CN114037693A - 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法 - Google Patents

一种基于深度学习的岩石孔-裂隙及杂质特征评价方法 Download PDF

Info

Publication number
CN114037693A
CN114037693A CN202111359095.2A CN202111359095A CN114037693A CN 114037693 A CN114037693 A CN 114037693A CN 202111359095 A CN202111359095 A CN 202111359095A CN 114037693 A CN114037693 A CN 114037693A
Authority
CN
China
Prior art keywords
rock sample
mask
hole
rock
fracture
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202111359095.2A
Other languages
English (en)
Inventor
种照辉
苏逢生
岳腾泷
魏敬杨
姚强岭
李学华
刘嘉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China University of Mining and Technology CUMT
Original Assignee
China University of Mining and Technology CUMT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by China University of Mining and Technology CUMT filed Critical China University of Mining and Technology CUMT
Priority to CN202111359095.2A priority Critical patent/CN114037693A/zh
Publication of CN114037693A publication Critical patent/CN114037693A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2207/10072—Tomographic images
    • G06T2207/10081—Computed x-ray tomography [CT]
    • 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
    • G06T2207/20021—Dividing image into blocks, subimages or windows
    • 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]
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • G06T2207/30132—Masonry; Concrete

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Quality & Reliability (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)

Abstract

本发明涉及一种基于深度学习的岩石孔‑裂隙及杂质特征评价方法，首先构建岩样CT扫描图像样本库，并分为训练集和测试集，对训练集进行实例人工分割标注，构建Mask R‑CNN实例分割模型，使用训练集对模型进行训练及参数调整，使用训练后的实例分割模型对测试集进行实例分割，利用Python函数对岩样的孔‑裂隙及杂质特征进行评价。本发明创造性地将卷积神经网络Mask R‑CNN实例分割应用于岩石的CT扫描图像识别上，并将其与Python函数相融合。模型采用端到端的学习方法，省去了在每一个独立学习任务执行之前所做的数据标注，解决了岩样两端CT扫描图像灰度异常区域的分割问题，且无需人工参与中间过程，分析更加快速、准确，且所需成本更低。

Description

一种基于深度学习的岩石孔-裂隙及杂质特征评价方法
技术领域
本发明涉及岩石的物理表征领域，特别涉及一种基于深度学习的岩石孔-裂隙及杂质特征评价方法。
背景技术
岩石作为一种复杂的矿物集合体，具有不连续的多相复合结构，其内外部均存在大量形态各异、大小不同的孔-裂隙及杂质，从而影响到岩石材料的物理、化学和力学性质,如密度、容重、弹性模量、强度、爆破性、声波速度、电阻率、渗透率、附着力等。表征与分析岩石材料中的孔-裂隙及杂质结构特征，对于解决油气开发、采矿、冶金、土木工程、资源勘探等实际工程问题具有重要的指导意义。
目前，分析岩石孔-裂隙及杂质的方法主要有两种。第一种是利用实验的方法来研究岩石的孔-裂隙特征，第二种是利用数字岩石的方法来研究岩石的孔-裂隙及杂质特征。利用实验的方法来研究岩石的孔-裂隙特征，一般采用压汞法。压汞法利用汞的导电性及汞对固体表面的不可润湿性，在压力的作用下，将汞挤入岩石的孔-裂隙中，通过压汞过程中汞进入样品孔-裂隙中产生的电信号进行数据处理，模拟相关图谱，分析出岩石的孔-裂隙特征。利用数字岩石的方法来研究岩石的孔-裂隙及杂质特征，就是将样本在不同角度旋转，记录下二维X射线投影，并进行重构的过程。通过对岩样CT扫描图像的分析，我们可以得到其各类物理指标，其中最重要的就是岩石的孔-裂隙及杂质特征。
若利用实验的方法来研究岩石的孔-裂隙特征，在实验过程中存在许多人工干预的因素，这使得许多与自然渗流过程联系在一起的孔-裂隙结构特征无法得到更具体的体现。此外，由于汞的纯净度既响接触角，也影响表面张力，而它们都是数据分析所必须的，所以压汞实验中必须使用高纯度的汞，并且是经过酸洗、干燥、蒸馏过的汞，这就导致使用过的汞无法重复利用，实验成本高昂。若利用数字岩石的方法，一方面，由于岩石CT扫描图像边缘特征不明显，即孔-裂隙及杂质边界不够明显，很难实现对岩石CT图像的自动化识别与分割。为实现这一目的，在识别与分割过程中往往需要人工进行调整，但对于重构岩石三维模型的工作，岩石CT扫描图像的数据量将非常巨大，达到成百上千帧，如果对每一帧都进行人工调整，将耗费特别巨大的精力与时间。另一方面，在利用CT设备扫描岩石材料的过程中，有伪影、噪声、光源等多种因素影响分析结果的准确性，而现有的CT扫描图像预处理技术及孔-裂隙、杂质特征识别算法无法解决此类问题。
发明内容
针对上述现有技术中存在的不足，本发明提供了一种基于深度学习的岩石孔-裂隙及杂质特征评价方法，包括如下步骤：
S1、获取岩样CT扫描图像，清洗异常样本，调整样本图像对比度，构建岩样CT扫描图像样本库；
S2、将清洗、调整后的岩样CT扫描图像样本库进行分割，分为训练集和测试集，对训练集中的岩样CT扫描图像进行实例分割人工标注，构建岩样CT扫描图像实例分割训练集；
S3、构建Mask R-CNN实例分割模型；
S4、使用步骤S2中的岩样CT扫描图像实例分割训练集对Mask R-CNN模型进行训练及参数调整；
S5、使用步骤S4训练后的Mask R-CNN实例分割模型对测试集中岩样CT扫描图像的孔-裂隙及杂质进行实例分割；
S6、根据S5得出的岩样CT扫描图像的实例分割结果，利用Python函数对岩样的孔-裂隙及杂质特征进行评价。
作为优选的，在步骤S1中，将岩样CT扫描图像按照实验批次整理到相应文件夹下，去除图像信息缺失或有较大异常的图像；利用OpenCV将岩样CT扫描图像的对比度提升十倍，使岩样CT扫描图像达到可以视觉分辨孔-裂隙及杂质的效果。
作为优选的，在步骤S2中，将岩样CT扫描图像样本库分割为训练集和测试集；将岩样CT扫描图像进行统一放缩后，使用labelme对训练集中岩样CT扫描图像的孔-裂隙及杂质轮廓进行人工标注，在标注过程中将孔-裂隙及杂质进行分类；根据岩样CT扫描图像的特征，将标签类别分成两类：hole_white和hole_black，分别指代杂质及孔-裂隙；将得到的实例分割人工标注存储为json文件，然后以图片为基准，将所有图片的json文件统一转化成为COCO数据集格式的json文件并与对应的岩样CT扫描图像对应归置。
作为优选的，在步骤S3中，Mask R-CNN实例分割模型的架构包括主干网络、RPN、ROI Align层、Class&Box regression分支、Mask分支；
(1)主干网络作为特征提取器，采用ResNet101和FPN相结合的形式，以岩样CT扫描图像作为输入，不同卷积深度的特征图作为输出；其中ResNet101表示卷积层数为101的残差网络，FPN是对ResNet101的扩展，可以将卷积与池化深度较高及较低的特征图叠加后输出；
(2)RPN即候选区域网络，其利用滑动窗口扫描主干网络输出的特征图的每个像素点，为每个像素点生成k个候选框；之后，RPN的分类层对每个像素点输出2×k矩阵，RPN的回归层对每个像素点输出4×k矩阵；RPN对每个候选框进行前景/背景分类与边框回归，将结果以提议的形式输出给下一网络；
(3)ROI Align层即感兴趣区域排列层，其以RPN输出的提议以及主干网络输出的特征图为输入，将提议映射到特征图对应位置，生成ROI；利用双线性插值法及最大池化法，得到新的ROI(感兴趣区域)；最后向Class&Box regression分支输出7×7的ROI，向Mask分支输出14×14的ROI；
(4)Class&Box regression分支即分类与边框回归分支，由FCNN全连接神经网络实现，通过对ROI Align层输出的ROI进行一系列卷积，完成对岩样孔-裂隙及杂质的分类及边框回归；
(5)Mask分支即掩码分支，由FCN全卷积网络实现，通过对ROI Align层输出的ROI进行一系列卷积，对岩样孔-裂隙及杂质添加二进制掩码；
在网络优化过程中，采用随机梯度下降，对多任务损失函数L进行优化
L＝LCls+LBox+LMask
其中，LCls是分类损失，LBox是边框损失，LMask是掩码损失，在网络优化中引入两阶段的学习调整策略。
作为优选的，在步骤S4中，利用步骤S2得到的岩样CT扫描图像实例分割训练集，对数据进行预处理后，以端到端的方式，输入到Mask R-CNN模型中，完成模型训练及参数调整。
作为优选的，在步骤S5中，训练后的Mask R-CNN实例分割模型可以完成对岩样孔-裂隙及杂质进行分类、框选、添加Binary Mask的操作；将岩样CT扫描图像测试集作为MaskR-CNN实例分割模型的输入，便可以输出岩样CT扫描图像的实例分割结果，包括存储有检测框位置、类别、二进制掩码位置的数组以及可视化图片。
作为优选的，步骤S6进一步包括：根据S5得出的岩样CT扫描图像的实例分割结果，利用Counter函数分别统计出杂质、孔-裂隙的数量，利用List函数存储并输出岩样每个孔-裂隙及杂质的掩码像素数并计算出每个孔-裂隙及杂质的面积，再计算出岩样的面含杂率及面孔-裂隙率。
有益效果：1.卷积神经网络Mask R-CNN实例分割在其他领域有一定的应用，但是与岩石工程领域跨度很大，本发明创造性地将卷积神经网络Mask R-CNN实例分割引入至岩石工程领域，具体是应用于岩石的CT扫描图像识别上，且创造性的发现其不仅可以识别孔-裂隙特征，还可以识别岩石中的杂质特征。此外，本发明还创造性的采用Python函数对岩样的孔-裂隙及杂质特征进行评价，即将卷积神经网络Mask R-CNN实例分割与Python函数相融合；具体的首先利用Counter函数分别统计出杂质、孔-裂隙的数量，然后利用List函数存储并输出岩样每个孔-裂隙及杂质的掩码像素数并计算出每个孔-裂隙及杂质的面积，再计算出岩样的面含杂率及面孔-裂隙率。
2.本发明采用Mask R-CNN模型对岩样CT扫描图像进行实例分割，该模型采用端到端的学习方法，相比于传统机器的学习方法，省去了在每一个独立学习任务执行之前所做的数据标注，而为样本做标注的代价是高昂的、易出错的。本发明所采用的模型鲁棒性强，即使在复杂的背景、光源条件下，也可以快速、准确地分割岩样CT扫描图像，解决了岩样两端CT扫描图像灰度异常区域的分割问题。在训练及优化模型后，便可以重复利用该模型分析岩石的孔-裂隙及杂质特征，且模型泛化性强，对于样本集外的其他岩石CT扫描图像样本，也可以精准完成实例分割，相比于传统方法，这种方法无需人工参与中间过程，分析更加快速、准确，且所需成本更低。
附图说明
图1示出了本发明实施的流程图；
图2示出了原始岩样CT扫描图像；
图3示出了提升10倍对比度后的CT岩样扫描图像；
图4示出了Mask R-CNN实例分割模型；
图5示出了RPN的具体运作机制；
图6示出了利用本发明对岩样CT扫描图像进行实例分割的一个实例。
具体实施方式
下面结合本发明实施例中的附图，对本发明的技术方案进行更为详细的描述；
如图1所示，一种基于深度学习的岩石孔-裂隙及杂质特征评价方法，包括如下步骤：
S1：获取岩样CT扫描图像，清洗异常样本，调整样本图像对比度，构建相应的岩样CT扫描图像样本库；
在本步骤中，利用高分辨三维X射线显微成像系统(3D-XRM)仪器，将加工好的直径1cm高2cm的岩样进行CT扫描，获取1000张原始图片(原始CT扫描图像见图2)，图片像素大小1024×996，包含四周灰度值为0的视野边框，将岩样CT扫描图像按照实验批次整理到相应文件夹下；对图像结果进行简单筛选，去除图像信息缺失或有较大异常的图像。
对岩样CT扫描图像进行对比度提升，以达到可以视觉分辨孔-裂隙及杂质的效果，提升分割准确率；利用OpenCV将图像对比度提升十倍，以达到可以视觉识别孔-裂隙及杂质，并进行人工标注的程度，提升对比度后的图像见图3。
S2：将清洗、调整后的岩样CT扫描图像样本库进行分割，分为训练集和测试集，对训练集中的原始岩样CT扫描图像进行实例分割人工标注，构建岩样CT扫描图像实例分割训练集；
在本步骤中，将样本库中的岩样CT扫描图像按比例划分成训练集和测试集，考虑到实例分割标签注释的人力成本，按照7：3的比例将样本库随机划分为训练集和测试集；
将岩样CT扫描图像进行统一放缩后，对岩样CT扫描图像训练集中的孔-裂隙及杂质进行人工标注，使用labelme标注孔-裂隙及杂质轮廓，在标注过程中将孔-裂隙及杂质进行分类，根据岩样CT扫描图像的特征，将标签类别分成两类：hole_white和hole_black，分别指代杂质及孔-裂隙；将得到的实例分割人工标注存储为json文件，然后以图片为基准，将所有图片的json文件统一转化成为COCO数据集格式的json文件并与对应的岩样CT扫描图像对应归置。
S3：构建Mask R-CNN实例分割模型；
本发明使用的Mask R-CNN实例分割模型的架构包括主干网络、RPN、ROI Align层、Class&Box regression分支、Mask分支；如图4所示，在本步骤中，所构建的Mask R-CNN实例分割模型的架构包括以下神经网络：
(1)主干网络作为特征提取器，采用ResNet101和FPN相结合的形式，以岩样CT扫描图像作为输入，不同卷积深度的Feature Maps(特征图)作为输出；其中ResNet101表示卷积层数为101的残差网络，它相比于Faster R-CNN中所使用的VGG网络，具有更强的特征表达能力，即使网络加深，也能保证一定的准确率；FPN(Feature Pyramid Network)即特征金字塔网络，它是对ResNet101的扩展，可以将卷积与池化深度较高及较低的特征图叠加后输出，从而在多个尺度上更好地表征岩样CT扫描图像；使用ResNet+FPN作为主干网络进行特征提取，可以在准确性和速度上获得出色的收益。
(2)RPN(Region Proposal Network)即候选区域网络，该网络利用滑动窗口扫描主干网络输出的Feature Maps(特征图)的每个像素点，为每个像素点生成k个AnchorBoxes(候选框)；之后，RPN的Class Layer(分类层)对每个像素点输出2×k矩阵，以分类每个候选框(Positive代表候选框，Negative代表非候选框)；RPN的Regression Layer(回归层)对每个像素点输出4×k矩阵，以记录每个候选框的位置及尺寸信息(包括中心点坐标和候选框的长度及宽度)，RPN的具体运作机制参见附图5；最后，RPN对每个Anchor Boxes(候选框)进行前景/背景分类与边框回归，将结果以Proposals(提议)的形式输出给下一网络。
(3)ROI Align层(Region Of Interests Align)即感兴趣区域排列层，其以RPN输出的Proposals(提议)以及主干网络输出的Feature Maps(特征图)作为输入，将Proposals(提议)映射到Feature Maps(特征图)对应位置，生成ROI(感兴趣区域)；在不作量化的情况下，将每一个ROI(感兴趣区域)分割为k×k个单元，在每个单元中计算固定四个坐标位置，用双线性内插的方法计算出这四个位置的像素值，然后进行最大池化操作，得到新的ROI(感兴趣区域)；最后，向Class&Box regression分支输出7×7的ROI(感兴趣区域)，向Mask分支输出14×14的ROI(感兴趣区域)；
(4)Class&Box regression分支即分类与边框回归分支，由FCNN(FullyConnected Neural Network)全连接神经网络实现，通过对ROI Align层输出的ROI(感兴趣区域)进行一系列卷积，完成对岩样孔-裂隙及杂质的分类及边框回归。
(5)Mask分支即掩码分支，由FCN(Fully Convolutional Networks)全卷积网络实现，通过对ROI Align层输出的ROI(感兴趣区域)进行一系列卷积，对岩样孔-裂隙及杂质添加Binary Mask(二进制掩码)。
在网络优化过程中，采用随机梯度下降，对多任务损失函数L进行优化
L＝LCls+LBox+LMask
其中，LCls是分类损失，LBox是边框损失，LMask是掩码损失，在网络优化中引入两阶段的学习调整策略。
S4：使用步骤S2中的岩样CT扫描图像实例分割训练集对Mask R-CNN模型进行训练及参数调整；
在本步骤中，利用步骤S2得到的岩样CT扫描图像实例分割训练集，将图片由原始大小1024×996，压缩成512×512，使用参数为Intel Xeon Gold 6271 12核的CPU，循环两个epoch，每个epoch运行500steps，以端到端的方式，输入到Mask R-CNN模型中，完成模型训练及参数调整。
S5：使用步骤S4训练后的Mask R-CNN实例分割模型对测试集中岩样CT扫描图像的孔-裂隙及杂质进行实例分割。
在本步骤中，训练后的Mask R-CNN实例分割模型可以完成对岩样孔-裂隙及杂质进行分类、框选、添加Binary Mask(二进制掩码)的操作；将岩样CT扫描图像测试集作为Mask R-CNN实例分割模型的输入，便可以输出岩样CT扫描图像的实例分割结果，包括存储有检测框位置、类别、二进制掩码位置的数组以及如图6所示的可视化图片。
S6：根据步骤S5得出的岩样CT扫描图像的实例分割结果，利用Python函数对岩样的孔-裂隙及杂质特征进行评价；
首先，利用Counter函数统计出杂质的数量为58个，孔-裂隙的数量为127个；
然后，利用List函数存储并输出岩样每个孔-裂隙及杂质的掩码像素数；其中，杂质的掩码像素数分别为28，92，254，9，9，7，119，279，95，218，369，4，16，102，1083，22，411，79，606，109，774，3，8，612，91，257，353，845，1131，637，95，176，282，189，163，176，197，362，339，99，74，83，993，3，5，2811，403，416，157，507，42，11，23，44，34，329，25，138；孔-裂隙的掩码像素数分别为406，183，121，294，405，124，81，32，7，166，260，96，30，10，8，12，10，7，223，258，181，647，157，522，192，313，153，33，13，5，6，3，116，5，11，4，3，27，9，36，6，5，8，11，23，43，280，134，9，296，646，312，131，197，411，36，48，522，840，74，18，23，58，331，739，1484，255，462，746，976，313，587，172，43，269，1229，128，26，27，48，119，1800，163，85，575，35，23，147，156，328，1529，331，177，588，204，1069，104，172，5，5，5，5，5，6，12，19，49，27，596，55，829，24，5，102，200，54，24，36，41，696，60，48，257，68，21，23，30，单位为个。
根据以下公式求得岩样每个孔-裂隙的大小：
A孔-裂隙＝P孔-裂隙×APixel
其中，A孔-裂隙为孔-裂隙的面积，P孔-裂隙为孔-裂隙掩码像素数，APixel为单个像素点的面积，约为98μm2；得到岩样每个孔-裂隙的面积分别为2744，9016，24892，882，882，686，11662，27342，9310，21364，36162，392，1568，9996，106134，2156，40278，7742，59388，10682，75852，294，784，59976，8918，25186，34594，82810，110838，62426，9310，17248，27636，18522，15974，17248，19306，35476，33222，9702，7252，8134，97314，294，490，275478，39494，40768，15386，49686，4116，1078，2254，4312，3332，32242，2450，13524，单位为μm2。
根据以下公式求得岩样每个杂质的大小：
A杂质＝P杂质×APixel
其中，A杂质为杂质的面积，P杂质为杂质掩码像素数，APixel为单个像素点的面积，约为98μm2；得到岩样每个杂质的面积分别为39788，17934，11858，28812，39690，12152，7938，3136，686，16268，25480，9408，2940，980，784，1176，980，686，21854，25284，17738，63406，15386，51156，18816，30674，14994，3234，1274，490，588，294，11368，490，1078，392，294，2646，882，3528，588，490，784，1078，2254，4214，27440，13132，882，29008，63308，30576，12838，19306，40278，3528，4704，51156，82320，7252，1764，2254，5684，32438，72422，145432，24990，45276，73108，95648，30674，57526，16856，4214，26362，120442，12544，2548，2646，4704，11662，176400，15974，8330，56350，3430，2254，14406，15288，32144，149842，32438，17346，57624，19992，104762，10192，16856，490，490，490，490，490，588，1176，1862，4802，2646，58408，5390，81242，2352，490，9996，19600，5292，2352，3528，4018，68208，5880，4704，25186，6664，2058，2254，2940，单位为μm2。
依据以上结果，根据以下公式计算出岩样的面孔-裂隙率：
P孔-裂隙＝N孔-裂隙÷NTotal×100％
其中，P孔-裂隙为面孔-裂隙率，N孔-裂隙为截面孔-裂隙总掩码像素数，NTotal为截面总掩码像素数，约为181705个，计算得到P孔-裂隙面孔-裂隙率约为15.44％。
依据以上结果，根据以下公式计算出岩样的含杂质率：
P杂质＝N杂质÷NTotal×100％
其中，P杂质为面含杂质率，N杂质为截面杂质总掩码像素数，NTotal为截面总掩码像素数，约为181705个，计算得到P孔-裂面含杂率约为9.24％。
采用MAPE法，对测试集的5组数据进行误差评价，其公式为：
Figure BDA0003358326220000081
其中n为测试集的组数，本例中n为5，得到该智能评价方法的MAPE＝0.008，误差远小于诸如Avizo(MAPE＝0.039)、Dragonfly(MAPE＝0.074)、MIMICS(MAPE＝0.105)等现有数字岩石评价方法，准确率高。
虽然，上文中已经用一般性说明及具体实施例对本发明作了详尽的描述，但在本发明基础上，可以对之作一些修改或改进，这对本领域技术人员而言是显而易见的。因此，在不偏离本发明精神的基础上所做的这些修改或改进，均属于本发明要求保护的范围。

Claims (5)

1.一种基于深度学习的岩石孔-裂隙及杂质特征评价方法，其特征在于，包括如下步骤：
S1、获取岩样CT扫描图像，清洗异常样本，调整样本图像对比度，构建岩样CT扫描图像样本库；
S2、将清洗、调整后的岩样CT扫描图像样本库进行分割，分为训练集和测试集，对训练集中的岩样CT扫描图像进行实例分割人工标注，构建岩样CT扫描图像实例分割训练集；将岩样CT扫描图像进行统一放缩后，使用labelme对训练集中岩样CT扫描图像的孔-裂隙及杂质轮廓进行人工标注，在标注过程中将孔-裂隙及杂质进行分类；根据岩样CT扫描图像特征，将标签类别分成两类：hole_white和hole_black，分别指代杂质及孔-裂隙；
S3、构建Mask R-CNN实例分割模型；
S4、使用步骤S2中的岩样CT扫描图像实例分割训练集对Mask R-CNN模型进行训练及参数调整；
S5、使用步骤S4训练后的Mask R-CNN实例分割模型对测试集中岩样CT扫描图像的孔-裂隙及杂质进行实例分割；训练后的Mask R-CNN实例分割模型可以完成对岩样孔-裂隙及杂质进行分类、框选、添加Binary Mask的操作；将岩样CT扫描图像测试集作为Mask R-CNN实例分割模型的输入，便可以输出岩样CT扫描图像的实例分割结果，包括存储有检测框位置、类别、二进制掩码位置的数组以及可视化图片；
S6、根据S5得出的岩样CT扫描图像的实例分割结果，利用Python函数对岩样的孔-裂隙及杂质特征进行评价；首先利用Counter函数分别统计出杂质、孔-裂隙的数量，然后利用List函数存储并输出岩样每个孔-裂隙及杂质的掩码像素数并计算出每个孔-裂隙及杂质的面积，再计算出岩样的面含杂率及面孔-裂隙率。
2.根据权利要求1所述的评价方法，其特征在于，在步骤S1中，将岩样CT扫描图像按照实验批次整理到相应文件夹下，去除图像信息缺失或有较大异常的图像；利用OpenCV将岩样CT扫描图像的对比度提升十倍，使岩样CT扫描图像达到可以视觉分辨孔-裂隙及杂质的效果。
3.根据权利要求1所述的评价方法，其特征在于，在步骤S2中，将得到的实例分割人工标注存储为json文件且以图片为基准，将所有图片的json文件统一转化成为COCO数据集格式的json文件并与对应的岩样CT扫描图像对应归置。
4.根据权利要求1所述的评价方法，其特征在于，在步骤S3中，Mask R-CNN实例分割模型的架构包括主干网络、RPN、ROIAlign层、Class&Box regression分支、Mask分支；
主干网络作为特征提取器，采用ResNet101和FPN相结合的形式，以岩样CT扫描图像作为输入，不同卷积深度的特征图作为输出；其中ResNet101表示卷积层数为101的残差网络，FPN是对ResNet101的扩展，可以将卷积与池化深度较高及较低的特征图叠加后输出；
RPN即候选区域网络，其利用滑动窗口扫描主干网络输出的特征图的每个像素点，为每个像素点生成k个候选框；之后，RPN的分类层对每个像素点输出2×k矩阵，RPN的回归层对每个像素点输出4×k矩阵；RPN对每个候选框进行前景/背景分类与边框回归，将结果以提议的形式输出给下一网络；
ROIAlign层即感兴趣区域排列层，其以RPN输出的提议以及主干网络输出的特征图作为输入，将提议映射到特征图对应位置，生成ROI；利用双线性插值法及最大池化法，得到新的ROI；最后向Class&Box regression分支输出7×7的ROI，向Mask分支输出14×14的ROI；
Class&Box regression分支即分类与边框回归分支，由FCNN全连接神经网络实现，通过对ROIAlign层输出的ROI进行一系列卷积，完成对岩样孔-裂隙及杂质的分类及边框回归；
Mask分支即掩码分支，由FCN全卷积网络实现，通过对ROIAlign层输出的ROI进行一系列卷积，对岩样孔-裂隙及杂质添加二进制掩码；
在网络优化过程中，采用随机梯度下降，对多任务损失函数L进行优化
L＝LCls+LBox+LMask
其中，LCls是分类损失，LBox是边框损失，LMask是掩码损失，在网络优化中引入两阶段的学习调整策略。
5.根据权利要求1所述的评价方法，其特征在于，在步骤S4中，利用步骤S2得到的岩样CT扫描图像实例分割训练集，对数据进行预处理后，以端到端的方式，输入到Mask R-CNN模型中，完成模型训练及参数调整。
CN202111359095.2A 2021-11-17 2021-11-17 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法 Pending CN114037693A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111359095.2A CN114037693A (zh) 2021-11-17 2021-11-17 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111359095.2A CN114037693A (zh) 2021-11-17 2021-11-17 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法

Publications (1)

Publication Number Publication Date
CN114037693A true CN114037693A (zh) 2022-02-11

Family

ID=80137876

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111359095.2A Pending CN114037693A (zh) 2021-11-17 2021-11-17 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法

Country Status (1)

Country Link
CN (1) CN114037693A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410049A (zh) * 2022-10-31 2022-11-29 中国石油大学(华东) 一种岩体溶蚀程度的分类评估方法及装置
CN116429810A (zh) * 2023-06-15 2023-07-14 天津铸金科技开发股份有限公司 基于扫描电子显微镜对粉末颗粒内部孔洞进行分析的方法
WO2024103380A1 (en) * 2022-11-18 2024-05-23 Robert Bosch Gmbh Method and apparatus for instance segmentation

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115410049A (zh) * 2022-10-31 2022-11-29 中国石油大学(华东) 一种岩体溶蚀程度的分类评估方法及装置
CN115410049B (zh) * 2022-10-31 2023-01-31 中国石油大学(华东) 一种岩体溶蚀程度的分类评估方法及装置
WO2024103380A1 (en) * 2022-11-18 2024-05-23 Robert Bosch Gmbh Method and apparatus for instance segmentation
CN116429810A (zh) * 2023-06-15 2023-07-14 天津铸金科技开发股份有限公司 基于扫描电子显微镜对粉末颗粒内部孔洞进行分析的方法

Similar Documents

Publication Publication Date Title
CN109886282B (zh) 对象检测方法、装置、计算机可读存储介质和计算机设备
CN114037693A (zh) 一种基于深度学习的岩石孔-裂隙及杂质特征评价方法
CN106875381B (zh) 一种基于深度学习的手机外壳缺陷检测方法
CN110598784B (zh) 基于机器学习的建筑垃圾分类方法及装置
CN113240626B (zh) 一种基于神经网络的玻璃盖板凹凸型瑕疵检测与分类方法
CN108564085B (zh) 一种自动读取指针式仪表读数的方法
Purswani et al. Evaluation of image segmentation techniques for image-based rock property estimation
CN111369581A (zh) 图像处理方法、装置、设备及存储介质
CN109961446B (zh) Ct/mr三维图像分割处理方法、装置、设备及介质
CN115909006B (zh) 基于卷积Transformer的乳腺组织图像分类方法及系统
CN110136130A (zh) 一种检测产品缺陷的方法及装置
CN109241867B (zh) 采用人工智能算法识别数字岩心图像的方法及装置
CN114119480A (zh) 一种基于深度学习的裂纹缺陷检测系统
CN112819796A (zh) 烟丝异物识别方法及设备
CN114332473A (zh) 目标检测方法、装置、计算机设备、存储介质及程序产品
CN116245882A (zh) 电路板电子元件检测方法、装置及计算机设备
CN113887524A (zh) 基于语义分割的磁铁矿显微图像分割方法
Zhong et al. Filamentous target segmentation of weft micro-CT image based on U-Net
CN115984186A (zh) 基于多分辨率知识提取的精细产品图像异常检测方法
CN115147418A (zh) 缺陷检测模型的压缩训练方法和装置
Samsi et al. Colorization of H&E stained tissue using Deep Learning
Deng et al. Cascade refinement extraction network with active boundary loss for segmentation of concrete cracks from high-resolution images
CN112183640B (zh) 一种基于不规则物体的检测和分类方法
CN111179278B (zh) 一种图像检测的方法、装置、设备和存储介质
CN105608674A (zh) 一种基于图像配准、插值和去噪的图像增强方法

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