至少一张组分图像，所述组分图像为对于一个组分颗粒进行拍摄得到的图像，所述组分为岩石样本内的组分；
将所述组分图像输入组分种类识别模型，输出得到所述组分图像的组分类型特征，所述组分类型特征用于对所述组分的性质进行表征，所述组分种类识别模型为基于机器学习的深度神经网络模型；
基于所述组分类型特征从所述组分类型对应关系中确定所述组分的类型。
2.根据权利要求1所述的方法，其特征在于，所述获取至少一张组分图像，包括：
获取岩石薄片图像，所述岩石薄片图像为对所述岩石薄片进行拍摄得到的图像，所述岩石薄片图像中包括至少两个组分图像；
从所述岩石薄片图像中分离得到所述组分图像。
3.根据权利要求2所述的方法，其特征在于，所述从所述岩石图像中分离得到所述组分图像，包括：
在所述岩石薄片图像中确定与所述组分图像对应的边界范围；
基于边界范围对所述组分图像的图像范围进行确定；
基于所述图像范围对所述岩石薄片图像进行划分，得到所述组分图像。
4.根据权利要求1至3任一所述的方法，其特征在于，所述方法，还包括：
从组分图像样本集中获取样本组分图像，所述样本组分图像标注有样本组分类型特征；
将所述样本组分图像输入所述组分种类识别模型，输出得到预测组分类型特征；
将所述预测组分类型特征与所述样本组分类型特征进行差异比较；
基于所述差异比较的比较结果，对所述组分种类识别模型进行调整。
5.根据权利要求4所述的方法，其特征在于，所述从组分图像样本集中获取样本组分图像之前，包括：
获取样本岩石图像，所述样本岩石图像中包括至少两个所述组分颗粒，所述样本岩石图像中包括样本岩石单偏光图像以及样本岩石正交偏光图像；
对所述样本岩石单偏光图像进行划分；
基于对所述样本岩石偏光图像的划分结果，对所述样本岩石正交偏光图像进行划分；
基于所述样本岩石偏光图像的划分结果以及所述样本岩石正交偏光图像的划分结果生成所述样本组分图像；
通过所述组分图像样本集对所述样本组分图像进行存储。
6.根据权利要求5所述的方法，其特征在于，所述基于所述样本岩石偏光图像的划分结果以及所述样本岩石正交偏光图像的划分结果生成所述样本组分图像之后，还包括：
对所述样本组分图像进行数据增强处理，得到增强样本图像，所述数据增强处理包括仿射变换处理、裁剪处理、拼接处理以及均衡化增强处理中的至少一种；
通过所述组分图像样本集，将所述增强样本图像作为所述样本组分图像进行存储。
7.根据权利要求4所述的方法，其特征在于，所述基于所述差异比较的比较结果，对所述组分种类识别模型进行调整之后，还包括：
响应于所述比较结果指示所述预测组分类型特征与所述样本组分类型特征的差异小于差异阈值时，确定所述组分种类识别模型的训练完成；
或，
响应于所述组分种类识别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，确定所述组分种类识别模型的训练完成。
8.根据权利要求1至3任一所述的方法，其特征在于，所述岩石样本为碎屑岩岩石样本；
所述组分种类识别模型中包括基于Mobilenet的深度神经网络模型、基于Resnet的深度神经网络模型以及基于VGG(Visual Geometry Group Network)的深度神经网络模型中的至少一种。
9.根据权利要求1至3任一所述的方法，其特征在于，所述组分图像中还包括非颗粒子图像，所述非颗粒子图像中包括填隙物子图像和胶结物子图像中的至少一种，所述填隙物子图像指示所述非颗粒子图像中的非颗粒物为填隙物，所述胶结物子图像指示所述非颗粒子图像中的非颗粒物为胶结物；
所述方法，还包括：
将所述组分图像输入组分种类识别模型，输出得到与所述组分图像对应的非颗粒特征，所述非颗粒特征用于对所述非颗粒子图像指示的非颗粒物的性质进行表征；
基于所述非颗粒特征从所述非颗粒物特征对应关系中确定所述非颗粒物的类型。
10.根据权利要求9所述的方法，其特征在于，所述基于所述非颗粒特征从所述非颗粒物特征对应关系中确定所述非颗粒物的类型之后，还包括：
基于所述非颗粒物的类型以及所述组分的类型，确定所述岩石样本的几何特征。
11.一种基于机器学习的岩石组分识别装置，其特征在于，所述装置包括：
获取模块，用于获取至少一张组分图像，所述组分图像为对于一个组分颗粒进行拍摄得到的图像，所述组分为岩石样本内的组分；
输入模块，用于将所述组分图像输入组分种类识别模型，输出得到所述组分图像的组分类型特征，所述组分类型特征用于对所述组分的性质进行表征，所述组分种类识别模型为基于机器学习的深度神经网络模型；
确定模块，用于基于所述组分类型特征从所述组分类型对应关系中确定所述组分的类型。
12.一种计算机设备，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10任一所述的基于机器学习的岩石组分识别方法。
13.一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10任一所述的基于机器学习的岩石组分识别方法。
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 |
| CN202110182027 | 2021-02-10 | ||
| CN2021101820277 | 2021-02-10 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113435459A true CN113435459A (zh) | 2021-09-24 |
| CN113435459B CN113435459B (zh) | 2024-07-26 |
Family
ID=77755662
Family Applications (6)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| 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 |
| 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 |
| 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 Active CN113435458B (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 |
| CN202110654942.1A Active CN113435459B (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 |
| 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 |
|---|---|---|---|
| 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 |
| 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 |
