CN113537235A - 岩石鉴定方法、系统、装置、终端及可读存储介质 - Google Patents
岩石鉴定方法、系统、装置、终端及可读存储介质 Download PDFInfo
- Publication number
- CN113537235A CN113537235A CN202110653323.0A CN202110653323A CN113537235A CN 113537235 A CN113537235 A CN 113537235A CN 202110653323 A CN202110653323 A CN 202110653323A CN 113537235 A CN113537235 A CN 113537235A
- Authority
- CN
- China
- Prior art keywords
- rock
- mineral
- image
- component
- slice
- 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
Links
- 239000011435 rock Substances 0.000 title claims abstract description 859
- 238000000034 method Methods 0.000 title claims abstract description 208
- 238000003860 storage Methods 0.000 title claims abstract description 16
- 229910052500 inorganic mineral Inorganic materials 0.000 claims abstract description 514
- 239000011707 mineral Substances 0.000 claims abstract description 514
- 230000011218 segmentation Effects 0.000 claims description 142
- 239000002245 particle Substances 0.000 claims description 99
- 238000012795 verification Methods 0.000 claims description 63
- 238000003709 image segmentation Methods 0.000 claims description 57
- 230000003595 spectral effect Effects 0.000 claims description 52
- 238000001228 spectrum Methods 0.000 claims description 29
- 238000010801 machine learning Methods 0.000 claims description 25
- 241000894007 species Species 0.000 claims description 22
- 241000446313 Lamella Species 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 15
- 238000010200 validation analysis Methods 0.000 claims description 15
- 230000004044 response Effects 0.000 claims description 14
- 238000012797 qualification Methods 0.000 claims description 13
- 238000012512 characterization method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 12
- 238000005192 partition Methods 0.000 claims description 10
- 238000000227 grinding Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 8
- 230000003993 interaction Effects 0.000 claims description 8
- 238000004891 communication Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 7
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000012419 revalidation Methods 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 16
- 230000000007 visual effect Effects 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 103
- 239000004568 cement Substances 0.000 description 57
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 43
- 239000010433 feldspar Substances 0.000 description 35
- 239000010453 quartz Substances 0.000 description 32
- 239000000203 mixture Substances 0.000 description 31
- 238000010586 diagram Methods 0.000 description 27
- 239000000945 filler Substances 0.000 description 26
- 229910052611 pyroxene Inorganic materials 0.000 description 22
- 238000012549 training Methods 0.000 description 22
- 229910052655 plagioclase feldspar Inorganic materials 0.000 description 17
- 238000005516 engineering process Methods 0.000 description 15
- 239000000463 material Substances 0.000 description 13
- 229910052609 olivine Inorganic materials 0.000 description 12
- 239000010450 olivine Substances 0.000 description 12
- 239000012634 fragment Substances 0.000 description 11
- 238000012545 processing Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 9
- OYPRJOBELJOOCE-UHFFFAOYSA-N Calcium Chemical compound [Ca] OYPRJOBELJOOCE-UHFFFAOYSA-N 0.000 description 8
- 239000011575 calcium Substances 0.000 description 8
- 229910052791 calcium Inorganic materials 0.000 description 8
- 238000004590 computer program Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 229910052626 biotite Inorganic materials 0.000 description 7
- 239000013078 crystal Substances 0.000 description 7
- 239000012535 impurity Substances 0.000 description 7
- 230000010287 polarization Effects 0.000 description 7
- SZVJSHCCFOBDDC-UHFFFAOYSA-N iron(II,III) oxide Inorganic materials O=[Fe]O[Fe]O[Fe]=O SZVJSHCCFOBDDC-UHFFFAOYSA-N 0.000 description 6
- 239000000126 substance Substances 0.000 description 6
- 229910052586 apatite Inorganic materials 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 5
- VSIIXMUUUJUKCM-UHFFFAOYSA-D pentacalcium;fluoride;triphosphate Chemical compound [F-].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[Ca+2].[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O.[O-]P([O-])([O-])=O VSIIXMUUUJUKCM-UHFFFAOYSA-D 0.000 description 5
- BVPWJMCABCPUQY-UHFFFAOYSA-N 4-amino-5-chloro-2-methoxy-N-[1-(phenylmethyl)-4-piperidinyl]benzamide Chemical compound COC1=CC(N)=C(Cl)C=C1C(=O)NC1CCN(CC=2C=CC=CC=2)CC1 BVPWJMCABCPUQY-UHFFFAOYSA-N 0.000 description 4
- 238000013145 classification model Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 239000002002 slurry Substances 0.000 description 4
- 238000004846 x-ray emission Methods 0.000 description 4
- 241000282414 Homo sapiens Species 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000013480 data collection Methods 0.000 description 3
- 238000007689 inspection Methods 0.000 description 3
- 239000004576 sand Substances 0.000 description 3
- 239000000377 silicon dioxide Substances 0.000 description 3
- 239000011343 solid material Substances 0.000 description 3
- BVKZGUZCCUSVTD-UHFFFAOYSA-L Carbonate Chemical compound [O-]C([O-])=O BVKZGUZCCUSVTD-UHFFFAOYSA-L 0.000 description 2
- 238000004566 IR spectroscopy Methods 0.000 description 2
- 238000001069 Raman spectroscopy Methods 0.000 description 2
- 241000276425 Xiphophorus maculatus Species 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 229910052907 leucite Inorganic materials 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000010905 molecular spectroscopy Methods 0.000 description 2
- XNGKCOFXDHYSGR-UHFFFAOYSA-N perillene Chemical compound CC(C)=CCCC=1C=COC=1 XNGKCOFXDHYSGR-UHFFFAOYSA-N 0.000 description 2
- HBMJWWWQQXIZIP-UHFFFAOYSA-N silicon carbide Chemical group [Si+]#[C-] HBMJWWWQQXIZIP-UHFFFAOYSA-N 0.000 description 2
- 229910010271 silicon carbide Inorganic materials 0.000 description 2
- 239000007787 solid Substances 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 229910021532 Calcite Inorganic materials 0.000 description 1
- 208000035126 Facies Diseases 0.000 description 1
- FYYHWMGAXLPEAU-UHFFFAOYSA-N Magnesium Chemical compound [Mg] FYYHWMGAXLPEAU-UHFFFAOYSA-N 0.000 description 1
- 235000004347 Perilla Nutrition 0.000 description 1
- 244000124853 Perilla frutescens Species 0.000 description 1
- ATJFFYVFTNAWJD-UHFFFAOYSA-N Tin Chemical compound [Sn] ATJFFYVFTNAWJD-UHFFFAOYSA-N 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 229910052656 albite Inorganic materials 0.000 description 1
- DLHONNLASJQAHX-UHFFFAOYSA-N aluminum;potassium;oxygen(2-);silicon(4+) Chemical compound [O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[O-2].[Al+3].[Si+4].[Si+4].[Si+4].[K+] DLHONNLASJQAHX-UHFFFAOYSA-N 0.000 description 1
- 229910052849 andalusite Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 229910052797 bismuth Inorganic materials 0.000 description 1
- JCXGWMGPZLAOME-UHFFFAOYSA-N bismuth atom Chemical compound [Bi] JCXGWMGPZLAOME-UHFFFAOYSA-N 0.000 description 1
- 229910052793 cadmium Inorganic materials 0.000 description 1
- BDOSMKKIYDKNTQ-UHFFFAOYSA-N cadmium atom Chemical compound [Cd] BDOSMKKIYDKNTQ-UHFFFAOYSA-N 0.000 description 1
- 229910052663 cancrinite Inorganic materials 0.000 description 1
- 229910001567 cementite Inorganic materials 0.000 description 1
- 238000009388 chemical precipitation Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 239000004927 clay Substances 0.000 description 1
- 239000002734 clay mineral Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 229910000366 copper(II) sulfate Inorganic materials 0.000 description 1
