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 PDFInfo
- 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
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
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:
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。
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)
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 |
-
2021
- 2021-11-17 CN CN202111359095.2A patent/CN114037693A/zh active Pending
Cited By (4)
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 |