| 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 Active CN113435458B (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 |
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) | EP4290470A4 (zh) |
| JP (1) | JP2024508688A (zh) |
| CN (6) | CN113537235A (zh) |
| WO (1) | WO2022166232A1 (zh) |
Families Citing this family (6)
| 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 |
| US20230160182A1 (en) * | 2021-11-22 | 2023-05-25 | Minesense Technologies Ltd. | Compositional multispectral and hyperspectral imaging systems for mining shovels and associated methods |
| US20230220770A1 (en) * | 2022-01-07 | 2023-07-13 | Schlumberger Technology Corporation | Systems and methods for measuring physical lithological features based on calibrated photographs of rock particles |
| 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 |
| CN114913364B (zh) * | 2022-04-19 | 2024-08-23 | 中海石油(中国)有限公司 | 一种基于机器学习的薄互层油藏储量分类方法及系统 |
| CN118039028A (zh) * | 2024-03-01 | 2024-05-14 | 中国海洋大学 | 基于磷灰石成分智能识别中酸性岩浆岩类型的方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
| US20200005013A1 (en) * | 2018-06-29 | 2020-01-02 | Saudi Arabian Oil Company | Identifying geometrical properties of rock structure through digital imaging |
| CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 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 |
| 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 |
| 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 |
Family Cites Families (40)
| 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 |
| EP1789783A1 (en) * | 2004-09-07 | 2007-05-30 | 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| 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 |
| CN110675403B (zh) * | 2019-08-30 | 2022-05-03 | 电子科技大学 | 一种基于编码辅助信息的多实例图像分割方法 |
| 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 |
| 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 |
| 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 |
| 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 |
-
2021
- 2021-06-11 CN CN202110653323.0A patent/CN113537235A/zh active Pending
- 2021-06-11 CN CN202110653812.6A patent/CN113435456A/zh active Pending
- 2021-06-11 CN CN202110654212.1A patent/CN113435457A/zh active Pending
- 2021-06-11 CN CN202110654275.7A patent/CN113435458B/zh active Active
- 2021-06-11 CN CN202110654942.1A patent/CN113435459B/zh active Active
- 2021-06-11 CN CN202110655073.4A patent/CN113435460A/zh active Pending
- 2021-09-29 US US18/264,654 patent/US20240054766A1/en active Pending
- 2021-09-29 EP EP21924229.4A patent/EP4290470A4/en active Pending
- 2021-09-29 WO PCT/CN2021/121840 patent/WO2022166232A1/zh active Application Filing
- 2021-09-29 JP JP2023548202A patent/JP2024508688A/ja active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
| US20200005013A1 (en) * | 2018-06-29 | 2020-01-02 | Saudi Arabian Oil Company | Identifying geometrical properties of rock structure through digital imaging |
| CN111160158A (zh) * | 2019-12-17 | 2020-05-15 | 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 |