- JZCCFEFSEZPSOG-UHFFFAOYSA-L copper(II) sulfate pentahydrate Chemical compound O.O.O.O.O.[Cu+2].[O-]S([O-])(=O)=O JZCCFEFSEZPSOG-UHFFFAOYSA-L 0.000 description 1
- 229910052906 cristobalite Inorganic materials 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005670 electromagnetic radiation Effects 0.000 description 1
- 230000006355 external stress Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 229910001608 iron mineral Inorganic materials 0.000 description 1
- KSOKAHYVTMZFBJ-UHFFFAOYSA-N iron;methane Chemical compound C.[Fe].[Fe].[Fe] KSOKAHYVTMZFBJ-UHFFFAOYSA-N 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 239000011777 magnesium Substances 0.000 description 1
- 229910001607 magnesium mineral Inorganic materials 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229910052651 microcline Inorganic materials 0.000 description 1
- 238000000386 microscopy Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 229910052664 nepheline Inorganic materials 0.000 description 1
- 239000010434 nepheline Substances 0.000 description 1
- 230000005693 optoelectronics Effects 0.000 description 1
- 229910052652 orthoclase Inorganic materials 0.000 description 1
- 238000003921 particle size analysis Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000010587 phase diagram Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000013102 re-test Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000013049 sediment Substances 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 229910052665 sodalite Inorganic materials 0.000 description 1
- 239000002344 surface layer Substances 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 229910052969 tetrahedrite Inorganic materials 0.000 description 1
- 229910052718 tin Inorganic materials 0.000 description 1
- GWEVSGVZZGPLCZ-UHFFFAOYSA-N titanium dioxide Inorganic materials O=[Ti]=O GWEVSGVZZGPLCZ-UHFFFAOYSA-N 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 229910052905 tridymite Inorganic materials 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)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本申请关于一种岩石鉴定方法、系统、装置、终端及可读存储介质,涉及岩石鉴定技术领域,该方法包括:接收图像采集设备发送的岩石薄片图像;基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征;基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果。在获取岩石薄片图像后,对于岩石薄片图像进行基于几何特征、矿物特征以及结构特征的三个维度的特征提取,从多个特征维度对于岩石的性质进行确定,最终生成包括有文字化描述的鉴定结果。在获取岩石薄片对应的微观可视化图像后,对该图像进行多个维度的特征提取,并在参考多个维度的特征的情况下对于岩石薄片进行鉴定,提高了岩石鉴定的准确率。
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
本申请涉及岩石鉴定技术领域,特别涉及一种岩石鉴定方法、装置、终端及可读存储介质。
背景技术
应用光学原理,将岩石切割磨制成30微米厚的薄片,并用偏光显微镜对于岩石薄片进行观察以及研究,是地质行业科研生产中最基本、最简便、最廉价的方法之一,也是地质学家必须掌握的基本知识和基本技能之一。
传统岩石薄片鉴定方法沿用至今,在传统岩石薄片鉴定方法中,研究者通常通过人工识别的方式,通过对于岩石薄片的显微观察,进而对岩石薄片进行鉴定。同时,研究人员也会通过利用设备和计算机采集显微图像的方式,对于显微图像进行更为细致的观察。
然而,相关技术中,无论是对于岩石薄片进行直接观察,或是将岩石薄片图像输入计算机中进行观察的方式,均受到较大的主观因素的影响,存在无法避免的误差,致使岩石鉴定的准确率较低。
发明内容
本申请关于一种岩石鉴定方法、系统、装置、终端及可读存储介质,能够提高岩石鉴定的准确率。该技术方案如下:
一方面,提供了一种岩石鉴定方法,该方法应用于岩石鉴定系统的计算机设备中,所述岩石鉴定系统包括图像采集设备以及计算机设备;图像采集设备与计算机设备连接,该方法包括:
接收图像采集设备发送的岩石薄片图像,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,岩石薄片图像中包括至少一个组分区域;
基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征,其中,几何特征用于指示岩石薄片基于组分的区域划分情况,矿物特征用于指示对岩石薄片进行矿物鉴定,得到的矿物鉴定结果,结构特征用于指示岩石样本的空间结构;
基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果,鉴定结果中包括对岩石样本的特征的文字化描述。
在一个可选的实施例中,该方法,还包括:
获取样本薄片图像,样本薄片图像标注有样本分割结果;
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;
将预测分割结果与样本分割结果进行差异比较,得到分割差异;
基于分割差异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,还包括:
响应于分割差异指示预测分割结果与样本分割结果的差异阈值时,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分割训练周期中的样本薄片图像输入次数达到分割次数阈值时,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,该方法,还包括:
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;
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;
将预测组分类型特征与样本组分类型特征进行差异比较,得到识别差异;
基于识别差异对组分种类识别模型进行调整。
在一个可选的实施例中,非单晶态组分集合图像包括非晶态组分集合图像和多晶态组分集合图像,非单晶态组分区域包括非晶态组分区域和多晶态组分区域,非晶态组分区域对应有非晶态组分识别,多晶态组分区域对应有多晶态组分识别结果。
在一个可选的实施例中,岩石薄片为碎屑岩岩石薄片;
单晶态组分区域包括石英长石碎屑区域与硅质钙质胶结物区域,非单晶态组分区域包括非陆源碎屑区域、岩屑碎屑区域、杂基填隙物区域和泥质胶结物区域;
分类识别模型中包括分类子模型组和识别子模型组;
分类子模型组中包括颗粒分类子模型、碎屑分类子模型、陆源碎屑分类子模型、填隙物分类子模型和胶结物分类子模型;
识别子模型组中包括非陆源碎屑识别子模型、岩屑碎屑识别子模型、石英长石碎屑识别子模型、硅质钙质胶结物识别子模型、泥质胶结物识别子模型和杂基填隙物识别子模型;
将岩石薄片分割图像输入分类识别模型中,输出得到单晶态组分集合图像和非单晶态组分集合图像,包括:
将碎屑岩岩石薄片输入颗粒分类子模型中,输出得到碎屑子图像和填隙物子图像;
将碎屑子图像输入碎屑分类子模型中,输出得到非陆源碎屑子图像和陆源碎屑子图像;
将陆源碎屑子图像输入陆源碎屑分类子模型中,输出得到岩屑碎屑子图像和石英长石碎屑子图像;
将填隙物子图像输入填隙物分类子模型中,输出得到杂基填隙物子图像和胶结物子图像;
将胶结物子图像输入胶结物分类子模型中,输出得到硅质钙质胶结物子图像和泥质胶结物子图像;
将非陆源碎屑子图像输入非陆源碎屑识别子模型中,输出得到非陆源碎屑识别结果,并基于非陆源碎屑识别结果确定非陆源碎屑区域;
将岩屑子图像输入岩屑碎屑识别子模型中,输出得到岩屑碎屑识别结果,并基于岩屑碎屑识别结果确定岩屑区域;
将石英长石子图像输入石英长石碎屑识别子模型中,输出得到石英长石碎屑识别结果,并基于石英长石碎屑识别结果确定石英长石碎屑区域;
将杂基填隙物子图像输入杂基填隙物识别子模型中,输出得到杂基填隙物识别结果,并基于杂基填隙物识别结果确定杂基填隙物区域;
将硅质钙质胶结物子图像输入硅质钙质胶结物识别子模型中,输出得到硅质钙质胶结物识别结果,并基于硅质钙质胶结物识别结果确定硅质钙质胶结物区域;
将泥质胶结物子图像输入泥质胶结物识别子模型中,输出得到泥质胶结物识别结果,并基于泥质胶结物识别结果确定泥质胶结物区域;
基于石英长石碎屑区域与硅质钙质胶结物区域,确定单晶态组分区域;
基于非陆源碎屑区域、岩屑碎屑区域、泥质胶结物区域以及杂基填隙物区域确定非单晶态组分区域。
在一个可选的实施例中,该方法,还包括:
获取样本薄片图像,样本薄片图像标注有样本分割区域以及样本组分类型特征;
将样本薄片图像输入岩石薄片图像识别模型中,输出得到预测分割区域以及预测组分类型特征;
将预测分割区域与样本分割区域进行比对,得到样本分割差异,并将预测组分类型特征与样本组分类型特征进行比对,得到样本组分差异;
基于样本分割差异以及样本组分差异,对岩石薄片图像识别模型进行调整。
在一个可选的实施例中,岩石薄片鉴定结果中包括最大颗粒粒径识别结果;
基于几何特征与矿物特征,生成岩石薄片结构鉴定结果,包括:
基于矿物特征确定与最大颗粒粒径识别结果对应的最大颗粒组分区域;
基于几何特征确定与组分区域对应的最大颗粒粒径,并基于最大颗粒粒径生成最大颗粒粒径识别结果。
在一个可选的实施例中,岩石薄片鉴定结果中包括颗粒分选度结果;
基于几何特征与矿物特征,生成岩石薄片结构鉴定结果,包括;
基于矿物特征确定与颗粒分选度识别结果对应的分选度组分区域集合,分选度组分区域集合中包括至少两个组分区域;
基于分选度组分区域集合中的组分区域对应的几何特征,确定颗粒粒径分级对应关系,颗粒粒径分级对应关系中包括至少两级颗粒粒径级别,以及处于颗粒粒径级别中的组分区域的数量;
基于颗粒粒径分级对应关系,确定颗粒分选度结果。
在一个可选的实施例中,岩石薄片鉴定结果中包括颗粒磨圆度识别结果;
基于几何特征与矿物特征,生成岩石薄片结构鉴定结果,包括:
基于矿物特征确定与颗粒磨圆度识别结果对应的磨圆度识别组分区域集合,磨圆度识别组分区域集合中包括至少两个组分区域;
基于磨圆度组分识别区域集合中的组分区域对应的几何特征,确定磨圆度分级对应关系,磨圆度分级对应关系中包括至少两个磨圆度级别,以及处于磨圆度级别中的组分区域的数量;
基于磨圆度分级对应关系,确定颗粒磨圆度识别结果。
在一个可选的实施例中,岩石薄片鉴定结果中包括颗粒自形程度结果;
基于几何特征与矿物特征,生成岩石薄片结构鉴定结果,包括:
基于矿物特征确定与颗粒自形程度结果对应的自形程度组分区域集合,自形程度组分区域集合中包括至少两个自形程度组分区域;
基于自形程度组分区域集合中的组分区域对应的几何特征,确定组分区域的形状;
基于组分区域的形状,确定颗粒自形程度结果。
在一个可选的实施例中,岩石薄片鉴定结果中包括颗粒接触方式识别结果;
基于几何特征与矿物特征,生成岩石薄片结构鉴定结果,包括:
基于矿物特征确定至少两组组分区域对,组分区域对中包括两个相邻的组分区域;
基于几何特征,确定组分区域对中的两个组分区域的交并比;
基于至少两个组分区域的交并比,确定颗粒接触方式识别结果。
在一个可选的实施例中,基于岩石薄片鉴定结果确定岩石薄片名称,包括:
基于细分岩类特征,确定与岩石薄片名称对应的命名规则;
基于命名规则以及岩石薄片结构鉴定结果,生成岩石薄片名称。
另一方面,提供了一种岩石鉴定系统,该岩石鉴定系统包括图像采集设备与计算机设备,图像采集设备与计算机设备连接;
图像采集设备,用于生成岩石薄片图像;向计算机设备发送岩石薄片图像;
计算机设备,用于接收图像采集设备发送的岩石薄片图像,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,岩石薄片图像中包括至少一个组分区域;基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征,其中,几何特征用于指示岩石薄片基于组分的区域划分情况,矿物特征用于指示对岩石薄片进行矿物鉴定,得到的矿物鉴定结果,结构特征用于指示岩石样本的空间结构;基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果,鉴定结果中包括对岩石样本的特征的文字化描述。
另一方面,提供了一种岩石鉴定装置,该装置包括:
接收模块,用于接收图像采集设备发送的岩石薄片图像,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,岩石薄片图像中包括至少一个组分区域;
生成模块,用于基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征,其中,几何特征用于指示岩石薄片基于组分的区域划分情况,矿物特征用于指示对岩石薄片进行矿物鉴定,得到的矿物鉴定结果,结构特征用于指示岩石样本的空间结构;
生成模块,用于基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果,鉴定结果中包括对岩石样本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岩石鉴定方法。
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岩石鉴定方法。
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岩石鉴定方法。
本申请提供的技术方案带来的有益效果至少包括:
在获取岩石薄片图像后,对于岩石薄片图像进行基于几何特征、矿物特征以及结构特征的三个维度的特征提取,从微观组成和宏观表现的角度,综合多个特征维度对于岩石的性质进行确定,最终生成包括有文字化描述的鉴定结果。在对于岩石进行鉴定的过程中,在获取岩石薄片对应的微观可视化图像后,对该图像进行多个维度的特征提取,并在参考多个维度的特征的情况下对于岩石薄片进行鉴定,提高了岩石鉴定的准确率。
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岩石鉴定系统的示意图;
图2示出了本申请一个示例性实施例提供的一种图像采集设备的结构示意图;
图3示出了本申请一个示例性实施例提供的一种岩石鉴定方法的流程图;
图4示出了本申请一个示例性实施例提供的一种岩石薄片图像的结构示意图;
图5示出了本申请一个示例性实施例提供的一种确定几何特征、矿物特征以及结构特征的方法流程图;
图6示出了本申请一个示例性实施例提供的一种对岩石薄片图像进行分割的方法的流程示意图;
图7示出了本申请一个示例性实施例提供的一种图像分割模型的结构框图;
图8示出了本申请一个示例性实施例提供的一种经过分割的岩石薄片分割图像的示意图;
图9示出了本申请一个示例性实施例提供的一种矿物特征的识别方法的流程图;
图10示出了本申请一个示例性实施例提供的一种岩石薄片分割图像中提取分割区域的示意图;
图11示出了本申请一个示例性实施例提供的另一种岩石鉴定系统的示意图;
图12示出了本申请一个示例性实施例提供的一种矿物数据采集设备的装置示意图;
图13示出了本申请一个示例性实施例提供的一种确定与岩石薄片对应的矿物特征的识别方法的流程示意图;
图14示出了本申请一个示例性实施例提供的一种与碎屑岩对应的岩石薄片的示意图;
图15示出了本申请一个示例性实施例提供的一种与碎屑岩对应的岩石识别模型的结构示意图;
图16示出了本申请一个示例性实施例提供的一种确定与组分区域对应的矿物特征的方法的流程示意图;
图17示出了本申请一个示例性实施例提供的一种矿物光谱数据库的结构示意图;
图18示出了本申请一个示例性实施例提供的一种对于几何特征及矿物特征进行确定的过程示意图;
图19示出了本申请一个示例性实施例提供的一种岩石薄片的鉴定结果的生成方法的示意图;
图20示出了本申请一个示例性实施例提供的一种岩石鉴定方法的过程示意图;
图21示出了本申请一个示例性实施例提供的一种薄片鉴定报告的内容示意图;
图22示出了本申请一个示例性实施例提供的一种岩石鉴定方法的过程示意图;
图23示出了本申请一个示例性实施例提供的一种岩石鉴定方法的过程示意图;
图24示出了本申请一个示例性实施例提供的一种侵入岩分类相图的示意图;
图25示出了本申请一个示例性实施例提供的一种岩石鉴定装置的结构框图;
图26示出了本申请一个示例性实施例提供的另一种岩石鉴定装置的结构框图;
图27示出了本申请一个示例性实施例提供的一种执行岩石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:
组分,指混合物中的各个成分。在本申请中,组分是指固态材料的成分。由于固态材料为混合物,在该混合物中,即会包括至少两种相互分离的组分。该固态材料也即被称为固态多组分混合材料。在一个示例中,混合物实现为金属丝,则金属丝的组分包括铅、镉、铋、锡中的至少一种;在另一个示例中,混合物实现为岩石,则岩石的组分包括但不限于陆源碎屑组分、非陆源碎屑组分、胶结物组分和杂基组分中的至少一种。在本申请中,组分指示岩石薄片中包含的组分,在岩石薄片图像中,对应不同的组分,有不同的组分区域。
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。本申请实施例中,图像识别和图像分割技术均将被应用于岩石鉴定领域。
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。
光谱,是复色光经过色散系统分光后,被色散开的单色光按波长大小而一次排列的图案。光谱的全称为光学频谱。在本申请实施例中,光谱是光谱数据采集设备针对组分区域中的测量点进行采集得到的。以组分为矿物组分为例,当矿物受电磁辐射照射时,其内部的分子会产生量子化的能级之间的跃迁,进而导致发射、吸收或散射、辐射现象的产生,从而生成光谱。光谱实现为光谱数据的可视化表征。也即,在生成光谱的同时,光谱数据采集设备也会同时生成对应的光谱数据,并将此类光谱数据发送至其他计算机设备当中。
数据库,是按照数据结构来组织、存储和管理数据的虚拟仓库,是一个长期存储在计算机内的、有组织的、可共享的、统一管理的大量数据的集合。在本申请实施例中,对应分子光谱,则计算机设备可以调取光谱数据数据库,以对于光谱数据进行确认以及解析。
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射线荧光光谱(X-ray Fluorescence,XRF)、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。
本申请针对相关技术中人工识别的岩石鉴定方式识别过程繁杂,专业要求极高,但准确率较低的情况,提供了一种岩石鉴定系统以及岩石鉴定方法,借助基于人工智能的图像识别技术,在岩石鉴定过程中生成多维的特征,提高了岩石鉴定的准确率。
图1示出了本申请一个示例性实施例提供的一种岩石鉴定系统的示意图,该装置包括图像采集设备101和计算机设备102,图像采集设备101与计算机设备102连接。
在本申请实施例中,计算机设备即为执行岩石鉴定方法的终端设备。该计算机设备具有数据发送、数据接收以及数据处理的功能。
图像采集设备为在计算机设备执行岩石鉴定方法的过程中,向计算机设备提供图像的设备。在本申请实施例中,图像采集设备具有图像摄制以及图像发送的功能。在一个示例中,图2示出了本申请一个示例性实施例提供的一种图像采集设备的结构示意图,该图像采集设备包括第一光源201、第一载物台202、第一物镜203、偏振装置204、电荷耦合器件(Charge-Coupled Device,CCD)相机205、第一底座206和第一支架207。请参考图2,第一载物台202位于第一支架207中央,第一物镜203位于第一支架的顶部,第一物镜203内具有检偏镜,第一物镜203的底部具有第一安装物镜转换器,第一安装物镜转换器与第一物镜203连接。CCD相机205位于第一物镜203的顶部,偏正装置204包括起偏镜和检偏镜,起偏镜和第一光源201位于第一底座上,第一底座206与第一支架207的底部连接。当图像采集设备200生成岩石薄片图像时,第一光源201启动并发出光线,该光线所对应的光路通过起偏镜和检偏镜,最终投射至岩石薄片上。岩石薄片位于第一载物台202顶部,也即,被置于第一载物台202上。CCD相机处于第一工作状态,也即,CCD相机对应物镜的位置,拍摄得到对应岩石薄片的显微图像,作为岩石薄片图像。
在本申请实施例中,图像采集设备与计算机设备之间建立有通信连接。基于该通信连接,图像采集设备可以将图像发送至计算机设备当中进行存储。在计算机设备接收到图像采集设备发送的图像后,即对于图像进行处理,得到与本方案相关的,适配岩石鉴定过程的特征,并基于上述适配岩石鉴定过程的特征进行岩石鉴定。
对应上述岩石鉴定系统,图3示出了本申请一个示例性实施例提供的一种岩石鉴定方法的流程图,以该方法应用于岩石鉴定系统的计算机设备中里进行说明,该方法包括:
步骤301,接收图像采集设备发送的岩石薄片图像。
在一个示例中,在接收图像采集设备发送的岩石薄片图像之前,计算机设备向图像采集设备发送图像采集指令,在接收到图像采集指令后,图像采集设备对应该图像采集指令进行图像的采集,并将采集得到的图像发送至计算机设备。计算机设备对于图像采集设备发送的图像进行筛选以及处理,最终得到岩石薄片图像。岩石薄片为对岩石样本进行切割得到的薄片,也即,岩石薄片中的组分可以对岩石样本的组分进行代表与表征。对应地,岩石薄片图像中也即包括至少一个组分区域,每个组分区域中包括一种组分。在本申请实施例中,组分即指示与岩石对应的组分。请参考图4,由于岩石薄片图像400为对于岩石薄片进行显微拍摄得到的图像,故岩石薄片图像中包括组分区域401,在图4中,组分区域的数量为18个,该18个组分区域可以表征相同的组分,也可以表征互不相同的组分,也可以表示至少两个互不相同的组分,且存在组分区域中的组分相同的情况。本申请实施例对于组分区域的内容不做限定。在本申请实施例中,组分区域中包括的组分实现为矿物组分,也可以实现为结构组分。可选地,当组分区域中包括的内容为矿物组分时,组分区域可以指示一类矿物。当组分区域中包括的内容为结构组分时,组分区域可以指示一类颗粒,或,一类填隙物。
需要说明的是,本申请实施例中的岩石薄片图像的数量为2张,分别为与岩石薄片对应的单偏光图像和正交偏光图像;或,本申请实施例中的岩石薄片数量为1张,且该图像是将岩石薄片对应的单偏光图像和正交偏光图像进行组合得到的图像。本申请实施例对于岩石薄片图像的实际表现形式不作限定,但岩石薄片图像需体现岩石薄片在普通光和偏振光光源下时表现出的各向异性。
步骤302,基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征。
在本申请实施例中,在接收到岩石薄片图像的情况下,对应岩石薄片的性质,计算机设备将会对岩石薄片图像进行特征提取,对应岩石薄片的几何特征、矿物特征以及结构特征。可选地,几何特征用于指示岩石薄片基于组分的区域划分情况,矿物特征用于指示对岩石薄片进行矿物鉴定,得到的矿物鉴定结果,结构特征用于指示岩石样本的空间结构。在本申请实施例中,岩石薄片图像中的组分区域的分布图像可以表征几何特征,岩石薄片图像中组分区域的具体矿物类型可以表征矿物特征,岩石薄片图像所体现的空间结构性质可以表征结构特征。本申请实施例对于几何特征、矿物特征以及结构特征的具体内容不作限定。
步骤303,基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果。
在本申请实施例中,在计算机设备确定岩石薄片图像表征的,也即,与岩石薄片对应的几何特征、矿物特征和结构特征后,即基于上述特征进行岩石薄片的鉴定结果的生成。鉴定结果中包括对于岩石样本的特征的文字化描述。在一个示例中,鉴定结果包括对于岩石样本的定名,以及对于几何特征、矿物特征和结构特征的文字化归纳。可选地,鉴定结果以列表的形式进行表示,或,鉴定结果还包括可视化图像内容,以图表的形式进行表示。本申请对于鉴定结构的生成方法不作限定。
综上所述,本申请实施例提供的方法,在获取岩石薄片图像后,对于岩石薄片图像进行基于几何特征、矿物特征以及结构特征的三个维度的特征提取,从微观组成和宏观表现的角度,多个特征维度对于岩石的性质进行确定,最终生成包括有文字化描述的鉴定结果。在对于岩石进行鉴定的过程中,在获取岩石薄片对应的微观可视化图像后,对该图像进行多个维度的特征提取,并在参考多个维度的特征的情况下对于岩石薄片进行鉴定,提高了岩石鉴定的准确率。
在本申请的一些实施例中,几何特征、矿物特征与结构特征之间存在相关性。在一个示例中。结构特征指示岩石的具体种类,而几何特征与矿物特征可以为岩石的具体种类的鉴定提供指导;在另一个示例中,矿物特征指示与组分区域对应的矿物,故在进行矿物特征的确定之前,计算机设备需要优先进行几何特征的确定。图5示出了本申请一个示例性实施例提供的一种确定几何特征、矿物特征以及结构特征的方法流程图,该方法可以替换如图3所示的步骤302,实现为步骤501至步骤506,该方法包括:
步骤501,基于岩石薄片图像生成初选岩类结构特征。
在本申请实施例中,结构特征包括初选岩类结构特征以及细分岩类结构特征。其中,初选岩类结构特征用于对于岩石薄片对应的岩石样本进行分类,且分类至初选岩石种类,初选岩石种类也即为沉积岩类、岩浆岩类和变质岩类。
在一个示例中,将岩石薄片图像输入初选岩类选择模型,输出得到初选岩类结果,初选岩类结果即可指示岩石薄片对应的初选岩类结构特征。初选岩类结构选择模型为基于初选岩类图像样本集构建的模型。在将岩石薄片图像输入初选岩类选择模型后,初选岩类选择模型会将岩石薄片图像与样本集中保存的样本图像进行对比,并进而确定初选岩类结构特征。
步骤502,基于初选岩类结构特征确定与岩石薄片对应的初选岩石种类。
在本申请实施例中,初选岩类结果包括沉积岩类、岩浆岩类和变质岩类,也即,初选岩类为根据成因划分得到的三种岩类。对应不同的初选岩类结构特征,即可得到初选岩石种类。在一个示例中,初选岩类结构特征实现为与对应的初选岩石种类的相似度。
步骤503,根据初选岩石种类,基于组分图像的位置对岩石薄片图像进行划分,得到岩石薄片分割图像,岩石薄片分割图像中包括至少两个分割区域。
可选地,在确定初选岩石种类后,计算机设备即可进一步确定与初选岩石种类对应的组分区域内容,以及组分区域的常见形状。在本申请实施例中,计算机设备基于该组分区域内容以及组分区域的常见形状对于岩石薄片图像进行分割,得到岩石薄片分割图像,岩石薄片分割图像中包括至少两个分割区域。分割区域即用于指示岩石薄片图像基于其所具有的组分区域的分割情况。
步骤504,基于分割区域确定与岩石薄片对应的几何特征。
在确定分割区域后,即可基于分割区域,对于与岩石薄片对应的几何特征进行确定。在此过程中,计算机设备即将分割区域视为组分区域,进行几何特征的识别。在该过程中,经过计算机设备的对应处理后,几何特征可用于表征组分区域的面积、组分区域的最大直径、组分区域的形状中的至少一种。
步骤505,基于分割区域确定与岩石薄片对应的矿物特征。
在确定与岩石薄片对应的几何特征后,即可基于初选岩类结构特征,进一步确定与岩石薄片对应的矿物特征。在本申请实施例中,矿物特征用于指示各个分割区域中的组分的矿物种类。
需要说明的是,在本申请实施例为例的部分实施例中,首先确定与岩石薄片对应的几何特征,其次确定与岩石薄片对应的矿物特征;在本申请的一些其他实施例中,首先确定与岩石薄片对应的矿物特征,其次确定与岩石薄片对应的几何特征;在本申请的一些其他实施例中,同时确定与岩石薄片对应的几何特征以及矿物特征。本申请对于几何特征以及矿物特征的确定先后次序不做限定。
步骤506,基于几何特征与矿物特征,确定细分岩类结构特征。
在本申请实施例中,在确定几何特征与矿物特征后,即可进一步确定细分岩类结构特征,细分岩类结构特征用于指示岩石样本对应的细分岩石种类,也即,在成因的基础上,结合岩石组分区域和组分区域的矿物组成,进一步确定的种类。
可选地,将几何特征与矿物特征输入细分岩类选择模型中,输出得到细分岩类结果,细分岩类结果指示岩石薄片对应的细分岩类结构特征,细分岩类选择模型为基于几何-矿物特征交互样本集构建的模型,几何-矿物特征交互样本集指示几何特征与矿物特征的组合,与细分岩类结构特征之间的对应关系。在一个示例中,对应岩石样本的初选岩类结构特征指示岩石样本为沉积岩,而通过细分岩类选择模型,根据岩石样本薄片中的分割区域的性质以及分割区域的种类,得到与岩石样本对应的细分岩类结构特征指示岩石样本为沉积岩中的碎屑岩。
可选地,初选岩石种类与细分岩石种类均为鉴定结果中包括的内容。
综上所述,本申请实施例提供的方法,对应结构特征对于岩石鉴定的实际应用内容,将结构特征分类为初选岩类结构特征以及细分岩类结构特征,并在确定初选岩类结构特征后,进一步确定与岩石薄片图像对应的几何特征与结构特征,进而确定细分岩类结构特征,使在岩石鉴定的过程中,几何特征与结构特征的确定过程更加具有针对性,进一步提高了岩石鉴定的准确率。
接下来,对应图5所示的实施例中涉及的几何特征以及矿物特征的详细确定方法进行逐个说明。
如上实施例中所述,几何特征即为用于指示岩石薄片基于组分的区域划分情况。本申请中,将通过基于机器学习的神经网络模型,对于几何特征进行获取。图6示出了本申请一个示例性实施例提供的一种对岩石薄片图像进行分割的方法的流程示意图,该方法可以替换图5所示实施例中的步骤503至步骤504。以该方法应用于计算机设备中为例进行说明,请参考图6,该方法包括:
步骤601,获取样本薄片图像,样本薄片图像标注有样本分割结果。
本申请实施例重要说明的是岩石薄片图像分割模型的构建以及应用过程,该岩石薄片图像分割模型即为对于组分区域进行划分的模型。在本申请实施例中,在选择岩石薄片图像分割模型所应用的基础网络后,即通过样本训练的方式实现机器学习过程。步骤601即为获取样本薄片图像,也即,构建样本集的过程。
在本申请实施例中,样本薄片图像为对应岩石薄片图像的内容选取的图像。在一个示例中,样本薄片图像为与岩石薄片的初选岩石种类相对应的岩石薄片图像;在另一个示例中,样本薄片图像为与岩石薄片的细分岩石种类相对应的岩石薄片图像。本申请对于样本薄片图像所对应的具体岩石种类不作限定。
可选地,样本薄片图像标注有样本分割结果。该样本分割结果即为通过其他方式进行判断后,确定的样本薄片图像基于组分区域的分割区域的划分方式。
步骤602,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。在一个示例中,请参考图7,该岩石薄片图像分割模型700中包括特征图像生成网络701,区域建议网络702以及结果生成网络703,该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701中包括特征提取子网络7011以及特征强化子网络7012,结果生成网络703中包括结果区域分类分支网络7031以及边框回归分支网络7032。
在通过岩石薄片图像分割模型获取分割结果时。在岩石薄片图像进入岩石薄片图像分割模型后,将经过特征图像生成网络,在特征提取子网络中,经过特征提取子网络的表层特征提取以及特征强化子网络的特征强化,即可得到与岩石薄片图像相对应的特征图像。随后,特征图像被输入区域建议网络,输出得到与待测薄片对应的初步分割特征图像。在经过便捷细化处理后,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修正,即最终输出分割结果。
在本申请实施例中,针对构建完成的岩石薄片图像分割模型,通过输入样本薄片图像的方式,获取预测分割结果。该预测分割结果可以以叠加显示有分割线的样本岩石薄片的形式输出。
步骤603,将预测分割结果与样本分割结果进行差异比较,得到分割差异。
该过程即为将预测分割结果与样本分割结果进行比较,以确定二者的差异的过程。由于造成预测分割结果与样本分割结果之间的差异的原因为,岩石薄片图像分割模型的参数调整并未完成。在一个示例中,分割差异实现为岩石薄片分割图像中分割线的长度差异;在另一个示例中,分割差异实现为岩石薄片分割图像中分割线的形状差异。本申请对于分割差异的具体实现形式不做限定。
步骤604,基于分割差异对岩石薄片图像分割模型进行调整。
在本申请实施例中,基于分割差异的差异情况,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的方式,输出得到其他的预测分割结果,并进行差异比较,以执行模型的训练过程。可选地,在本申请的其他实施例中,还可以基于岩石薄片图像分割模型的已训练次数,确定岩石薄片图像分割模型的训练是否完成。在本申请实施例中,响应于分割差异指示预测分割结果与样本分割结果的差异阈值时,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分割训练周期中的样本薄片图像输入次数达到分割次数阈值时,确定岩石薄片图像分割模型的训练完成。
需要说明的是,本申请中出现的各个“阈值”,可以实现为计算机程序中存储的阈值,也可以实现为在计算机设备执行相应步骤时,人工输入的阈值,本申请对于阈值的实际获取方式不做限定。
在确定岩石薄片图像分割模型的训练完成后,即通过输入待测的岩石薄片图像的方式,对于岩石薄片图像进行分割,以进行集合特征的提取。
步骤605,响应于岩石薄片图像分割模型训练完成,将岩石薄片图像输入岩石薄片图像分割模型中,输出得到岩石薄片分割图像。
步骤605所对应的过程即为生成与岩石薄片对应的岩石薄片分割图像的过程,该岩石薄片分割图像中包括了至少两个分割区域,如前文所述,分割区域指示了基于组分区域确定的分割情况。在岩石薄片图像分割模型训练完成的情况下,分割区域即可直接表示组分区域。如图8所示,在经过岩石薄片图像分割模型后得到的岩石薄片分割图像800中,即以分割线801的方式划分出了多个组分区域802。以图8为例,被分割线801全包围的区域即为组分区域802。
在得到岩石薄片分割图像后,即可生成与岩石薄片图像对应的分割结果。分割结果包括与岩石薄片图像对应的组分区域的数量、与岩石薄片图像对应的组分区域的分布密度以及与岩石薄片图像对应的组分区域的大小中的至少一种。在一个示例中,上述分割结果可以直接指示与岩石薄片对应的几何特征,或,上述分割结果可以经过处理,生成与岩石薄片对应的几何特征。
综上所述,本申请实施例提供的方法,在对于岩石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,对于岩石薄片图像进行分割,以得到与岩石薄片相对应的几何特征。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,对岩石薄片图像中的组分区域提供了更好的划分指导,提高了几何特征的获取效率。
可选地,在本申请中,图6所示的实施例即为一种计算机设备获取几何特征的实施例。在本申请的其他实施例中,几何特征还包括其他的获取方式。本申请对于几何特征的具体获取方式不做限定。
本申请实施例中,由于几何特征指示组分区域的划分情况,且每个组分区域中对应不同的组分,故在确定几何特征后,进行矿物特征的确定,也即,进行岩石薄片中的矿物分布情况的确定。
在本申请的一个实施例中,通过基于机器学习的神经网络模型进行矿物特征的确定。图9示出了本申请一个示例性实施例提供的一种矿物特征的识别方法的流程图,该方法可以替换实现为图5所示的实施例中的步骤505。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901,基于分割区域确定组分图像,组分图像中包括一个组分区域。
在本申请实施例中,请参考图10,分割区域1001即为基于岩石薄片分割图像1000确定的分割结果,该分割区域1001即可用于进行组分图像1010的确定,组分图像1010中包括一个组分区域。由于岩石薄片图像分割模型已经过训练,故该组分区域与岩石薄片中包括的组分区域对应,直接表征岩石薄片中的组分。
步骤902,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。
在本申请实施例中,通过组分种类识别模型,进行与组分区域对应的组分类型特征的确定,也即,进行与组分区域对应的矿物组成的确定。可选地,组分种类识别模型的构建方式与岩石薄片图像分割模型的构建方式相似。均为基于机器学习的样本训练。在本申请实施例中,样本组分图像选自于样本组分图像数据集,且每个样本组分图像中均包括且仅包括一个组分区域,该样本组分区域对应有样本组分类型特征。
步骤903,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,预测组分类型特征即为处于训练过程中的组分种类识别模型对样本组分图像进行识别,得到的预测组分类型特征。在本申请实施例中,组分种类识别模型可选用的地层神经网络包括Mobilenet神经网络,Resnet神经网络,VGG(VisualGeometry Group Network)神经网络中的至少一种。
步骤904,将预测组分类型特征与样本组分类型特征进行差异比较,得到识别差异。
该过程即为确定预测组分类型特征与样本组分类型特征的差异识别过程。在一个示例中,组分类型特征表征为数值形式,不同的数值表征不同的组分类型,以及组分区域属于该组分类型的概率。在此情况下,识别差异可以指示预测组分类型特征与样本组分类型特征的差值,或,预测组分类型特征与样本组分类型特征的比值。本申请实施例对于组分类型特征的实际输出形式不作限定。
步骤905,基于识别差异对组分种类识别模型进行调整。
该过程即为根据组分种类识别差异对于组分种类识别模型进行调整,直至差异小于差异阈值,或组分种类识别模型的训练次数达到训练次数阈值。当满足上述条件,或满足上述条件之一时,即可确定组分种类识别模型的训练完成。
步骤906,响应于组分种类识别模型训练完成,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。
该过程即为对于组分类型特征进行输出的过程。需要说明的是,本申请实施例关注的是对于组分图像中的单个组分的识别,故当组分图像中不可避免地包括了两个组分区域时,组分种类识别模型会将上述两个组分区域进行统一识别,或,组分种类识别模型将在上述两个组分区域中选取与任一组分区域对应的图像区域,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907,基于组分图像对应的组分类型特征,确定与岩石薄片对应的矿物特征。
可选地,计算机设备中存储有组分类型特征与矿物种类之间的对应关系,当组分类型特征被输出后,计算机设备即可从组分类型特征与矿物种类之间的对应关系中判断与组分区域对应的矿物种类。
在与岩石薄片图像对应的所有组分区域的矿物种类均被确定后,即可得到与岩石薄片对应的矿物特征。
综上所述,本申请实施例提供的方法,对应单个组分区域,通过将其输入组分种类识别模型中,进行组分识别,并将输出得到指示组分区域的矿物特征的组分类型特征。通过输入具有单个组分区域的组分图像,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的方式,提高了对于岩石薄片中的组分的识别效率。
在本申请的另一些实施例中,通过基于分类识别模型进行矿物特征的初步确定,随后通过矿物数据采集设备,对于分类识别模型的初步确定结果进行验证。在此情况下,岩石鉴定系统中即还包括矿物数据采集设备。图11示出了本申请一个示例性实施例提供的一种岩石鉴定系统的结构框图,该岩石鉴定系统包括图像采集设备1101、计算机设备1102以及矿物数据采集设备1103,其中,图像采集设备1101以及矿物数据采集设备1103分别与计算机设备1102连接。对应地,图12示出了本申请一个示例性实施例提供的一种矿物数据采集设备的装置示意图,该矿物数据采集设备包括第二光源1201、第二载物台1202、第二物镜1203、光电信号转换器1204、第二底座1205和第二支架1206;第二光源1201对应有第二光路1207,第二光路1207的终点投射至第二载物台1202;第二载物台1202位于第二支架1207中央,第二物镜1203位于第二支架1207的顶部,第二物镜1203的底部具有第二安装物镜转换器,第二安装物镜转换器与第二物镜1203连接;光电信号转换器1205于第二物镜1203的顶部;当矿物数据采集设备1200生成矿物数据时,岩石薄片位于第二载物台1202顶部,光电信号转换器1204处于第二工作状态,以进行光谱数据的获取。在本申请实施例中,第二工作状态即为光电信号转换器1204进行数据采集时的状态。
需要说明的是,矿物数据采集设备与图像采集设备可以实现为同一设备,也即,矿物数据采集设备与图像采集设备共用第一载物台、第一物镜、第一底座以及第一支架。CCD相机和光电信号转换器均位于第一物镜上,矿物数据采集设被和图像采集设备的集成设备可以通过获取岩石薄片图像和光谱数据,并且将岩石薄片图像和光谱数据共同发送至计算机设备当中。
基于如上所述的岩石鉴定系统,图13示出了本申请一个示例性实施例提供的一种确定与岩石薄片对应的矿物特征的识别方法的流程示意图。该方法可以替换实现为与图5对应的实施例中的步骤505,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1301,将岩石薄片分割图像输入分类识别模型中,输出得到单晶态组分集合图像和非单晶态组分集合图像。
本申请实施例中,通过分类识别模型,对于岩石薄片分割图像中,属于不同晶态类型的组分区域进行区分。
在通常情况下,岩石体现为多组分混合物,在该混合物中,根据组分区域内的晶体的宏观形态,组分可以被划分为单晶态组分以及非单晶态组分。可选地,非单晶态组分包括多晶态组分和非晶态组分。在一个示例中,分类识别模型中包括晶态组分分类模型,以将组分区分为单晶态组分以及非单晶态组分,且分类识别模型中还包括非单晶态组分分类模型,将非单晶态组分区分为多晶态组分和非晶态组分,并对应设置单晶态组分识别模型、多晶态组分识别模型以及非晶态组分识别模型,以进行组分区域对应的具体矿物种类的识别。
在此情况下,针对不同的岩石种类,可以对分类识别模型中的分类子模型以及识别子模型的具体种类进行设置,以适配不同岩石种类中包含的不同组分区域的情况。接下来,以岩石薄片的岩石种类为碎屑岩为例进行说明。
对应碎屑岩这一岩石种类,碎屑岩中的组分区域所指示的组分包括碎屑组分与填隙物组分。其中,碎屑是沉积岩或沉积物的一种组分,是母岩机械风华的产物;填隙物是位于各个碎屑之间的连接物质。随后,在进行进一步细分时,将碎屑组分划分为陆源碎屑组分和非陆源碎屑组分。其中,陆源碎屑是指陆源区母岩经物理风化或机械破坏而形成的碎屑物质,主要包括石英、长石、岩屑等,非陆源碎屑是指非陆源区母岩经物理风化或机械破坏而形成的碎屑物质,主要包括内源屑、火山碎屑等。同时,将填隙物组分划分为胶结物组分和杂基组分。其中,杂基指示填充于碎屑颗粒之间的细小机械混入物。在本申请实施例中,杂基可以实现为粉砂、粘土物质、细分、碳酸盐灰泥中的至少一种。胶结物指示填隙物中除杂基以外的化学沉淀位置。再次,将胶结物组分根据其组成的物质成分,进一步划分为硅质钙质组分以及泥质组分。并将陆源碎屑组分根据其碎屑形态,划分为石英长石组分以及岩屑组分。也即,对应碎屑岩这一岩类,分类识别模型需要具有对于石英长石碎屑区域、硅质钙质胶结物区域、非陆源碎屑区域、岩屑碎屑区域、杂基填隙物区域和泥质胶结物区域的识别能力。图14示出了本申请一个示例性实施例提供的一种与碎屑岩对应的岩石薄片的示意图,该碎屑岩的岩石薄片中包括各种组分,请参考图14。该碎屑岩的岩石薄片1400中包括石英碎屑区域1401、硅质钙质胶结物区域1402、非陆源碎屑区域1403、岩屑碎屑区域1404、杂基填隙物区域1405以及泥质胶结物区域1406。
请参考图15,对应岩石种类为碎屑岩的情况,该岩石识别模型1500中包括分类子模型组以及识别子模型组,分类子模型组中包括组分分类子模型1511、碎屑分类子模型1512、陆源碎屑分类子模型1513、填隙物分类子模型1514和胶结物分类子模型1515,识别子模型组中包括非陆源碎屑识别子模型1521、岩屑碎屑识别子模型1522、石英长石碎屑识别子模型1523、硅质钙质胶结物识别子模型1524、泥质胶结物识别子模型1525和杂基填隙物识别子模型1526。其中,组分分类子模型1511与碎屑分类子模型以及1512以及填隙物分类子模型1514连接,碎屑分类子模型1512分别与非陆源碎屑识别子模型1521以及陆源碎屑分类子模型1513连接,陆源碎屑分类子模型1513分别与岩屑碎屑识别子模型1522以及石英长石碎屑识别子模型1523连接,填隙物分类子模型1514分别与胶结物分类子模型1515以及杂基填隙物识别子模型1526连接,胶结物分类子模型1515分别与硅质钙质胶结物识别子模型1524以及泥质胶结物识别子模型1525连接。
在本示例中,当将岩石薄片分割图像输入岩石识别模型中后,各个分类子模型将会通过将岩石薄片分割图像进行划分以及重组的方式,生成对应分类的子图像,以在岩石薄片分割图像中进行对应区域的确定。各个识别子模型对应各个子图像,进行具体组分种类的确定。在该过程中,也即实现为:将碎屑岩岩石薄片输入组分分类子模型中,输出得到碎屑子图像和填隙物子图像;将碎屑子图像输入碎屑分类子模型中,输出得到非陆源碎屑子图像和陆源碎屑子图像;将陆源碎屑子图像输入陆源碎屑分类子模型中,输出得到岩屑碎屑子图像和石英长石碎屑子图像;将填隙物子图像输入填隙物分类子模型中,输出得到杂基填隙物子图像和胶结物子图像;将胶结物子图像输入胶结物分类子模型中,输出得到硅质钙质胶结物子图像和泥质胶结物子图像;将非陆源碎屑子图像输入非陆源碎屑识别子模型中,输出得到非陆源碎屑识别结果,并基于非陆源碎屑识别结果确定非陆源碎屑区域;将岩屑子图像输入岩屑碎屑识别子模型中,输出得到岩屑碎屑识别结果,并基于岩屑碎屑识别结果确定岩屑区域;将石英长石子图像输入石英长石碎屑识别子模型中,输出得到石英长石碎屑识别结果,并基于石英长石碎屑识别结果确定石英长石碎屑区域;将杂基填隙物子图像输入杂基填隙物识别子模型中,输出得到杂基填隙物识别结果,并基于杂基填隙物识别结果确定杂基填隙物区域;将硅质钙质胶结物子图像输入硅质钙质胶结物识别子模型中,输出得到硅质钙质胶结物识别结果,并基于硅质钙质胶结物识别结果确定硅质钙质胶结物区域;将泥质胶结物子图像输入泥质胶结物识别子模型中,输出得到泥质胶结物识别结果,并基于泥质胶结物识别结果确定泥质胶结物区域基于石英长石碎屑区域与硅质钙质胶结物区域,确定单晶态组分区域;基于非陆源碎屑区域、岩屑碎屑区域、泥质胶结物区域以及杂基填隙物区域确定非单晶态组分区域。
对应碎屑岩的实际情况,石英长石碎屑区域以及硅质钙质胶结物区域属于单晶态组分区域;非陆源碎屑区域、岩屑碎屑区域、泥质胶结物区域以及杂基填隙物区域属于非单晶态组分区域。
也即,在本申请实施例中,单晶态组分集合图像中包括至少一个单晶态组分区域,以及与单晶态组分区域对应的单晶态组分识别结果,非单晶态组分区域中包括至少一个非单晶态组分区域,以及与非单晶态组分区域对应的非单晶态组分识别结果。
需要说明的是,本申请实施例中的分类识别模型,或组成分类识别模型的各个子模型,均为基于深度学习的神经网络模型。
步骤1302,基于单晶态组分集合图像向矿物数据采集设备发送扫描指令。
由于单晶态组分区域对应的图像特征并不明显,故针对单晶态组分集合图像,需要通过矿物数据采集设备进行扫描数据的采集。可选地,扫描数据即为矿物数据采集设备采集到的光谱数据。在本申请实施例中,矿物数据采集设备还可以实现为包括但不限于诸如红外光谱与拉曼光谱的分子光谱、X射线荧光光谱(X-ray Fluorescence,XRF)、X射线能谱分析(Energy Dispersive X-ray Spectroscopy,EDS)中的至少一种设备。计算机设备向矿物数据采集设备发送扫描指令,该扫描指令即向矿物数据采集设备指示单晶态组分集合图像对应的组分区域的位置。
可选地,由于在岩石薄片的制作过程中会不可避免地引入杂质,且与单晶态组分对应的矿物以发生蚀变现象(指矿物受外界影响,使成分发生改变,生成新的矿物的过程的现象,在一个示例中,长石蚀变为粘土矿物)、双晶现象(指两个或两个以上同种晶体的规则连生,晶体的连接处可能对数据采集产生干扰的现象,在一个示例中,斜长石中包括聚片双晶现象)、包裹体现象(矿物中有一相或多相物质组成的,并与主晶矿物具有相的界限的封闭系统的现象,在一个示例中,石英具有金红石包裹体)、裂纹现象(指矿物因受外界应力作用而导致的断裂的现象,在一个示例中,石英具有裂纹),影响矿物数据采集设备的数据采集结果,故,在进行扫描指令的生成之前,首先将单晶态组分集合图像输入区域筛选模型,得到区域筛选结果,以确定单晶态组分集合图像中适合进行扫描的部分,也即,区域筛选结果指示了单晶态组分集合图像中的干净区域。在此情况下,计算机设备基于区域筛选结果生成扫描指令,并向矿物数据采集设备发送扫描指令。
步骤1303,接收矿物数据采集设备基于扫描指令反馈的扫描数据。
在矿物数据采集设备接收到扫描指令后。在一个示例中,矿物数据采集设备基于扫描指令进行物镜的移动,或,进行载物台的移动,使置于载物台上的岩石薄片对应的区域与物镜相对,并通过光源的照射与光电信号转换器的信号转换,进行扫描数据的采集,并反馈至计算机设备当中。在本申请实施例中,扫描数据可以实现为光谱数据。
步骤1304,基于扫描数据对单晶态组分识别结果进行验证,得到验证结果。
扫描数据可以从化学成分维度,或,晶体结构维度对于单晶态组分集合图像中的每个组分区域中的组分类型进行确定,其中,单晶态组分集合图像中的每个单晶态组分区域均对应有指示其化学成分的扫描数据,故扫描数据可以对单晶态组分集合中的每个单晶态组分中所具有的单晶态识别结果进行确定。
步骤1305,基于非单晶态组分识别结果、单晶态组分识别结果以及验证结果,确定与岩石薄片对应的矿物特征。
当验证结果与单晶态组分识别结果相同时,确定验证结果指示验证通过,并确定单晶态组分识别结果不变;
当验证结果与单晶态组分结果识别不同时,确定验证结果指示验证不通过。在本申请实施例中,并基于识别结果生成规则确定单晶态组分识别结果。该识别结果生成规则是基于矿物数据采集设备对于单晶态组分识别结果的影响,生成的确定规则。该规则的产生的原因是,矿物数据采集设备的扫描数据生成结果受到矿物数据采集设备的具体种类的影响较大。
在确定各个组分区域对应的矿物类型后,即可将各个组分区域对应的矿物类型进行汇总,进而确定与岩石薄片对应的矿物特征。
综上所述,本申请实施例提供的方法,在对岩石薄片分割图像通过面扫描的方式进行组分确定之前,通过分类识别模型,将岩石薄片分割图像基于晶态进行初步识别,并在选取与单晶态组分区域对应的区域后,对于组分识别结果进行二次验证,提高了最终生成的矿物特征的准确率。
在本申请的另一些实施例中,在通过矿物数据采集设备采集到与组分区域对应的光谱数据后,通过在光谱数据数据库中进行检索比对的方式,进行矿物特征的确定。图16示出了本申请一个示例性实施例提供的一种确定与组分区域对应的矿物特征的方法的流程示意图,该方法可以替换实现为与图5对应的实施例中的步骤505。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1601,基于分割区域确定组分图像,组分图像中包括一个组分区域。
该过程即为根据岩石薄片分割图像中的分割区域,对于组分区域进行分割并确定的过程。
步骤1602,基于组分图像向矿物数据采集设备发送光谱数据获取指令。
针对每一个独立的组分区域,在选取组分区域内的光谱数据采集点后,向矿物数据采集设备发送光谱数据获取指令。
步骤1603,接收矿物数据采集设备基于光谱数据获取指令发送的光谱数据。
在本申请实施例中,矿物数据采集设备即获取对应的光谱数据,并向计算机设备进行反馈。
步骤1604,基于光谱数据,在矿物光谱数据数据库中确定与组分区域对应的初选矿物种类。
在本申请实施例中,计算机设备中存储有矿物光谱数据数据库,该矿物光谱数据数据库中存储有光谱数据与初选矿物种类的对应关系。
在本申请实施例中,初选矿物种类为基于矿物的代表性性质进行划分得到的种类。可选地,计算机设备对应光谱数据数据库中的光谱数据样本集进行分类,根据不同矿物的分类数量,确定与矿物对应的稀有度。可选地,在一个初选矿物种类的划分下,还包括至少两个细分矿物种类。
在本申请实施例中,获取初选矿物种类的过程如下:
首先基于光谱数据,在矿物光谱数据数据库中,确定与组分区域对应的初选矿物种类的一级类别,该矿物种类的一级类别为基于矿物的常见程度划分的类别,该一级类别中包括常见矿物类别与非常见矿物类别。在本申请实施例中,矿物的一级类别确定方式通过与一级类别频率阈值比较以实现。可选地,当矿物对应的光谱数据占组分区域中的光谱数据的比例大于一级类别频率阈值,也即与矿物对应的光谱数据的出现频率大于一级类别频率阈值时,确定该矿物的一级类别为常见矿物,当矿物对应的光谱数据的出现频率小于等于一级类别频率阈值时,确定该矿物的以及类别为非常见矿物。在本申请实施例中,基于光谱数据数据库中的矿物样本数量,确定常见类别与非常见矿物类别,也即,当光谱数据数据库中的矿物样本数量小于样本数量阈值时,确定矿物种类的一级类别为非常见矿物类别,当光谱数据数据库中的矿物样本数量大于等于样本数量阈值时,确定矿物种类的一级类别为非常见矿物类别。在此分类下,与常见矿物类别对应的初选矿物种类包括矿物族种类以及普通常见矿物种类,与非常见矿物类别对应的初选矿物种类包括包裹体矿物种类、强敏感矿物种类以及蚀变矿物种类。其中,普通常见矿物种类即指示在矿物光谱数据数据库中,出现频率大于某个初选矿物种类频率阈值的初选矿物种类;包裹体矿物种类即为矿物生长后,体现为包裹体的矿物所对应的矿物种类;强敏感矿物种类指示在光谱数据的获取过程中,因化学性质原因,对光谱数据采集设备的采集准确率产生影响,并使光谱数据采集设备关注自身的矿物所对应的矿物种类;蚀变矿物种类即为在矿物形成过程中产生识别现象的矿物所对应的矿物种类。
需要说明的是,上述过程中出现的“一级类别频率阈值”以及“矿物种类频率阈值”,可以是在计算机设备中预存的阈值,也可以是计算机设备执行对应步骤时,通过接收到的信号确定的阈值,本申请对于各个阈值的生成方式不作限定。
在本申请实施例中,矿物光谱数据数据库也对应具有多个子数据库。请参考图17,矿物光谱数据数据库1700中包括常见矿物类别子数据库1701以及非常见矿物类别子数据库1702,在常见矿物类别子数据库1701中,还包括普通常见矿物种类子数据库1711以及矿物族数据库1712,在非常见矿物类别子数据库1702中,还包括包裹体矿物种类数据库1721,强敏感矿物种类数据库1722以及蚀变矿物种类数据库1723。此外,矿物光谱数据数据库1700中还包括与杂质对应的杂质类别子数据库1703。由于杂质的类型较多,以岩石为碎屑岩为例,碎屑岩中包含的杂质成分为碳化硅,则该杂质类别子数据库1703为与碳化硅对应的识别数据库。
步骤1605,确定与初选矿物种类对应的矿物种类验证规则。
在本申请实施例中,对应上述初选矿物种类,矿物种类验证规则包括分类验证规则、直接验证规则以及选点重验规则。响应于初选矿物种类为矿物族种类,确定矿物种类验证规则为分类验证规则;响应于初选矿物种类为包裹体矿物种类,或,强敏感矿物种类,或,蚀变矿物种类,确定矿物种类验证规则为选点重验规则;响应于初选矿物种类为普通常见矿物种类,或,与初选矿物种类对应的一级类别为非常见矿物类别,且初选矿物类别不为包裹体矿物种类、强敏感矿物种类与蚀变矿物种类中的任意一种,确定矿物种类验证规则为直接验证规则。在本申请实施例中,选点重验规则指示计算机设备向光谱数据采集设备重新获取扫描数据的规则;分类验证规则指示选取与初选矿物种类相对应的子数据库,进行二次校验的规则;直接验证规则指示将初选矿物种类的结果直接作为验证后的矿物种类结果的规则。
其中,当初选矿物种类为包裹体矿物种类,或,强敏感矿物种类,或蚀变矿物种类时,对应的验证规则即为选点重验规则,也即,由于组分区域中晶体的特殊性质,需要在组分区域内重新进行选点。该重新选点的次数与计算机设备中预存的验证次数对应。
在本申请实施例中,分类验证规则为基于矿物光谱数据数据库中的子数据库,对于矿物种类进行进一步细分的规则。可选地,当初选矿物种类为矿物族种类时,基于矿物族数据库中的子数据库对于组分区域的矿物种类进行细分,并得到验证结果。也即,该分类验证规则适用于矿物族种类的矿物。
在本申请实施例中,对应初选矿物种类为普通常见矿物种类的情况,或,对应矿物种类的一级类别为非常见矿物类别,且细分矿物种类不为包裹体矿物种类、强敏感矿物种类与蚀变矿物种类中的任意一种时,确定直接验证规则。直接验证规则也即为将初选矿物类别确定为细分矿物类别的规则。
步骤1606,基于矿物种类验证规则以及初选矿物种类确定组分区域对应的矿物种类。
该过程即为确定与组分区域对应的矿物种类的过程。
步骤1607,基于组分图像对应的矿物种类,确定与岩石薄片对应的矿物特征。
该过程即为基于各个组分区域对应的矿物种类,最终生成与岩石薄片对应的矿物特征的过程。
综上所述,本申请实施例提供的方法,在获取与组分区域对应的光谱数据后,对应数据库进行与组分区域的矿物种类的初步确定,并对应确定验证规则,在结合验证规则的基础上,最终确定与组分区域对应的矿物种类。在进行与组分区域对应的矿物种类的确定过程中,在基于数据库确定其初选种类的基础上,对应每种初选种类,确定相关的验证规则,进一步得到其细分矿物种类,提高了矿物种类鉴定的准确率,进而提高了岩石薄片的矿物特征的确定效率以及准确率。
需要说明的是,图16所示的实施例,图13所示的实施例以及图9所示的实施例作为并列的三种矿物特征的识别方式,在岩石鉴定的流程中,可以进行任意的叠加组合,以达到对于矿物特征的识别并验证的效果,进一步提高对于岩石薄片的矿物特征的确定准确率。也即,图9所示的实施例、图13所示的实施例以及图6所示的实施例为在岩石鉴定的过程中,获取矿物特征的三个实施例。
需要说明的是,在本申请的一些实施例中,与岩石薄片对应的矿物特征以及几何特征可以被同时确定。图18示出了本申请一个示例性实施例提供的一种对于几何特征及矿物特征进行确定的过程示意图,请参考图18,该方法包括:
步骤1801,获取样本薄片图像。
在本申请实施例中,岩石薄片图像识别模型为基于机器学习的神经网络模型。该神经网络模型可以由如图6所示实施例中的岩石薄片图像分割模型以及如图9所示实施例中的组分种类识别模型组合得到,或,该神经网络模型可以根据岩石薄片图像分割模型以及组分种类识别模型的参数进行构建。对应训练该岩石薄片图像识别模型的样本为样本薄片图像,该样本薄片图像标注有样本分割结果以及样本组分类型特征。
步骤1802,将样本薄片图像输入岩石薄片图像分割识别模型中,输出得到预测分割区域以及预测组分类型特征。
该过程即为通过尚未训练完成的岩石薄片图像是被模型对于样本薄片图像进行预测,得到预测分割区域以及预测组分类型特征的过程。
步骤1803,将预测分割区域与样本分割区域进行比对,得到样本分割差异,并将预测组分类型特征与样本组分类型特征进行比对,得到样本组分差异。
本申请实施例中,由于同时输出预测分割区域以及预测组分类型特征,故同时对样本分割差异以及样本组分差异进行确定。
步骤1804,基于样本分割差异以及样本组分差异,对岩石薄片图像分割识别模型进行调整。
该过程即为对于岩石薄片图像分割识别模型进行调整的过程。
步骤1805,将岩石薄片图像输入岩石薄片图像分割识别模型,输出得到与岩石薄片图像对应的至少两个分割区域以及与分割区域对应的组分类型特征。
该过程即为将待测的岩石薄片图像输入岩石薄片图像分割识别模型中,并输出得分割区域以及与区域对应的组分类型特征的过程。
步骤1806,结合分割区域以及组分类型特征,确定与岩石薄片对应的几何特征以及矿物特征。
在本申请实施例中,分割区域与几何特征对应,组分类型特征与矿物特征对应。
综上所述,本申请实施例提供的方法,对应作为岩石薄片图像分割识别模型的输入量的样本薄片图像,并在模型的训练完成的前提下,对于岩石薄片图像的几何特征与矿物特征进行同步的提取,以进一步提高岩石鉴定过程中的特征提取的效率。
可选地,在本申请中,图18所示的实施例为一个计算机设备同时获得几何特征和矿物特征的实施例。
通过上述各个实施例中所述的方式,进行矿物特征以及几何特征的确定之后,在本申请实施例中,即通过几何特征、矿物特征与结构特征,生成对应岩石薄片的鉴定结果,也即,对岩石样本的特征的文字化描述。图19示出了本申请一个示例性实施例提供的一种岩石薄片的鉴定结果的生成方法的示意图,该方法可以替换实现为如图3所示的步骤303,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1901,基于初选岩类特征与细分岩类特征,确定与鉴定结果对应的至少一个岩石薄片子鉴定结果的种类。
在本申请实施例中,岩石薄片子鉴定结果即为基于组分区域的形状,以及组分区域的矿物性质得到的,对于岩石薄片的具体种类具有表征功能的鉴定结果。可选地,岩石薄片鉴定结果包括粒径区间识别结果、最大颗粒粒径识别结果、颗粒分选性结果、颗粒磨圆度识别结果、矿物自形程度结果以及颗粒接触方式识别结果中的至少一种。
步骤1902,基于几何特征与矿物特征,生成岩石薄片子鉴定结果。
可选地,对应上述粒径区间识别结果、最大颗粒粒径识别结果、颗粒分选性结果、颗粒磨圆度识别结果、矿物自形程度结果以及颗粒接触方式识别结果的确定方式进行举例,以说明岩石薄片子鉴定结果的生成过程。
在一个示例中,岩石薄片鉴定结果中包括粒径区间识别结果,粒径区间识别结果指示岩石薄片中,与一类组分对应的组分区域的粒径的区间。则首先,基于矿物特征确定与粒径区间识别结果对应的粒径区间组分区域集合,粒径区间组分区域集合中包括至少两个组分区域,其次,基于粒径区间组分区域集合中的组分区域对应的几何特征,确定与粒径区间组分区域中的组分区域对应的粒径,最后,基于组分区域对应的粒径,确定粒径区间识别结果。
在一个示例中,岩石薄片鉴定结果中包括最大颗粒粒径识别结果,最大颗粒粒径识别结果指示岩石薄片中,与一类组分对应的组分区域中粒径最大的组分区域的粒径。在此情况下,基于矿物特征确定与最大颗粒粒径识别结果对应的最大颗粒组分区域,并基于几何特征确定与组分区域对应的最大颗粒粒径,并基于最大颗粒粒径生成最大颗粒粒径识别结果。
在一个示例中,岩石薄片鉴定结果中包括颗粒分选性结果,颗粒分选性结果指示岩石薄片中与一类颗粒对应的颗粒粒径的分布情况。在次情况下,首先,基于矿物特征确定与颗粒分选性识别结果对应的分选性组分区域集合,分选性组分区域集合中包括至少两个组分区域;其次,基于分选性组分区域集合中的组分区域对应的几何特征,确定颗粒粒径分级对应关系,颗粒粒径分级对应关系中包括至少两级颗粒粒径级别,以及处于颗粒粒径级别中的组分区域的数量;最终,基于颗粒粒径分级对应关系,确定颗粒分选性结果。
在一个示例中,岩石薄片鉴定结果中包括颗粒磨圆度识别结果,该颗粒磨圆度识别结果即指示组分区域的磨圆度,且磨圆度对应有磨圆度级别。在此情况下,首先,基于矿物特征确定与颗粒磨圆度识别结果对应的磨圆度识别组分区域集合,磨圆度识别组分区域集合中包括至少两个组分区域;其次,基于磨圆度组分识别区域集合中的组分区域对应的几何特征,确定磨圆度分级对应关系,磨圆度分级对应关系中包括至少两个磨圆度级别,以及处于磨圆度级别中的组分区域的数量;最后,基于磨圆度分级对应关系,确定颗粒磨圆度识别结果。
在一个示例中,岩石薄片鉴定结果中包括矿物自形程度结果,矿物自形程度结果指示组分区域矿物基于自身结晶习性发育的程度。在此情况下,首先,基于矿物特征确定与矿物自形程度结果对应的自形程度组分区域集合,自形程度组分区域集合中包括至少两个自形程度组分区域;其次,基于自形程度组分区域集合中的组分区域对应的几何特征,确定组分区域的形状;最终,基于组分区域的形状,确定矿物自形程度结果。
在一个示例中,岩石薄片鉴定结果中包括颗粒接触方式识别结果。颗粒接触方式识别结果指示相邻两个组分区域的接触状态。在此情况下,首先,基于矿物特征确定至少两组组分区域对,组分区域对中包括两个相邻的组分区域;其次,基于几何特征,确定组分区域对中的两个组分区域的交并比;最后,基于至少两个组分区域的交并比,确定颗粒接触方式识别结果。
对上述过程进行总结,即在确定了岩石薄片子鉴定结果的种类后,基于矿物种类对于岩石薄片图像中,与该岩石薄片子鉴定结果对应的组分区域进行确定,并基于几何特征,从组分区域的形状、形态、大小等方面确定岩石薄片子鉴定结果。
步骤1903,基于细分岩类特征,确定与岩石薄片名称对应的命名规则。
在本申请实施例中,不同岩石种类对应有不同的命名规则,故需要基于细分岩类特征,进行岩石薄片名称的确定。
步骤1904,基于命名规则以及岩石薄片子鉴定结果,生成岩石薄片名称。
该过程即为最终确定岩石薄片名称的过程。可选地,计算机设备可以根据岩石薄片子鉴定结果生成对应的关键词,并结合细分岩类特征,最终确定岩石薄片对应的名称。
可选地,对于岩石薄片的鉴定结果,本申请的一些实施例中,还会生成岩石样本鉴定报告。在该岩石样本鉴定报告中,包括了岩石薄片名称以及各个岩石薄片子鉴定结果。在本申请实施例中,计算机设备根据不同的细分岩类特征,预存了至少两种岩石样本鉴定报告。
综上所述,本申请实施例提供的方法,在获取初选岩类特征与细分岩类特征后,进行与岩石种类对应的岩石薄片鉴定子结果的选择,并且对应选择得到的岩石薄片鉴定子结果,使最终生成的岩石薄片鉴定结果的内容与岩石薄片的种类对应,进一步提高岩石薄片鉴定结果的准确率。
如上实施例中所述,图19对应的实施例即说明了通过几何特征、矿物特征与结构特征获得岩石薄片鉴定子结果,进而获得最终的岩石薄片鉴定结果的过程。
在一个示例中,对应碎屑岩薄片鉴定过程,图20示出了本申请一个示例性实施例提供的一种岩石鉴定方法的过程示意图,该过程包括:
步骤2001,采集碎屑岩薄片图像。
在本申请实施例中,碎屑岩薄片样本图像包括了单偏光图像以及正交偏光图像。可选地,在图像采集设备下连续采集碎屑岩薄片样品的图像,再进行拼接,最终得到与碎屑岩薄片样本对应的单偏光图像以及正交偏光图像。
步骤2002,确定碎屑岩薄片图像的初选岩石种类。
在本申请实施例中,通过岩石分类模型,确定碎屑岩薄片图像的初选岩石种类为沉积岩。
步骤2003,确定碎屑岩薄片的细分岩石种类。
在本申请实施例中,通过岩石结构分类模型,确定碎屑岩薄片的细分岩石种类为碎屑岩,且具有砂状结构。
步骤2004,将碎屑岩薄片图像输入碎屑岩分割模型,获得分割后的碎屑岩薄片图像。
该过程即为通过岩石薄片分割模型,对碎屑岩薄片图像进行分割,得到分割图像的过程。在进行分割后,计算机设备即可对于碎屑岩薄片图像对应的碎屑岩几何特征进行确定。
步骤2005,根据分割后的碎屑岩薄片图像进行组分区域的提取,并通过组分种类识别模型获取组分类型特征。
该过程即为获取与碎屑岩薄片图像对应的矿物特征的过程。
步骤2006,将组分类型特征在碎屑岩薄片图像上进行映射,得到碎屑岩薄片样本中间图像。
该过程即为将基于组分类型特征和分割图像在碎屑岩薄片图像上进行标注,得到可以表征碎屑岩薄片的几何特征和矿物特征的中间图像。
在本申请的其他实施例中,组分种类识别模型将直接输出该碎屑岩薄片样本中间图像。
步骤2007,在碎屑岩薄片样本中间图像上,统计相应组分区域的面积。
在本申请实施例中,基于对于各个组分区域的矿物种类识别结果,通过统计组分区域面积的方式,确定不同组分的相对含量。在一个示例中,基于组分的矿物种类进行划分,得到硅质胶结物占比2.0%,钙质胶结物占比10.5%,杂基填隙物占比1%,岩屑碎屑占比13.84%,长石碎屑占比20.76%,石英碎屑占比51.9%。由于石英碎屑、长石碎屑与岩屑碎屑均属于陆源碎屑,硅质、钙质胶结物、杂基填隙物均属于填隙物,故可进一步确定陆源碎屑占比86.5%,填隙物占比13.5%,即可确定该碎屑岩薄片图像中不包含非陆源碎屑占比,颗粒与填隙物的相对含量为颗粒占比86.5%,填隙物占比13.5%。
步骤2008,对石英碎屑区域、长石碎屑区域、硅质胶结物区域和钙质胶结物区域对应的子区域图像分别计算,并进行干净区域筛选。
由于石英碎屑区域、长石碎屑区域、硅质胶结物区域和钙质胶结物区域对应的组分特征为单晶态,故需要进行可供进行扫描的干净区域的筛选。可选地,该过程通过基于机器学习的模型实现。
步骤2009,确定面扫描坐标图。
该过程即为确定具体扫描区域位置的过程,在本申请实施例中,扫描方式为面扫描。
步骤2010,对面扫描坐标进行计算,规划最优路径,生成扫描指令。
可选地,该过程即为计算机设备确定扫描指令的过程,由于需要面扫描的区域在实际情况中并不相邻,故需要进行最优路径的规划。
步骤2011,通过扫描指令控制矿物数据采集设备采集扫描数据。
该过程即为将扫描数据发送至矿物数据采集设备,使矿物数据采集设备生成对应的扫描数据的过程,可选地,扫描数据为光谱数据。
步骤2012,基于扫描数据对于生成矿物信息。
该过程即为基于扫描数据生成基于矿物数据采集设备发送的扫描数据,确定由扫描数据表征的,组分区域的矿物成分的过程。
步骤2013,对比矿物信息与分类识别结果,在每个组分区域上获得最终结果。
该过程即为将矿物成分与扫描数据进行比对,最终获得结果的过程。可选地,在该过程中,根据矿物数据采集设备的设备种类,进行最终的验证结果的确定。
步骤2014,基于最终结果对碎屑岩薄片样本中间图像上对应组分区域的识别结果进行替换。
该过程即为通过面扫描的验证结果,对于碎屑岩薄片样本中间图像上的,通过机器学习模型得到的组分区域矿物识别结果进行替换的过程。由于光谱数据对于矿物成分的鉴定更加准确,故本步骤中,以面扫描的验证结果为准确定组分区域的矿物特征。
步骤2015,确定更新后的碎屑岩薄片样本最终图像。
结合步骤2007中的示例,在更新后,硅质胶结物的占比为2.0%,钙质胶结物对应的实际形态为方解石,占比为10.5%,杂基填隙物占比为1%,岩屑碎屑占比为13.84%,石英碎屑占比69.2%,长石碎屑占比3.46%,也即,陆源碎屑占比仍为86.5%,非陆源碎屑占比仍为0%。对应地,颗粒占比86.5%,填隙物占比13.5%
步骤2016,确定与碎屑岩薄片对应的薄片子鉴定结果。
在本申请实施例中,薄片子鉴定结果包括粒径区间识别结果、颗粒分选性结果、最大颗粒粒径识别结果、相对组分含量结果、颗粒磨圆度识别结果以及颗粒接触方式识别结果。经过基于矿物特征的组分区域选取以及基于几何特征的结果生成,可以确定,在一个示例中,颗粒的主要粒径区间为,细砂(0.125-0.25mm)占比10%,中砂(0.25-0.5mm)占比30%,粗砂(0.5-2mm)占比60%;最大颗粒粒径为1.8mm;颗粒分选性为中;85%的组分区域的颗粒磨圆度为次棱;15%的组分区域的颗粒磨圆度为次圆;75%的组分区域之间为线接触,25%的组分区域之间为点接触。
步骤2017,基于薄片子鉴定结果确定薄片名称以及薄片鉴定报告。
请参考图21,在薄片鉴定报告2100中,包括碎屑岩定名区域2110,碎屑岩定名区域中包括基于薄片子鉴定结果对于碎屑岩岩石薄片进行的定名。本申请实施例中,碎屑岩的定名为“中粗粒岩屑石英砂岩”。可选地,该定名的依据为计算机设备中存储的行业标准,也即行业标准SY/T 5368-2016《岩石薄片鉴定》。在薄片鉴定报告2100中,还包括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2120、指示碎屑岩样本的矿物构成的组分特征区域2130、指示碎屑岩样本的结构特征的结构特征区域2140以及岩石薄片图像显示区域2150。
综上所述,本申请实施例提供的方法,对应岩石薄片样本为碎屑岩的情况,在基于结构特征的识别,确定种类为碎屑岩后,通过基于机器学习的图像分割以及图像识别,并通过光谱数据的获取对于图像识别得到的识别结果进行验证,最终生成鉴定结果的方法,将光谱数据中表征的组分区域的化学特征以及图像中表征的组分区域的图像特征相结合,对于碎屑岩薄片进行鉴定,提高了对于碎屑岩薄片进行鉴定的效率以及准确率。
如上实施例中所述,图20即为对碎屑岩这一岩类,通过几何特征、矿物特征与结构特征的确定,并基于三类特征,确定碎屑岩岩石薄片鉴定子结果,最终得到碎屑岩岩石薄片鉴定结果的过程。
在一个示例中,针对岩浆岩薄片鉴定过程,图22示出了本申请一个示例性实施例提供的一种岩石鉴定方法的过程示意图,该过程包括:
步骤2201,获取岩浆岩薄片样本图像。
图23示出了本申请一个示例性提供的一种岩浆岩薄片图像的示意图。该岩浆岩薄片2300中包括至少一个橄榄石组分区域2301、普通辉石组分区域2302、基性斜长石组分区域2303、紫苏辉石组分区域2304和磁铁矿组分区域2305。
在本申请实施例中,与图20所示的实施例相似,岩浆岩薄片图像也包括与岩浆岩薄片样本对应的单偏光图像以及正交偏光图像。
步骤2202,确定与岩浆岩薄片图像对应的初选岩石种类。
在本申请实施例中,根据岩浆岩薄片图像的表现形式,确定其为岩浆岩,据此,几何特征与矿物特征也即与岩浆岩对应的特征。
在本申请的其他实施例中,可以通过模型识别的方式,在确定岩石薄片图像为岩浆岩薄片图像的情况下,进一步确定该岩浆岩的结构的细分结构为辉长结构。也即,在确定初选岩石种类后,存在直接进一步确定细分岩石种类的情况。据此,几何特征与矿物特征也即与具有辉长结构的岩浆岩对应的特征。
步骤2203,将岩浆岩薄片样本图像输入岩浆岩分割模型,获得分割后的岩浆岩薄片图像。
该过程即为对岩浆岩薄片图像进行分割,得到分割结果的过程。
步骤2204,根据分割后的岩浆岩薄片图像进行组分区域的提取,并通过组分种类识别模型获取组分类型特征。
该过程即为基于分割结果对于组分区域进行提取,并进一步识别组分区域对应的矿物组成的过程。
步骤2205,将分割后的岩浆岩薄片图像中对应的组分区域进行干净区域筛选,确定面扫描区域。
在本申请实施例中,对应每一个组分区域,均需要通过获取扫描数据的方式,进行与组分区域对应的矿物组成的验证,故步骤2205即为通过干净区域筛选,确定面扫描区域的过程。
步骤2206,对面扫描坐标进行计算,规划最优路径,生成扫描指令。
该过程即为对应面扫描区域不相邻的情况,进行最优路径的规划,以生成发送至矿物数据采集设备的扫描指令的过程。
步骤2207,通过扫描指令控制矿物数据采集设备采集扫描数据。
该过程即为计算机设备控制矿物数据采集设备进行扫描数据的采集过程。
步骤2208,基于扫描数据生成矿物信息。
该过程即为从矿物数据采集设备中接收扫描数据,也即光谱数据,并进而根据光谱数据确定与组分区域对应的矿物种类的过程
步骤2209,对比矿物信息与分类识别结果,在每个组分上获得最终结果。
该过程即为通过验证,最终确定与各个组分区域相对应的矿物种类的过程。
步骤2210,确定岩浆岩薄片中包含的矿物类型。
在本申请实施例中,经过对于各个组分区域相对应的矿物种类的确定,即可确定与岩浆岩薄片中包含的矿物类型。在一个示例中,该岩浆岩薄片包含矿物种类有斜长石、普通辉石、紫苏辉石、橄榄石、黑云母、磁铁矿以及磷灰石。
步骤2211,基于包含的矿物类型,确定岩浆岩薄片对应的细分岩石种类。
基于步骤2210中获取的矿物种类,即可确定与该岩浆岩薄片对应的细分岩石种类为斜长石,亚族为拉长石,属于基性斜长石。
需要说明的是,在本申请实施例中,针对岩浆岩这一岩种,与岩浆岩的细分结构特征的数量为至少两个。在一个示例中,除了指示岩石具体种类的结构特征之外,与岩浆岩对应的细分结构特征还包括反应边结构特征,该细分结构特征用于指示岩浆岩中包含的反应边类型。
步骤2212,基于岩石细分种类,确定与岩浆岩薄片对应的薄片子鉴定结果。
在本申请实施例的一个示例中,基于岩石细分种类,确定薄片子鉴定结果包括粒径识别结果、粒径形状结果、矿物自形程度结果、颗粒交互关系结果以及矿物含量结果。基于岩浆岩薄片图像指示的矿物特征,在该岩浆岩薄片中,斜长石含量为52.4%,普通辉石含量为34.9%,紫苏辉石含量为3.2%,橄榄石含量为7.6%,黑云母含量为1.6%,磁铁矿含量为0.4%,磷灰石含量为0.1%。
基于橄榄石与辉石对应的颗粒,以及辉石与黑云母对应的颗粒之间的交互关系,计算机设备可以确定橄榄石外边具有紫苏辉石镶边,具有反应边结构,进而指示该岩浆岩为基性侵入岩或超基性侵入岩。
此外,通过对于组分区域的粒径分析可得,斜长石粒径为(1.6-2.1)x(1.8-3.5)mm,普通辉石粒径为1.2-2.2mm,紫苏辉石粒径为1.1-1.7mm,橄榄石粒径为0.4-2.5mm,黑云母粒径为1.2-2.2mm,磁铁矿粒径为0.05-0.2mm,磷灰石粒径为0.05-0.1mm。经过统计,即可粒径与形状对应关系的判断,计算机设备即可确定,斜长石为粒状-短板状,普通辉石为不规则粒状及短柱状,紫苏辉石为粒状,橄榄石为粒状,黑云母为板片状,磁铁矿为粒状,磷灰石为短柱状。且与自形程度进行对应分析后,可确定斜长石为半自形-他形,普通辉石为他形-半自形,紫苏辉石为他形,橄榄石为他形,黑云母为自形-半自形,磁铁矿为自形,磷灰石为半自形-自形。
需要说明的是,针对岩浆岩这一岩种,确定薄片子鉴定结果的确定以及生成过程,即可视为对于结构特征的验证过程。在如上所述的实施例中,通过计算橄榄石与辉石,或,辉石与黑云母之间的相互关系,计算机设备即可确定岩浆岩薄片中具有反应边结构,与岩浆岩薄片对应的薄片鉴定子结果中包括指示其存在反应边的反应边结构。而在前叙的步骤中,在确定细分岩石种类的过程中,已确定岩石薄片中可能具有反应边结构,则此处的反应边结构确定过程即为对于细分岩石种类的验证过程。
步骤2213,基于薄片子鉴定结果确定薄片名称以及薄片鉴定报告。
如上实施例中所述,在通过薄片子鉴定结果确定薄片名称以及薄片鉴定报告的过程中,可以提取以下对于岩浆岩进行命名的要素:
要素1:在岩浆岩薄片图像中,与斜长石对应的组分区域指示斜长石的粒径属于中粒。
要素2:在岩浆岩薄片图像中,矿物特征指示其中的主要矿物为斜长石和辉石。
要素3:在主要矿物为斜长石和辉石的情况下,基于几何特征,确定斜长石和辉石均呈现为粒装。
要素4:在主要矿物为斜长石和辉石的情况下,基于几何特征,确定斜长石和辉石自形程度相近,均呈现半自形-他形。
基于上述要素,确定岩浆岩薄片的命名存在橄榄辉长岩的可能性。
在本申请实施例中,在计算机设备确定命名存在橄榄辉长岩的可能性后,可以通过如下示例中的方法,对于岩浆岩薄片的命名进行验证。需要说明的是,如下验证过程是在计算机设备内存储有相关的国家标准数据以及行业标准数据的情况下进行的。
示例方法:基于矿物特征以及几何特征的组合,通过组分区域的面积指代含量的方式,同时,定义Q为石英、鳞石英以及方石英的含量之和,A为碱性长石(即正长石、微斜长石、条纹长石、歪长石、透长石和钠长石的集合)的含量;P为斜长石和方柱石的含量之和;F为副长石类和副长石(即霞石、白榴石、钾霞石、假白榴石、方钠石、黝方石、蓝方石、钙霞石和方沸石的集合)的含量之和;M为镁铁矿物以及有关矿物的含量之和。由于在岩浆岩中,Q组矿物和F组矿物相互排斥,或Q存在,则F必缺失,反之亦然。在对应岩浆岩为超基性侵入岩或基性侵入岩,且Q=0,A=0,P=52.4,F=0,M=47.6的情况下,请参考图24,在侵入岩分类相图2400上,根据P的相对含量为100%,即可确定与该岩浆岩薄片对应的分类区域为分类区域2401,该分类区域2401指示岩浆岩薄片对应的岩石名称可能包括闪长岩、辉长岩以及斜长岩中的至少一种。在此情况下,即可对于岩浆岩薄片的类型为辉长岩的情况进行验证。
可选地,在本申请的其他实施例中,验证的方式还包括通过细分结构特征所指示的辉长结构进行验证等方法,本申请实施例在此不做赘述。
在此情况下,由于矿物特征指示岩浆岩薄片中的橄榄石含量为7.6%,大于5%,故在命名时需要体现该橄榄石特征,对应地,即可经过验证,最终确定对该岩浆岩薄片的命名为“橄榄辉长岩”。
需要说明的是,上述命名依据标准为计算机设备中存储的行业标准和国家标准,即行业标准SY/T5368-2016《岩石薄片鉴定》,以及国家标准GB/T 17412.1-1998《岩石分类和命名方案——火成岩岩石分类和命名方案》。可选地,本申请实施例还提供有与岩浆岩薄片对应的薄片鉴定报告。
综上所述,本申请实施例提供的方法,对应岩石薄片样本为岩浆岩的情况,在基于结构特征的识别,确定种类为岩浆岩后,通过基于机器学习的图像分割以及图像识别,并通过光谱数据的获取对于图像识别得到的识别结果进行验证,最终生成鉴定结果的方法,将光谱数据中表征的组分区域的化学特征以及图像中表征的组分区域的图像特征相结合,确定岩浆岩的细分种类,并进而对于岩浆岩薄片所表征的结构特征与组分特征进行进一步鉴定,提高了对于碎屑岩薄片进行鉴定的效率以及准确率。
如上实施例中所述,图22为岩浆岩鉴定方法实施例,通过几何特征、矿物特征和结构特征获得岩浆岩岩石薄片鉴定子结果,进而获得最终鉴定结果的过程。
图25示出了本申请一个示例性实施例提供的一种岩石鉴定装置的结构框图,该装置包括:
接收模块2501,用于接收图像采集设备发送的岩石薄片图像,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,岩石薄片图像中包括至少一个组分区域;
生成模块2502,用于基于岩石薄片图像生成与岩石薄片对应的几何特征、矿物特征以及结构特征,其中,几何特征用于指示岩石薄片基于组分的区域划分情况,矿物特征用于指示岩石薄片中的矿物分布情况,结构特征用于指示岩石样本的空间结构;
基于几何特征、矿物特征以及结构特征,生成岩石薄片的鉴定结果,鉴定结果中包括对岩石样本的特征的文字化描述。
在一个可选的实施例中,结构特征包括初选岩类结构特征,初选岩类结构特征用于指示岩石样本对应的初选岩石种类,初选岩石种类包括沉积岩类、岩浆岩类和变质岩类;
生成模块2502,还用于基于岩石薄片图像生成初选岩类结构特征;
请参考图26,该装置,还包括确定模块2503,用于基于初选岩类结构特征确定与岩石薄片对应的初选岩石种类;
生成模块2502,还用于根据初选岩石种类,基于岩石薄片图像生成几何特征;
根据初选岩石种类,基于岩石薄片图像生成矿物特征。
在一个可选的实施例中,结构特征还包括细分岩类结构特征,细分岩类结构特征用于指示岩石样本对应的细分岩石种类;
确定模块2503,还用于基于几何特征与矿物特征,确定细分岩类结构特征。
在一个可选的实施例中,岩石薄片图像中包括至少两个表征组分区域的组分图像;
该装置,还包括划分模块2504,用于基于组分图像的位置对岩石薄片图像进行划分,得到岩石薄片分割图像,岩石薄片分割图像中包括至少两个分割区域,分割区域用于指示岩石薄片图像基于组分区域的分割情况;
确定模块2503,还用于基于分割区域确定与岩石薄片对应的几何特征;
基于分割区域确定与岩石薄片对应的矿物特征。
在一个可选的实施例中,该装置,还包括输入模块2505,用于将岩石薄片图像输入岩石薄片图像分割模型中,输出得到岩石薄片分割图像,岩石薄片图像分割模型为基于机器学习的Mask-RCNN网络模型。
在一个可选的实施例中,确定模块2503,还用于基于分割区域确定组分图像,组分图像中包括一个组分区域;
输入模块2505,还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与组分区域的矿物特征进行表征,组分种类识别模型为基于机器学习的神经网络模型;
确定模块2503,还用于基于组分图像对应的组分类型特征,确定与岩石薄片对应的矿物特征。
在一个可选的实施例中,岩石鉴定系统中还包括矿物数据采集设备,矿物数据采集设备与计算机设备连接;
输入模块2505,还用于将岩石薄片分割图像输入分类识别模型中,输出得到单晶态组分集合图像和非单晶态组分集合图像,单晶态组分集合图像中包括至少一个单晶态组分区域,以及与单晶态组分区域对应的单晶态组分识别结果,非单晶态组分区域中包括至少一个非单晶态组分区域,以及与非单晶态组分区域对应的非单晶态组分识别结果,分类识别模型为基于深度学习的神经网络模型;
该装置,还包括发送模块2506,用于基于单晶态组分集合图像向矿物数据采集设备发送扫描指令;
接收模块2501,还用于接收矿物数据采集设备基于扫描指令反馈的扫描数据;
该装置,还包括验证模块2507,用于基于扫描数据对单晶态组分识别结果进行验证,得到验证结果;
确定模块2503,还用于基于非单晶态组分识别结果、单晶态组分识别结果以及验证结果,确定与岩石薄片对应的矿物特征。
在一个可选的实施例中,输入模块2505,还用于将单晶态组分集合图像输入区域筛选模型,输出得到区域筛选结果,区域筛选结果用于指示单晶态组分集合图像中用于进行面扫描数据的部分;
生成模块2502,还用于基于区域筛选结果生成扫描指令;
发送模块2506,还用于向矿物数据采集设备发送扫描指令。
在一个可选的实施例中,确定模块2503,还用于基于扫描数据确定扫描识别结果;
响应于扫描识别结果与单晶态组分识别结果相同,确定验证结果指示验证通过,并确定单晶态组分识别结果不变;
响应于面扫描识别结果与单晶态组分识别结果不同,确定验证结果指示验证不通过,并基于识别结果生成规则确定单晶态组分识别结果,识别结果生成规则中包括基于矿物采集设备种类的规则。
在一个可选的实施例中,确定模块2503,还用于基于分割区域确定组分图像,组分图像中包括一个组分区域;
发送模块2506,还用于基于组分图像向矿物数据采集设备发送光谱数据获取指令;
接收模块2501,还用于接收矿物数据采集设备基于光谱数据获取指令发送的光谱数据;
确定模块2503,还用于基于光谱数据,在矿物光谱数据数据库中确定与组分区域对应的初选矿物种类;
确定与初选矿物种类对应的矿物种类验证规则;
基于矿物种类验证规则以及初选矿物种类确定组分区域对应的矿物种类;
基于组分图像对应的矿物种类,确定与岩石薄片对应的矿物特征。
在一个可选的实施例中,矿物光谱数据数据库包括矿物种类子数据库;
确定模块2503,还用于基于光谱数据,在矿物光谱数据数据库中确定与组分区域对应的初选矿物种类的一级类别,矿物种类的一级类别为基于矿物的常见程度划分的类别,一级类别包括常见矿物类别与非常见矿物类别,与常见矿物类别对应的初选矿物种类包括矿物族种类以及普通常见矿物种类,与非常见矿物类别对应的初选矿物种类包括包裹体矿物种类、强敏感矿物种类以及蚀变矿物种类;
基于矿物种类一级类别对应的矿物种类子数据库,确定与组分区域对应的初选矿物种类。
在一个可选的实施例中,矿物种类验证规则包括分类验证规则、直接验证规则以及选点重验规则;
确定模块2503,还用于响应于初选矿物种类为矿物族种类,确定矿物种类验证规则为分类验证规则;
响应于初选矿物种类为包裹体矿物种类,或,强敏感矿物种类,或,蚀变矿物种类,确定矿物种类验证规则为选点重验规则;
响应于初选矿物种类为普通常见矿物种类,或,与初选矿物种类对应的一级类别为非常见矿物类别,且初选矿物类别不为包裹体矿物种类、强敏感矿物种类与蚀变矿物种类中的任意一种,确定矿物种类验证规则为直接验证规则。
在一个可选的实施例中,岩石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2505,还用于将岩石薄片图像输入岩石薄片图像分割识别模型,输出得到与岩石薄片图像对应的至少两个分割区域以及与分割区域对应的组分类型特征,分割区域用于指示岩石薄片图像基于组分区域的分割情况,组分类型特征用于对分割区域中的组分区域的矿物特征进行表征,岩石薄片图像分割识别模型为基于机器学习的神经网络模型;
确定模块2503,还用于结合分割区域以及组分类型特征,确定与岩石薄片对应的几何特征以及矿物特征。
在一个可选的实施例中,输入模块2505,还用于将岩石薄片图像输入初选岩类选择模型中,输出得到初选岩类结果,初选岩类结果指示岩石薄片对应的初选岩类结构特征,初选岩类结构选择模型为基于初选岩类图像样本集构建的模型。
在一个可选的实施例中,鉴定结果中包括细分岩石种类,输入模块2505,还用于将几何特征与矿物特征输入细分岩类选择模型中,输出得到细分岩类结果,细分岩类结果指示岩石薄片对应的细分岩石结构特征,细分岩类选择模型为基于几何-矿物特征交互样本集构建的模型,几何-矿物特征交互样本集指示几何特征与矿物特征的组合,与细分岩类结构特征之间的对应关系。
在一个可选的实施例中,鉴定结果中包括岩石薄片子鉴定结果以及岩石薄片名称中的至少一种;
确定模块2503,还用于基于初选岩类特征与细分岩类特征,确定与鉴定结果对应的至少一个岩石薄片子鉴定结果的种类,岩石薄片鉴定结果包括粒径区间识别结果、最大颗粒粒径识别结果、颗粒分选性结果、颗粒磨圆度识别结果、矿物自形程度结果以及颗粒接触方式识别结果中的至少一种;
生成模块2502,还用于基于几何特征与矿物特征,生成岩石薄片子鉴定结果;
确定模块2503,还用于基于岩石薄片鉴定结果确定岩石薄片名称。
综上所述,本申请实施例提供的装置,在获取岩石薄片图像后,对于岩石薄片图像进行基于几何特征、矿物特征以及结构特征的三个维度的特征提取,从微观组成和宏观表现的角度,综合多个特征维度对于岩石的性质进行确定,最终生成包括有文字化描述的鉴定结果。在对于岩石进行鉴定的过程中,在获取岩石薄片对应的微观可视化图像后,对该图像进行多个维度的特征提取,并在参考多个维度的特征的情况下对于岩石薄片进行鉴定,提高了岩石鉴定的准确率。
需要说明的是:上述实施例提供的岩石鉴定装置,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27示出了本申请一个示例性实施例提供的一种执行岩石鉴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2701包括一个或者一个以上处理核心,处理器2701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2702和发射器2703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2703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2702可以用于接收对应的反馈指令。
存储器2704通过总线2705与处理器2701相连。
存储器2704可用于存储至少一个指令,处理器2701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岩石鉴定方法。
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岩石鉴定方法。
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 (23)
1.一种岩石鉴定方法,其特征在于,所述方法应用于岩石鉴定系统的计算机设备中,所述岩石鉴定系统包括图像采集设备以及计算机设备;
所述图像采集设备与所述计算机设备连接;
所述方法包括:
接收所述图像采集设备发送的岩石薄片图像,所述岩石薄片图像为对岩石薄片进行拍摄得到的图像,所述岩石薄片为对岩石样本进行切割得到的薄片,所述岩石薄片图像中包括至少一个组分区域;
基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,其中,所述几何特征用于指示所述岩石薄片基于组分的区域划分情况,所述矿物特征用于指示对所述岩石薄片进行矿物鉴定,得到的矿物鉴定结果,所述结构特征用于指示所述岩石样本的空间结构;
基于所述几何特征、所述矿物特征以及所述结构特征,生成所述岩石薄片的鉴定结果,所述鉴定结果中包括对所述岩石样本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,所述结构特征包括初选岩类结构特征,所述初选岩类结构特征用于指示所述岩石样本对应的初选岩石种类,所述初选岩石种类包括沉积岩类、岩浆岩类和变质岩类;
所述基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,包括:
基于所述岩石薄片图像生成所述初选岩类结构特征;
基于所述初选岩类结构特征确定与所述岩石薄片对应的所述初选岩石种类;
根据所述初选岩石种类,基于所述岩石薄片图像生成所述几何特征;
根据所述初选岩石种类,基于所述岩石薄片图像生成所述矿物特征。
3.根据权利要求2所述的方法,其特征在于,所述结构特征还包括细分岩类结构特征,所述细分岩类结构特征用于指示所述岩石样本对应的细分岩石种类;
所述根据所述初选岩石种类,基于所述岩石薄片图像生成所述矿物特征之后,还包括:
基于所述几何特征与所述矿物特征,确定所述细分岩类结构特征。
4.根据权利要求1至3任一所述的方法,其特征在于,所述岩石薄片图像中包括至少两个表征所述组分区域的组分图像;
基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,包括:
基于组分图像的位置对所述岩石薄片图像进行划分,得到岩石薄片分割图像,所述岩石薄片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岩石薄片图像基于所述组分区域的分割情况;
基于所述分割区域确定与所述岩石薄片对应的几何特征;
基于所述分割区域确定与所述岩石薄片对应的矿物特征。
5.根据权利要求4所述的方法,其特征在于,所述基于组分图像的位置对所述岩石薄片图像进行划分,得到岩石薄片分割图像,包括:
将所述岩石薄片图像输入岩石薄片图像分割模型中,输出得到所述岩石薄片分割图像,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。
6.根据权利要求4所述的方法,其特征在于,所述基于所述分割区域确定与所述岩石薄片对应的矿物特征,包括:
基于所述分割区域确定组分图像,所述组分图像中包括一个所述组分区域;
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与所述组分区域的矿物特征进行表征,所述组分种类识别模型为基于机器学习的神经网络模型;
基于所述组分图像对应的所述组分类型特征,确定与所述岩石薄片对应的所述矿物特征。
7.根据权利要求4所述的方法,其特征在于,所述岩石鉴定系统中还包括矿物数据采集设备,所述矿物数据采集设备与所述计算机设备连接;
所述基于所述分割区域确定与所述岩石薄片对应的矿物特征,包括:
将所述岩石薄片分割图像输入分类识别模型中,输出得到单晶态组分集合图像和非单晶态组分集合图像,所述单晶态组分集合图像中包括至少一个单晶态组分区域,以及与所述单晶态组分区域对应的单晶态组分识别结果,所述非单晶态组分区域中包括至少一个非单晶态组分区域,以及与所述非单晶态组分区域对应的非单晶态组分识别结果,所述分类识别模型为基于深度学习的神经网络模型;
基于所述单晶态组分集合图像向所述矿物数据采集设备发送扫描指令;
接收所述矿物数据采集设备基于所述扫描指令反馈的扫描数据;
基于所述扫描数据对所述单晶态组分识别结果进行验证,得到验证结果;
基于所述非单晶态组分识别结果、所述单晶态组分识别结果以及所述验证结果,确定与所述岩石薄片对应的矿物特征。
8.根据权利要求7所述的方法,其特征在于,所述基于所述单晶态组分集合图像向所述矿物数据采集设备发送扫描指令,包括:
将所述单晶态组分集合图像输入区域筛选模型,输出得到区域筛选结果,所述区域筛选结果用于指示所述单晶态组分集合图像中用于进行面扫描数据的部分;
基于所述区域筛选结果生成所述扫描指令;
向所述矿物数据采集设备发送所述扫描指令。
9.根据权利要求7所述的方法,其特征在于,所述基于所述扫描数据对所述单晶态组分识别结果进行验证,得到验证结果,包括:
基于所述扫描数据确定扫描识别结果;
响应于所述扫描识别结果与所述单晶态组分识别结果相同,确定所述验证结果指示所述验证通过,并确定所述单晶态组分识别结果不变;
响应于所述面扫描识别结果与所述单晶态组分识别结果不同,确定所述验证结果指示所述验证不通过,并基于识别结果生成规则确定所述单晶态组分识别结果,所述识别结果生成规则中包括基于所述矿物采集设备种类的规则。
10.根据权利要求7所述的方法,其特征在于,所述基于所述分割区域确定与所述岩石薄片对应的矿物特征,还包括:
基于所述分割区域确定组分图像,所述组分图像中包括一个组分区域;
基于所述组分图像向所述矿物数据采集设备发送光谱数据获取指令;
接收所述矿物数据采集设备基于所述光谱数据获取指令发送的光谱数据;
基于所述光谱数据,在矿物光谱数据数据库中确定与所述组分区域对应的初选矿物种类;
确定与所述初选矿物种类对应的矿物种类验证规则;
基于所述矿物种类验证规则以及所述初选矿物种类确定所述组分区域对应的矿物种类;
基于组成所述岩石薄片分割图像的所述组分图像对应的所述矿物种类,确定与所述岩石薄片对应的所述矿物特征。
11.根据权利要求10所述的方法,其特征在于,所述矿物光谱数据数据库包括矿物种类子数据库;
所述基于所述光谱数据,在矿物光谱数据数据库中确定与所述组分区域对应的初选矿物种类,包括:
基于所述光谱数据,在所述矿物光谱数据数据库中确定与所述组分区域对应的所述初选矿物种类的一级类别,所述矿物种类的一级类别为基于所述矿物的常见程度划分的类别,所述一级类别包括常见矿物类别与非常见矿物类别,与所述常见矿物类别对应的所述初选矿物种类包括矿物族种类以及普通常见矿物种类,与所述非常见矿物类别对应的所述初选矿物种类包括包裹体矿物种类、强敏感矿物种类以及蚀变矿物种类;
基于所述矿物种类一级类别对应的矿物种类子数据库,确定与所述组分区域对应的所述初选矿物种类。
12.根据权利要求11所述的方法,其特征在于,所述矿物种类验证规则包括分类验证规则、直接验证规则以及选点重验规则;
所述确定与所述初选矿物种类对应的矿物种类验证规则,包括:
响应于所述初选矿物种类为所述矿物族种类,确定所述矿物种类验证规则为所述分类验证规则;
响应于所述初选矿物种类为所述包裹体矿物种类,或,所述强敏感矿物种类,或,所述蚀变矿物种类,确定所述矿物种类验证规则为所述选点重验规则;
响应于所述初选矿物种类为所述普通常见矿物种类,或,与所述初选矿物种类对应的一级类别为所述非常见矿物类别,且所述初选矿物类别不为所述包裹体矿物种类、所述强敏感矿物种类与所述蚀变矿物种类中的任意一种,确定所述矿物种类验证规则为所述直接验证规则。
13.根据权利要求4所述的方法,其特征在于,所述岩石薄片图像中包括至少两个表征组分区域的组分图像;
所述基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,包括:
将所述岩石薄片图像输入岩石薄片图像分割识别模型,输出得到与所述岩石薄片图像对应的至少两个分割区域以及与所述分割区域对应的组分类型特征,所述分割区域用于指示所述岩石薄片图像基于组分区域的分割情况,所述组分类型特征用于对所述分割区域中的所述组分区域的矿物特征进行表征,所述岩石薄片图像识别模型为基于机器学习的神经网络模型;
结合所述分割区域以及所述组分类型特征,确定与所述岩石薄片对应的几何特征以及矿物特征。
14.根据权利要求3所述的方法,其特征在于,所述鉴定结果中包括初选岩石种类,所述基于所述初选岩类结构特征确定与所述岩石薄片对应的初选岩石种类,包括:
将所述岩石薄片图像输入初选岩类选择模型中,输出得到初选岩类结果,所述初选岩类结果指示所述岩石薄片对应的所述初选岩类结构特征,所述初选岩类结构选择模型为基于初选岩类图像样本集构建的模型。
15.根据权利要求14所述的方法,其特征在于,所述鉴定结果中包括所述细分岩石种类,所述基于所述几何特征与所述矿物特征,确定所述细分岩类结构特征,包括:
将所述几何特征与所述矿物特征输入细分岩类选择模型中,输出得到细分岩类结果,所述细分岩类结果指示所述岩石薄片对应的所述细分岩类结构特征,所述细分岩类选择模型为基于几何-矿物特征交互样本集构建的模型,所述几何-矿物特征交互样本集指示所述几何特征与所述矿物特征的组合,与所述细分岩类结构特征之间的对应关系。
16.根据权利要求15所述的方法,其特征在于,所述鉴定结果中包括岩石薄片子鉴定结果以及岩石薄片名称中的至少一种;
所述基于所述几何特征、所述矿物特征以及所述结构特征,生成所述岩石薄片的鉴定结果,包括:
基于所述初选岩类特征与所述细分岩类特征,确定与所述鉴定结果对应的至少一个岩石薄片子鉴定结果的种类,所述岩石薄片子鉴定结果中包括粒径区间识别结果、最大颗粒粒径识别结果、颗粒分选性结果、颗粒磨圆度识别结果、矿物自形程度结果以及颗粒接触方式识别结果中的至少一种;
基于所述几何特征与所述矿物特征,生成所述岩石薄片子鉴定结果;
基于所述岩石薄片子鉴定结果确定所述岩石薄片名称。
17.一种岩石鉴定系统,其特征在于,所述岩石鉴定系统包括图像采集设备与计算机设备,所述图像采集设备与所述计算机设备连接;
所述图像采集设备,用于生成岩石薄片图像;向所述计算机设备发送所述岩石薄片图像;
所述计算机设备,用于接收所述图像采集设备发送的岩石薄片图像,所述岩石薄片图像为对岩石薄片进行拍摄得到的图像,所述岩石薄片为对岩石样本进行切割得到的薄片,所述岩石薄片图像中包括至少一个组分区域;基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,其中,所述集合特征用于指示所述岩石薄片基于组分的区域划分情况,所述矿物特征用于指示所述岩石薄片中的矿物分布情况,所述结构特征用于指示所述岩石样本的空间结构;基于所述几何特征、所述矿物特征以及所述结构特征,生成所述岩石薄片的鉴定结果,所述鉴定结果中包括对所述岩石样本的特征的文字化描述。
18.根据权利要求17所述的系统,其特征在于,所述图像采集设备包括第一光源、第一载物台、第一物镜、偏振装置、电荷耦合器件CCD相机、第一底座和第一支架;
所述第一载物台位于所述第一支架中央,所述第一物镜位于所述第一支架的顶部,所述第一物镜内具有检偏镜,所述第一物镜的底部具有第一安装物镜转换器,所述第一安装物镜转换器与所述第一物镜连接;
所述CCD相机位于所述第一物镜的顶部;
所述偏振装置包括起偏镜和检偏镜,所述起偏镜和所述第一光源位于所述第一底座上,且所述第一底座与所述第一支架的底部连接;
当所述图像采集设备生成所述岩石薄片图像时,所述岩石薄片位于所述第一载物台顶部,所述CCD相机处于第一工作状态。
19.根据权利要求18所述的系统,其特征在于,所述岩石鉴定系统还包括矿物数据采集设备;
所述矿物数据采集设备与所述计算机设备通信连接;
所述矿物数据采集设备包括第二光源、第二载物台、第二物镜、测量装置、光电信号转换器、第二底座和支架;
所述第二光源对应有第二光路,所述第二光路的终点投射至所述第二载物台;
所述第二载物台位于所述第二支架中央,所述第二物镜位于所述第二支架的顶部,所述第二物镜的底部具有第二安装物镜转换器,所述第二安装物镜转换器与所述第二物镜连接;
所述光电信号转换器位于所述第二物镜的顶部,且与所述计算机设备通信连接;
当所述矿物数据采集设备生成矿物数据时,所述岩石薄片位于所述第二载物台顶部,所述光电信号转换器处于第二工作状态。
20.根据权利要求19所述的系统,其特征在于,所述矿物数据采集设备与所述图像采集设备共用所述第一载物台、所述第一物镜、所述第一底座以及所述第一支架。
21.一种岩石鉴定装置,其特征在于,所述装置包括:
接收模块,用于接收图像采集设备发送的岩石薄片图像,所述岩石薄片图像为对岩石薄片进行拍摄得到的图像,所述岩石薄片为对岩石样本进行切割得到的薄片,所述岩石薄片图像中包括至少一个组分区域;
生成模块,用于基于所述岩石薄片图像生成与所述岩石薄片对应的几何特征、矿物特征以及结构特征,其中,所述集合特征用于指示所述岩石薄片基于组分的区域划分情况,所述矿物特征用于指示所述岩石薄片中的矿物分布情况,所述结构特征用于指示所述岩石样本的空间结构;
所述生成模块,用于基于所述几何特征、所述矿物特征以及所述结构特征,生成所述岩石薄片的鉴定结果,所述鉴定结果中包括对所述岩石样本的特征的文字化描述。
22.一种计算机设备,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16任一所述的岩石鉴定方法。
23.一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16任一所述的岩石鉴定方法。
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 (1)
Publication Number | Publication Date |
---|---|
CN113537235A true CN113537235A (zh) | 2021-10-22 |
Family
ID=77755662
Family Applications (6)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
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 |
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 |
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 |
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 |
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 |
Family Applications Before (3)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
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 |
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 |
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 |
Family Applications After (2)
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 |
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 |
Country Status (5)
Country | Link |
---|---|
US (1) | US20240054766A1 (zh) |
EP (1) | EP4290470A1 (zh) |
JP (1) | JP2024508688A (zh) |
CN (6) | CN113435456A (zh) |
WO (1) | WO2022166232A1 (zh) |
Cited By (1)
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 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113688956A (zh) * | 2021-10-26 | 2021-11-23 | 西南石油大学 | 一种基于深度特征融合网络的砂岩薄片分割和识别方法 |
WO2023087118A1 (en) * | 2021-11-22 | 2023-05-25 | Minesense Technologies Ltd. | Compositional multispectral and hyperspectral imaging systems for mining shovels and associated methods |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595203A (zh) * | 2004-06-29 | 2005-03-16 | 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 |
US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
CN110443303A (zh) * | 2019-08-04 | 2019-11-12 | 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 |
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 |
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 |
CN111382676A (zh) * | 2020-02-25 | 2020-07-07 | 南京大学 | 一种基于注意力机制的沙粒图像分类方法 |
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 |
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 |
Family Cites Families (37)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008512672A (ja) * | 2004-09-07 | 2008-04-24 | ペトロモデル・イーエイチエフ | 鉱物および岩石小片のサイズ、形状、アンギュラリティの解析のため、および組成解析のための装置および方法 |
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 |
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 |
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 |
WO2019108246A1 (en) * | 2017-11-29 | 2019-06-06 | 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 |
US10891462B2 (en) * | 2018-06-29 | 2021-01-12 | Saudi Arabian Oil Company | Identifying geometrical properties of rock structure through digital imaging |
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 |
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 |
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 |
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 |
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 |
CN112132200B (zh) * | 2020-09-17 | 2024-07-02 | 山东大学 | 基于多尺度岩石图像深度学习的岩性识别方法及系统 |
-
2021
- 2021-06-11 CN CN202110653812.6A patent/CN113435456A/zh active Pending
- 2021-06-11 CN CN202110654942.1A patent/CN113435459A/zh active Pending
- 2021-06-11 CN CN202110654275.7A patent/CN113435458A/zh active Pending
- 2021-06-11 CN CN202110653323.0A patent/CN113537235A/zh active Pending
- 2021-06-11 CN CN202110655073.4A patent/CN113435460A/zh active Pending
- 2021-06-11 CN CN202110654212.1A patent/CN113435457A/zh active Pending
- 2021-09-29 EP EP21924229.4A patent/EP4290470A1/en active Pending
- 2021-09-29 JP JP2023548202A patent/JP2024508688A/ja active Pending
- 2021-09-29 US US18/264,654 patent/US20240054766A1/en active Pending
- 2021-09-29 WO PCT/CN2021/121840 patent/WO2022166232A1/zh active Application Filing
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1595203A (zh) * | 2004-06-29 | 2005-03-16 | 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 |
US20190318467A1 (en) * | 2018-04-17 | 2019-10-17 | Saudi Arabian Oil Company | Automated analysis of petrographic thin section images using advanced machine learning techniques |
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 |
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 |
CN110443303A (zh) * | 2019-08-04 | 2019-11-12 | 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 |
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 |
CN111382676A (zh) * | 2020-02-25 | 2020-07-07 | 南京大学 | 一种基于注意力机制的沙粒图像分类方法 |
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 |
Cited By (1)
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113435459A (zh) | 2021-09-24 |
CN113435460A (zh) | 2021-09-24 |
CN113435458A (zh) | 2021-09-24 |
CN113435457A (zh) | 2021-09-24 |
US20240054766A1 (en) | 2024-02-15 |
CN113435456A (zh) | 2021-09-24 |
WO2022166232A1 (zh) | 2022-08-11 |
JP2024508688A (ja) | 2024-02-28 |
EP4290470A1 (en) | 2023-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113537235A (zh) | 岩石鉴定方法、系统、装置、终端及可读存储介质 | |
Lormand et al. | Weka trainable segmentation plugin in ImageJ: a semi-automatic tool applied to crystal size distributions of microlites in volcanic rocks | |
US20090110242A1 (en) | Geostatistical analysis and classification of core data | |
Tang et al. | Machine learning for point counting and segmentation of arenite in thin section | |
US10781680B2 (en) | Detection and quantification of proppant for optimized fracture treatment design in in-fill and new wells | |
Van Ruitenbeek et al. | Measuring rock microstructure in hyperspectral mineral maps | |
CN115019171B (zh) | 非接触式围岩快速分区分级方法 | |
Zhang et al. | Research on coal and rock type recognition based on mechanical vision | |
CN111999324A (zh) | 一种混积细粒沉积岩四端元体岩性岩相识别方法 | |
CN104680185A (zh) | 基于边界点重分类的高光谱图像分类方法 | |
Aprile et al. | Classification of mineral inclusions in ancient ceramics: comparing different modal analysis strategies | |
Aligholi et al. | Estimating engineering properties of igneous rocks using semi-automatic petrographic analysis | |
CN117272181B (zh) | 采用机器学习建模来判别锆石宿主岩石和成矿环境的方法 | |
Visalli et al. | Unraveling textural and chemical features in volcanic rocks through advanced image processing: A case study from the 2019 paroxysmal eruptions of stromboli | |
Lewis et al. | An automated system for the statistical analysis of sediment texture and structure at the micro scale | |
WO2023133512A1 (en) | Systems and methods for measuring physical lithological features based on calibrated photographs of rock particles | |
Avci et al. | A comparison of pixel-based and object-based classification methods, a case study: Istanbul, Turkey | |
WO2022261712A1 (en) | A method and system for logging data for a mineral sample | |
Maity et al. | Systematic Comparison of Proppant Placement in SRV Along Two Fractured Wells at the Hydraulic Fracturing Test Site: A Case Study from Midland Basin | |
CN104573695A (zh) | 一种能快速定位感兴趣区的路面裂缝检测方法和系统 | |
CN112949463B (zh) | 一种集料级配快速检测模型的建立、检测方法及系统 | |
US11126819B1 (en) | Systems and methods for optimizing camera and microscope configurations for capturing thin section images | |
CN108931497A (zh) | 激光共聚焦三维重构对烃源岩进行评价的方法和装置 | |
RU2076346C1 (ru) | Способ картирования содержаний породообразующих минералов интрузивных пород | |
US20240193427A1 (en) | Method for predicting geological features from thin section images using a deep learning classification process |
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 |