| 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 |
| 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 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113537235A (zh) | 2021-10-22 |
| CN113435458B (zh) | 2024-08-06 |
| US20240054766A1 (en) | 2024-02-15 |
| EP4290470A4 (en) | 2024-08-28 |
| CN113435457A (zh) | 2021-09-24 |
| CN113435458A (zh) | 2021-09-24 |
| CN113435460A (zh) | 2021-09-24 |
| CN113435456A (zh) | 2021-09-24 |
| EP4290470A1 (en) | 2023-12-13 |
| CN113435459B (zh) | 2024-07-26 |
| JP2024508688A (ja) | 2024-02-28 |
| WO2022166232A1 (zh) | 2022-08-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113435459A (zh) | 基于机器学习的岩石组分识别方法、装置、设备及介质 | |
| Ping et al. | A deep learning approach for street pothole detection | |
| Sudharshan et al. | Object recognition in images using convolutional neural network | |
| KR102140805B1 (ko) | 위성 영상의 물체 식별을 위한 뉴럴 네트워크 학습 방법 및 장치 | |
| Shang et al. | Fuzzy-rough feature selection aided support vector machines for mars image classification | |
| CN106127121B (zh) | 一种基于夜间灯光数据的建成区智能化提取方法 | |
| CN106204642B (zh) | 一种基于深度神经网络的细胞追踪方法 | |
| Tang et al. | Machine learning for point counting and segmentation of arenite in thin section | |
| CN104182985B (zh) | 遥感图像变化检测方法 | |
| CN103020649A (zh) | 一种基于纹理信息的森林类型识别方法 | |
| 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 | |
| CN110689134A (zh) | 执行机器学习过程的方法、装置、设备以及存储介质 | |
| CN108257179B (zh) | 一种图像处理方法 | |
| CN108363967A (zh) | 一种遥感图像场景的分类系统 | |
| Hamplová et al. | Cuneiform reading using computer vision algorithms | |
| CN112508000B (zh) | 一种用于ocr图像识别模型训练数据生成的方法及设备 | |
| CN109741351A (zh) | 一种基于深度学习的类别敏感型边缘检测方法 | |
| Mahardika et al. | Implementation segmentation of color image with detection of color to detect object | |
| Prasvita et al. | Deep Learning Model for Automatic Detection of Oil Palm Trees in Indonesia with YOLO-V5 | |
| CN112507950B (zh) | 一种生成对抗式多任务多要素样本自动标注方法及装置 | |
| Ghiasi-Freez et al. | The automated Dunham classification of carbonate rocks through image processing and an intelligent model | |
| Ramya et al. | Real time palm and finger detection for gesture recognition using convolution neural network | |
| Konglerd et al. | Quantitative morphological analysis of 2D images of complex-shaped branching biological growth forms: the example of branching thalli of liverworts | |
| Sharma | Traffic Sign Recognition & Detection using Transfer learning | |
| CN113030958B (zh) | 一种基于深度迁移学习的雷达信号分选方法 |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Yu Xiaolu Inventor after: Tao Cheng Inventor after: Ye Kai Inventor after: Gong Hanning Inventor after: Du Chongjiao Inventor after: Wang Qiang Inventor after: Yao Wei Inventor after: Jiang Hong Inventor before: Yu Xiaolu Inventor before: Tao Cheng Inventor before: Ye Kai Inventor before: Gong Hanning Inventor before: Du Chongjiao Inventor before: Wang Qiang Inventor before: Yao Wei Inventor before: Jiang Hong |
|
| CB03 | Change of inventor or designer information | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |