CN114092489A - 多孔介质渗流通道提取、模型训练方法、装置及设备 - Google Patents
多孔介质渗流通道提取、模型训练方法、装置及设备 Download PDFInfo
- Publication number
- CN114092489A CN114092489A CN202111288854.0A CN202111288854A CN114092489A CN 114092489 A CN114092489 A CN 114092489A CN 202111288854 A CN202111288854 A CN 202111288854A CN 114092489 A CN114092489 A CN 114092489A
- Authority
- CN
- China
- Prior art keywords
- sub
- image
- porous medium
- region images
- image segmentation
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- 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
- 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
- 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
- G06T2207/30181—Earth observation
- G06T2207/30184—Infrastructure
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种多孔介质渗流通道提取、模型训练方法、装置及设备,其中的方法包括:将多孔介质的原始图像划分成N个子区域图像;从N个子区域图像中选取M个子区域图像进行标注;对M个子区域图像及M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息;基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;其中,图像分割模型用于提取多孔介质的渗流通道的信息。如此,提高了标注效率,且实现了小样本学习,大大提高了提取的多孔介质的渗流通道的信息的精度。
Description
技术领域
本发明涉及数字岩心技术领域,尤其涉及一种多孔介质渗流通道提取、模型训练方法、装置及设备。
背景技术
近年来,统计科学和数据科学的快速发展已经将深度学习思想和神经网络技术渗透到各个专业领域,例如医学、电路设计、计算机视觉、地球科学等,这正在逐渐解决曾经难以解决的问题。
在地球科学中,对于油气工程、水利工程和地质工程领域的研究,针对多孔介质的数字岩心数据,获取准确合理的渗流通道,不仅对资源产量起着至关重要的作用,而且也适用于研究围岩、水工结构和支挡结构的稳定性。
其中,多孔介质是由矿物组成的骨架(即矿物骨架)和由矿物骨架分隔成大量密集成群的微小空隙所构成的物质,其中,矿物骨架上附着有粘土。多孔介质具有空隙尺寸微小,比表面积数值很大的特点,并且存在很多内部孔隙和裂隙。多孔介质内的流体以渗流方式在孔隙、裂隙这些空隙中运动,运动的通道即渗流通道。
研究多孔介质时,通常采用CT(Computed tomography)图像和SEM(ScanningElectron Microscope)图像作为主要的几何结构(例如包括矿物骨架、渗流通道和粘土)信息来源,但是,利用已有的图像处理技术和边缘检测算法,获取多孔介质的渗流通道时,通常会出现微小裂隙难以提取、矿物边界受阈值影响严重的问题,因此,如何精确地将多孔介质的渗流通道提取出来是十分困难和重要的工作。现有技术中,可以基于图像分割技术,准确提取多孔介质的渗流通道的信息,但是需要大量的数据集支撑,以进行图像分割模型的训练,在训练的过程中,大量的信息标注工作往往耗费大量的时间和精力,而且,对于多孔介质而言,精细的标注工作任务量巨大,导致标注效率较低。
发明内容
本发明实施例提供一种多孔介质渗流通道提取、模型训练方法、装置及设备,用以解决现有技术中图像分割模型的训练中信息标注效率较低的缺陷,实现减少图像分割模型的训练中的标注工作,提高了工作效率,且提高了模型的识别精度。
第一方面,本发明实施例提供一种图像分割模型训练方法,包括:
将多孔介质的原始图像划分成N个子区域图像;
从所述N个子区域图像中选取M个子区域图像进行标注;
对所述M个子区域图像及所述M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及所述K个子区域图像中每个子区域图像对应的标注信息;
基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;
其中,所述图像分割模型用于提取所述多孔介质的渗流通道的信息;N、M和K均为正整数,M小于N,K大于M。
可选的,所述图像分割模型包括自编码器和图像分割架构;其中,所述自编码器,用于对子区域图像进行编码,以得到编码特征;所述图像分割架构,用于从所述编码特征中,提取所述多孔介质的渗流通道的信息;
所述基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,包括:
基于输入的选择操作,从多种预设图像分割架构中选择一个预设图像分割架构,以及从多种预设自编码器中选择一个预设自编码器,以得到所述预设模型;
获取所述预设模型对应的预训练参数;
将所述预训练参数作为所述预设模型的初始参数,基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对所述预设模型进行训练,得到所述图像分割模型。
可选的,所述基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,包括:
将所述K个子区域图像按照预设比例划分成训练集、验证集和测试集;
基于所述训练集中的每个子区域图像及对应的标注信息,对所述预设模型进行训练,得到所述图像分割模型;
所述的图像分割模型训练方法,还包括:
基于所述验证集中的每个子区域图像及对应的标注信息,对所述图像分割模型进行验证;
基于所述测试集中的每个子区域图像,对所述图像分割模型进行测试。
可选的,所述将多孔介质的原始图像划分成N个子区域图像,包括:
将所述多孔介质的原始图像的分辨率处理成预设分辨率,和/或,将所述多孔介质的原始图像的位深处理成预设位深;
将处理后的所述多孔介质的原始图像划分成N个子区域图像。
第二方面,本发明实施例提供一种多孔介质渗流通道提取方法,包括:
获取多孔介质的待分割图像;
将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息,所述图像分割模型是根据第一方面所提供的图像分割模型训练方法得到的。
可选的,所述待分割图像为所述N个子区域图像中未标注的子区域图像。
可选的,在所述将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息之后,还包括:
在可视化界面展示所述多孔介质的渗流通道的信息。
第三方面,本发明实施例还提供一种图像分割模型训练装置,包括:
划分单元,用于将多孔介质的原始图像划分成N个子区域图像;
标注单元,用于从所述N个子区域图像中选取M个子区域图像进行标注;
扩增单元,用于对所述M个子区域图像及所述M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息;
训练单元,用于基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;
其中,所述图像分割模型用于提取多孔介质的渗流通道的信息;N、M和K均为正整数,M小于N,K大于M。
第四方面,本发明实施例还提供一种多孔介质渗流通道提取装置,包括:
获取单元,用于获取多孔介质的待分割图像;
提取单元,用于将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息,所述图像分割模型是根据第一方面所提供的图像分割模型训练方法得到的。
第五方面,本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面和第二方面所提供的方法的步骤。
第六方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面和第二方面所提供的方法的步骤。
本发明实施例提供的一种图像分割模型训练方法,将多孔介质的原始图像划分成N个子区域图像之后,并非对所有的子区域图像进行标注,而是从N个子区域图像中选取M个子区域图像进行标注,即对部分子区域图像进行标注,大大减少了标注的工作量,提高了标注效率,然后,对M个子区域图像及M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息,实现了对M个子区域图像形成的小样本的数据增强,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,从而实现了小样本学习,减少了对样本数量的依赖,由于该图像分割模型是基于多孔介质的多个子区域图像这种局部区域的图像训练得到的,不仅考虑了不同区域的差异性而且能够提取到更细节的信息(例如一些微小裂隙的信息),大大提高了提取的多孔介质的渗流通道的信息的精度。另外,由于微小裂隙和渗流通道边缘在二维图像中具有一定的相似特征,可以在模型中同时训练,从而可以在图像的抽象表达中得到很好的聚类效果,从而使得微小裂隙的信息被提取出来,以实现准确地图像分割。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,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是本发明实施例提供的图像分割模型训练方法的流程示意图之一;
图2是本发明实施例提供的图像分割模型训练方法的流程示意图之二;
图3是本发明实施例提供的多孔介质渗流通道提取方法的流程示意图;
图4是本发明实施例提供的多孔介质的SEM图像;
图5a是本发明实施例提供的多孔介质的渗流通道的信息的提取结果;
图5b是本发明实施例提供的多孔介质的矿物骨架的信息的提取结果;
图5c是本发明实施例提供的多孔介质的粘土的信息的提取结果;
图6为本发明实施例提供的图像分割模型训练装置的结构示意图;
图7为本发明实施例提供的多孔介质渗流通道提取装置的结构示意图;
图8是本发明实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1为本发明实施例提供的图像分割模型训练方法的流程示意图,如图1所示,该方法可以由计算机等电子设备或者其中的软件和/或硬件的组合执行,该方法可以包括:
步骤110,将多孔介质的原始图像划分成N个子区域图像。
其中,多孔介质可以为天然多孔介质,也可以为人造多孔介质。天然多孔介质可以是地下多孔介质,也可以是生物多孔介质,例如,前者可以是岩石或者土壤,后者可以是人体、动物体内的微细血管网络和组织间隙,或者植物体的根、茎、枝、叶等。人造多孔介质的种类繁多,例如过滤设备内的滤器,铸造砂型,陶瓷、砖瓦、木材等建筑材料,活性炭、催化剂、鞍形填料和玻璃纤维等的堆积体等。
实际应用中,可以预先采集多孔介质的原始图像。该多孔介质的原始图像可以是多孔介质的CT图像,也可以是SEM图像,等等。其中,CT图像可以是RGB图像,也可以是灰度图像。SEM图像可以是RGB图像,也可以是灰度图像。实施中,可以根据实际情况将多孔介质的原始图像划分成N个子区域图像。其中,N为正整数。
步骤120,从N个子区域图像中选取M个子区域图像进行标注。
具体的,可以从N个子区域图像中随机选取M个子区域图像进行标注。M为正整数,M小于N,也即对N个子区域图像中的部分子区域图像进行标注。由于多孔介质的特点是,各个子区域图像的结构比较类似,对每个子区域图像都进行标注,会增加大量冗余信息的标注。而本步骤中,对部分子区域图像进行标注,减少了标注工作量,提高了标注效率。M的取值可以根据实际需要进行设置,只要小于N即可。示例性的,M个子区域图像在N个子区域图像中的占比为5%~10%。
步骤130,对M个子区域图像及M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息。
其中,扩增操作可以包括以下至少一种操作:翻转、旋转、对比度调整、饱和度调整以及亮度调整。进行扩增操作时,对子区域图像进行扩增操作之后,对子区域图像对应的标注信息进行相同的扩增操作,从而得到了一个新的子区域图像及对应的标注信息,即到底了一个新的已标注的子区域图像。如此,将已标注的M个子区域图像扩增至K个已标注的子区域图像,从而实现对M个子区域图像形成的小样本的数据增强。其中,K为正整数,K大于M。实施中,可以根据电子设备的内存大小设定K的取值。
步骤140,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型。其中,图像分割模型用于提取多孔介质的渗流通道的信息。
子区域图像对应的标注信息可以包括渗流通道的标注信息。
本实施例中,将多孔介质的原始图像划分成N个子区域图像之后,并非对所有的子区域图像进行标注,而是从N个子区域图像中选取M个子区域图像进行标注,即对部分子区域图像进行标注,大大减少了标注的工作量,提高了标注效率,然后,对M个子区域图像及M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息,实现了对M个子区域图像形成的小样本的数据增强,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,从而实现了小样本学习,减少了对样本数量的依赖,由于该图像分割模型是基于多孔介质的多个子区域图像这种局部区域的图像训练得到的,不仅考虑了不同区域的差异性而且能够提取到更细节的信息(例如一些微小裂隙的信息),大大提高了提取的多孔介质的渗流通道的信息的精度。另外,由于微小裂隙和渗流通道边缘在二维图像中具有一定的相似特征,可以在模型中同时训练,从而可以在图像的抽象表达中得到很好的聚类效果,从而使得微小裂隙的信息被提取出来,以实现准确地图像分割。
如前所述,多孔介质的几何结构,可以包括渗流通道,还可以包括矿物骨架。那么,多孔介质的几何结构信息中除渗流通道的信息之外,还可以包括矿物骨架的信息。在示例性实施例中,上述图像分割模型还用于提取多孔介质的矿物骨架的信息。相应的,上述子区域图像对应的标注信息还可以包括矿物骨架的标注信息。如此,在提取渗流通道的信息的同时,还提取了矿物骨架的信息,提取信息更加全面。
在示例性实施例中,将多孔介质的原始图像划分成N个子区域图像,其具体实现方式可以包括:对多孔介质的原始图像进行标准化处理,将标准化处理后的多孔介质的原始图像划分成N个子区域图像。本实施例中,对多孔介质的原始图像进行标准化处理,使得该原始图像满足处理标准,方便后续处理。
具体的,对多孔介质的原始图像进行标准化处理时,可以将多孔介质的原始图像的分辨率处理成预设分辨率,和/或,将多孔介质的原始图像的位深处理成预设位深。然后,将处理后的多孔介质的原始图像划分成N个子区域图像。如此,可以使得多孔介质的原始图像的分辨率和位深满足标准,方便后续处理。
其中,将多孔介质的原始图像的分辨率处理成预设分辨率,具体可以是将多孔介质的原始图像的分辨率放大至预设分辨率。本实施例中,通过将多孔介质的原始图像的分辨率放大,可以扩大多孔介质的原始图像的细节信息,利于将多孔介质更加精确的渗流通道的信息等几何结构信息得到体现。
将多孔介质的原始图像的位深处理成预设位深,具体可以是将多孔介质的原始图像的位深降低至预设位深。本实施例中,通过将原始图像的位深降低,可以有效地降低学习特征的维度,更有利于捕捉矿物骨架的边缘信息、区分矿物和孔隙的图像特征。
示例性的,预设位深可以为1。此时,像素点占的位数是1位,像素点的像素值不是0,就是1,各像素点形成二值图像。
在示例性实施例中,步骤120中,从N个子区域图像中选取M个子区域图像进行标注,其具体实现方式可以包括:基于预设标注工具,对M个子区域图像进行标注,将子区域图像对应的标注信息保存成预设格式的文件,例如.json文件。在标注时,可以对多个子区域图像进行批处理。示例性的,预设标注工具可以为labelme,等等。通过标注工具的协助,进行人工标注更加方便。
在示例性实施例中,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,其具体实现方式可以包括:将K个子区域图像按照预设比例划分成训练集、验证集和测试集;基于训练集中的每个子区域图像及对应的标注信息,对预设模型进行训练,得到图像分割模型。相应的,上述图像分割模型训练方法,还可以包括:基于验证集中的每个子区域图像及对应的标注信息,对图像分割模型进行验证;基于测试集中的每个子区域图像,对图像分割模型进行测试。
由于测试集是不需要进行标注的,所以基于测试集中的每个子区域图像,对图像分割模型进行测试即可。
本实施例中,基于K个子图像区域,就可以完成对图像分割模型的训练、验证和测试过程,无需额外提供验证集和测试集,更加方便。
其中的预设比例可以是训练集中的子区域图像的数量、验证集中的子区域图像的数量、测试集中的子区域图像的数量的比例。训练集中的子区域图像的数量可以大于验证集中的子区域图像的数量。验证集中的子区域图像的数量可以大于测试集中的子区域图像的数量。示例性的,上述预设比例可以是7:2:1。如此,通过较多数量的子区域图像对预设模型进行训练,能够学习到更多的信息。然后通过足够的验证集对图像分割模型进行准确地评估。实施中,图像分割模型的效果以精度、召回率、F分数(F-score)以及IoU(Intersection-over-union)指标作为模型鲁棒性和分割效果的评价指标。最后,再基于测试集对图像分割模型进行测试即可。
实际应用中,训练集、验证集和测试集可以按照预设的数据集格式存储在指定的第一文件夹中。预设的数据集格式可以包括命名格式等。
另外,也可以基于K个子区域图像中的全部子区域图像,对预设模型进行训练,得到图像分割模型。此时,可以另外设置验证集和测试集对图像分割模型进行验证和测试。
在示例性实施例中,图像分割模型包括自编码器和图像分割架构;其中,自编码器,用于对子区域图像进行编码,以得到编码特征;图像分割架构,用于从编码特征中,提取多孔介质的渗流通道的信息。
相应的,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,如图2所示,其具体实现方式可以包括:
步骤210,基于输入的选择操作,从多种预设图像分割架构中选择一个预设图像分割架构,以及从多种预设自编码器中选择一个预设自编码器,以得到预设模型。
实际应用中,可以预先设置多种预设图像分割架构,例如DeeplabV3,DeeplabV3+,LinkNet,FPN,Unet和Unet++等架构。并且,预先设置多种预设自编码器,例如Resnet结构,Vgg结构,Densenet结构等等。多种预设图像中的一种预设图像分割架构与多种预设自编码器中的一种预设自编码器可以组合形成一种预设模型。针对每种预设模型,可以获取到该预设模型对应的预训练参数并保存。其中,预训练参数是已预先经过初步训练得到的预设模型的模型参数。
用户可以通过输入的选择操作,来选择需要的预设图像分割架构和预设自编码器,从而得到需要的预设模型。
步骤220、获取预设模型对应的预训练参数。
示例性的,其中的预训练参数可以包括Imagenet预训练权重。
步骤230、将预训练参数作为预设模型的初始参数,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型。
其中,图像分割模型的模型参数以指定的文件名存储在指定的第二文件夹中。这里,指定的第二文件夹可以是基于图像分割架构名称命名的文件夹。指定的文件名可以是基于自编码器的名称命名的文件名。示例性的,图像分割模型的模型参数以“自编码器名称_best_model.pth”文件名的形式存储在图像分割架构名称的文件夹中。
本实施例中,可以通过选择操作,来选择需要的预设图像分割架构和预设自编码器,从而得到预设模型,获取预设模型对应的预训练参数,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型。如此,可以支持多种结构的模型的训练,训练更加便捷。
实际应用中,可以根据电子设备的内存的大小选择训练的迭代数和训练集的批处理(batch)的大小。示例性的,可以将训练集的批处理batch大小的范围为1~15,例如设置为3。训练的迭代数的范围为10-20。如此,可以保证得到一个比较稳定的结果并且训练的时间也比较短。
需要说明的是,图像分割模型和自编码器中都包含激活函数。该激活函数可以为Sigmoid函数。
实际应用中,可以设置默认的预设自编码器、预设图像分割架构、预训练参数和激活函数,如此,得到默认的预设模型。基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对默认的预设模型进行训练,得到图像分割模型。示例性的,激活函数默认设置为Sigmoid函数,自编码器默认设置为Resnet结构,图像分割架构默认设置为Unet,预训练权重默认设置为Imagenet。这样,有助于用户尽快的上手图像分割技术。
本发明实施例提供的方案的逻辑代码可以基于python开发环境实现。如果电子设备支持图形处理器(Graph-processing-unit,GPU),可以基于GPU,进行图像分割模型的训练,从而加速运行。
在完成图像分割模型的训练之后,可以应用该图像分割模型进行多孔介质的渗流通道的信息的提取。
图3为本发明实施例提供的多孔介质渗流通道提取方法的流程示意图,如图3所示,该方法可以包括:
步骤310,获取多孔介质的待分割图像。
步骤320,将多孔介质的待分割图像,输入至预先训练的图像分割模型,得到多孔介质的渗流通道的信息,图像分割模型是根据上述任一实施例所提供的图像分割模型训练方法得到的。
其中,得到的多孔介质的渗流通道的信息可以存储在指定的第三文件夹中。
在示例性实施例中,上述待分割图像可以为N个子区域图像中未标注的子区域图像。也就是说,将上述多孔介质的原始图像划分出的N个子区域图像中,未标注的N-M个子区域图像作为预测数据集,建立待识别数据库。将未标注的子区域图像作为待分割图像,输入到图像分割模型中,从而快速得到多孔介质的渗流通道的信息。
当然,实际应用中,也可以将一个多孔介质的原始图像,作为待分割图像,输入图像分割模型中,得到多孔介质的渗流通道的信息。
在示例性实施例中,在将多孔介质的待分割图像,输入至预先训练的图像分割模型,得到多孔介质的渗流通道的信息之后,上述多孔介质渗流通道提取方法还可以包括:在可视化界面展示多孔介质的渗流通道的信息。通过可视化界面的展示,可以直观的查看多孔介质的渗流通道的信息的提取结果。
如前所述,多孔介质的几何结构,可以包括矿物骨架、渗流通道和粘土。基于此,上述图像分割模型还用于提取多孔介质的矿物骨架的信息,基于此,基于上述图像分割模型,还得到多孔介质的矿物骨架的信息。进一步的,还可以进一步从多孔介质的待分割图像中,将矿物骨架的信息和渗流通道的信息分离,得到粘土的信息。
以图4所示的多孔介质的SEM图像为例,图5a,图5b,图5c依次为基于本发明实施例提供的多孔介质渗流通道提取方法得到的渗流通道的信息的提取结果,矿物骨架的信息的提取结果和粘土的信息的提取结果。
本发明实施例,为了能够减少图像分割模型的训练过程中的标注工作、增加分割精度,以提高工作效率,提供一种基于小样本学习的快速精细化多孔介质的渗流通道的信息提取方法,全程代码驱动,操作的过程中仅需要确定数据存储文件夹、人为处理少部分标注工作、选择深度神经网络图像分割架构和自编码器结构、根据电子设备的内存条件确定数据增强扩增数量,可以实现对全新并且信息量稀疏的数据集利用极少的工作完成极高的图像分割效果。
本发明实施例提供的方案,能够利用小样本学习方法和数据增强算法以极少的标注工作,实现精度极高的图像分割效果,从而帮助研究者以极高的效率完成多孔介质的渗流通道的信息提取工作,能够让对深度学习模型陌生的用户实现自主建立图像分割模型,以极短的时间和极少的标注工作实现目标信息的快速提取工作,从而帮助多孔介质的研究工作者能够快速、精准地对图像数据进行处理,提高研究效率。
下面对本发明实施例提供的图像分割模型训练装置进行描述,下文描述的图像分割模型训练装置与上文描述的图像分割模型训练方法可相互对应参照。
图6为本发明实施例提供的图像分割模型训练装置的结构示意图,如图6所示,该装置包括划分单元610、标注单元620、扩增单元630和训练单元640;
其中,划分单元610,用于将多孔介质的原始图像划分成N个子区域图像;
标注单元620,用于从N个子区域图像中选取M个子区域图像进行标注;
扩增单元630,用于对M个子区域图像及M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息;
训练单元640,用于基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;
其中,图像分割模型用于提取多孔介质的渗流通道的信息;N、M和K均为正整数,M小于N,K大于M。
在示例性实施例中,图像分割模型包括自编码器和图像分割架构;其中,自编码器,用于对子区域图像进行编码,以得到编码特征;图像分割架构,用于从编码特征中,提取多孔介质的渗流通道的信息;
训练单元,具体用于:
基于输入的选择操作,从多种预设图像分割架构中选择一个预设图像分割架构,以及从多种预设自编码器中选择一个预设自编码器,以得到预设模型;
获取预设模型对应的预训练参数;
将预训练参数作为预设模型的初始参数,基于K个子区域图像中的至少部分子区域图像及至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型。
在示例性实施例中,训练单元,具体用于:
将K个子区域图像按照预设比例划分成训练集、验证集和测试集;
基于训练集中的每个子区域图像及对应的标注信息,对预设模型进行训练,得到图像分割模型;
的图像分割模型训练方法,还包括:
基于验证集中的每个子区域图像及对应的标注信息,对图像分割模型进行验证;
基于测试集中的每个子区域图像,对图像分割模型进行测试。
在示例性实施例中,划分单元,具体用于:
将多孔介质的原始图像的分辨率处理成预设分辨率,和/或,将多孔介质的原始图像的位深处理成预设位深;
将处理后的多孔介质的原始图像划分成N个子区域图像。
下面对本发明实施例提供的图像分割模型训练装置进行描述,下文描述的图像分割模型训练装置与上文描述的图像分割模型训练方法可相互对应参照。
图7为本发明实施例提供的多孔介质渗流通道提取装置的结构示意图,如图7所示,该装置包括获取单元701和提取单元702;
其中,获取单元701,用于获取多孔介质的待分割图像;
提取单元702,用于将多孔介质的待分割图像,输入至预先训练的图像分割模型,得到多孔介质的渗流通道的信息,图像分割模型是根据上述任一实施例所提供的图像分割模型训练方法得到的。
在示例性实施例中,待分割图像为N个子区域图像中未标注的子区域图像。
在示例性实施例中,上述多孔介质渗流通道提取装置还可以包括:
展示单元,用于在可视化界面展示多孔介质的渗流通道的信息。
图8示例了一种电子设备的实体结构示意图,如图8所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行上述各实施例所提供的方法。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供一种计算机程序产品,所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序,所述计算机程序包括程序指令,当所述程序指令被计算机执行时,计算机能够执行上述各实施例所提供的方法。
本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例所提供的方法。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图像分割模型训练方法,其特征在于,包括:
将多孔介质的原始图像划分成N个子区域图像;
从所述N个子区域图像中选取M个子区域图像进行标注;
对所述M个子区域图像及所述M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及所述K个子区域图像中每个子区域图像对应的标注信息;
基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;
其中,所述图像分割模型用于提取所述多孔介质的渗流通道的信息;N、M和K均为正整数,M小于N,K大于M。
2.根据权利要求1所述的图像分割模型训练方法,其特征在于,所述图像分割模型包括自编码器和图像分割架构;其中,所述自编码器,用于对子区域图像进行编码,以得到编码特征;所述图像分割架构,用于从所述编码特征中,提取所述多孔介质的渗流通道的信息;
所述基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,包括:
基于输入的选择操作,从多种预设图像分割架构中选择一个预设图像分割架构,以及从多种预设自编码器中选择一个预设自编码器,以得到所述预设模型;
获取所述预设模型对应的预训练参数;
将所述预训练参数作为所述预设模型的初始参数,基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对所述预设模型进行训练,得到所述图像分割模型。
3.根据权利要求1所述的图像分割模型训练方法,其特征在于,所述基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型,包括:
将所述K个子区域图像按照预设比例划分成训练集、验证集和测试集;
基于所述训练集中的每个子区域图像及对应的标注信息,对所述预设模型进行训练,得到所述图像分割模型;
所述的图像分割模型训练方法,还包括:
基于所述验证集中的每个子区域图像及对应的标注信息,对所述图像分割模型进行验证;
基于所述测试集中的每个子区域图像,对所述图像分割模型进行测试。
4.根据权利要求1至3任一项所述的图像分割模型训练方法,其特征在于,所述将多孔介质的原始图像划分成N个子区域图像,包括:
将所述多孔介质的原始图像的分辨率处理成预设分辨率,和/或,将所述多孔介质的原始图像的位深处理成预设位深;
将处理后的所述多孔介质的原始图像划分成N个子区域图像。
5.一种多孔介质渗流通道提取方法,其特征在于,包括:
获取多孔介质的待分割图像;
将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息,所述图像分割模型是根据权利要求1至4任一项所述的图像分割模型训练方法得到的。
6.根据权利要求5所述的多孔介质渗流通道提取方法,其特征在于,所述待分割图像为所述N个子区域图像中未标注的子区域图像。
7.根据权利要求5或6所述的多孔介质渗流通道提取方法,其特征在于,在所述将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息之后,还包括:
在可视化界面展示所述多孔介质的渗流通道的信息。
8.一种图像分割模型训练装置,其特征在于,包括:
划分单元,用于将多孔介质的原始图像划分成N个子区域图像;
标注单元,用于从所述N个子区域图像中选取M个子区域图像进行标注;
扩增单元,用于对所述M个子区域图像及所述M个子区域图像中每个子区域图像对应的标注信息,进行扩增操作,以得到K个子区域图像及K个子区域图像中每个子区域图像对应的标注信息;
训练单元,用于基于所述K个子区域图像中的至少部分子区域图像及所述至少部分子区域图像中每个子区域图像对应的标注信息,对预设模型进行训练,得到图像分割模型;
其中,所述图像分割模型用于提取多孔介质的渗流通道的信息;N、M和K均为正整数,M小于N,K大于M。
9.一种多孔介质渗流通道提取装置,其特征在于,包括:
获取单元,用于获取多孔介质的待分割图像;
提取单元,用于将所述多孔介质的待分割图像,输入至预先训练的图像分割模型,得到所述多孔介质的渗流通道的信息,所述图像分割模型是根据权利要求1至4任一项所述的图像分割模型训练方法得到的。
10.一种电子设备,包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288854.0A CN114092489B (zh) | 2021-11-02 | 2021-11-02 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111288854.0A CN114092489B (zh) | 2021-11-02 | 2021-11-02 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114092489A true CN114092489A (zh) | 2022-02-25 |
CN114092489B CN114092489B (zh) | 2023-08-29 |
Family
ID=80298636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111288854.0A Active CN114092489B (zh) | 2021-11-02 | 2021-11-02 | 多孔介质渗流通道提取、模型训练方法、装置及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114092489B (zh) |
Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
CA2646857A1 (en) * | 2008-05-21 | 2009-11-21 | Ingrain, Inc. | Method for estimating material properties of porous media using computer tomographic images thereof |
US20130080065A1 (en) * | 2011-09-26 | 2013-03-28 | Saudi Arabian Oil Company | Apparatus, computer readable medium, and program code for evaluating rock properties while drilling using downhole acoustic sensors and telemetry system |
CN103180878A (zh) * | 2010-10-25 | 2013-06-26 | 皇家飞利浦电子股份有限公司 | 用于医学图像的分割的系统 |
US20140044315A1 (en) * | 2012-08-10 | 2014-02-13 | Ingrain, Inc. | Method For Improving The Accuracy Of Rock Property Values Derived From Digital Images |
CN103971415A (zh) * | 2014-05-23 | 2014-08-06 | 南京大学 | 一种三维模型构件的在线标注方法 |
US20140270350A1 (en) * | 2013-03-14 | 2014-09-18 | Xerox Corporation | Data driven localization using task-dependent representations |
CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
CN106778896A (zh) * | 2016-12-29 | 2017-05-31 | 南京理工大学 | 一种基于自编码特征学习的冬虫夏草检测方法 |
US20180172574A1 (en) * | 2016-12-20 | 2018-06-21 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Experimental device and method for studying relationship between sediment yield behavior and radial deformation of porous media during exploitation of natural gas hydrates |
CN109164026A (zh) * | 2018-07-25 | 2019-01-08 | 中国石油天然气股份有限公司 | 岩石渗流能力评价方法及装置 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN109859230A (zh) * | 2018-12-26 | 2019-06-07 | 北京理工大学 | 一种用于多孔介质显微ct图像的分割方法 |
US20190286936A1 (en) * | 2017-07-14 | 2019-09-19 | Memorial Sloan Kettering Cancer Center | Weakly supervised image classifier |
US20190332896A1 (en) * | 2018-04-27 | 2019-10-31 | Jianming Liang | Methods, systems, and media for selecting candidates for annotation for use in training classifiers |
US20190331579A1 (en) * | 2018-04-28 | 2019-10-31 | China University Of Petroleum (East China) | Method and System for Determining Contact Angle of Porous Media |
CN110782466A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 图片分割方法、装置和系统 |
US20200126207A1 (en) * | 2017-05-11 | 2020-04-23 | The Research Foundation For The State University Of New York | System and Method Associated with Predicting Segmentation Quality of Objects in Analysis of Copious Image Data |
US20200381121A1 (en) * | 2019-05-29 | 2020-12-03 | New York University | System and method for tumor characterization |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
WO2021022712A1 (zh) * | 2019-08-02 | 2021-02-11 | 平安科技(深圳)有限公司 | 图像识别模型训练方法、装置以及计算机设备 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112734775A (zh) * | 2021-01-19 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像标注、图像语义分割、模型训练方法及装置 |
US20210158089A1 (en) * | 2019-11-22 | 2021-05-27 | International Business Machines Corporation | Generating training data for object detection |
CN112925938A (zh) * | 2021-01-28 | 2021-06-08 | 上海商汤智能科技有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
US20210193323A1 (en) * | 2019-12-18 | 2021-06-24 | Dhristi Inc. | Systems and methods for predicting patient outcome to cancer therapy |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
US20210295528A1 (en) * | 2020-03-16 | 2021-09-23 | Memorial Sloan Kettering Cancer Center | Deep interactive learning for image segmentation models |
CN113469897A (zh) * | 2021-05-24 | 2021-10-01 | 苏州市科远软件技术开发有限公司 | 图像增强模型的训练、图像增强方法、装置及电子设备 |
CN113554071A (zh) * | 2021-07-08 | 2021-10-26 | 广东石油化工学院 | 一种岩石样品中伴生矿物识别方法及系统 |
-
2021
- 2021-11-02 CN CN202111288854.0A patent/CN114092489B/zh active Active
Patent Citations (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA2646857A1 (en) * | 2008-05-21 | 2009-11-21 | Ingrain, Inc. | Method for estimating material properties of porous media using computer tomographic images thereof |
CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
CN103180878A (zh) * | 2010-10-25 | 2013-06-26 | 皇家飞利浦电子股份有限公司 | 用于医学图像的分割的系统 |
US20130080065A1 (en) * | 2011-09-26 | 2013-03-28 | Saudi Arabian Oil Company | Apparatus, computer readable medium, and program code for evaluating rock properties while drilling using downhole acoustic sensors and telemetry system |
US20140044315A1 (en) * | 2012-08-10 | 2014-02-13 | Ingrain, Inc. | Method For Improving The Accuracy Of Rock Property Values Derived From Digital Images |
US20140270350A1 (en) * | 2013-03-14 | 2014-09-18 | Xerox Corporation | Data driven localization using task-dependent representations |
CN104076046A (zh) * | 2013-03-28 | 2014-10-01 | 中国石油化工股份有限公司 | 多孔介质中剩余油微观分布图像采集与定量表征方法 |
CN103971415A (zh) * | 2014-05-23 | 2014-08-06 | 南京大学 | 一种三维模型构件的在线标注方法 |
CN106530305A (zh) * | 2016-09-23 | 2017-03-22 | 北京市商汤科技开发有限公司 | 语义分割模型训练和图像分割方法及装置、计算设备 |
US20180172574A1 (en) * | 2016-12-20 | 2018-06-21 | Guangzhou Institute Of Energy Conversion, Chinese Academy Of Sciences | Experimental device and method for studying relationship between sediment yield behavior and radial deformation of porous media during exploitation of natural gas hydrates |
CN106778896A (zh) * | 2016-12-29 | 2017-05-31 | 南京理工大学 | 一种基于自编码特征学习的冬虫夏草检测方法 |
US20200126207A1 (en) * | 2017-05-11 | 2020-04-23 | The Research Foundation For The State University Of New York | System and Method Associated with Predicting Segmentation Quality of Objects in Analysis of Copious Image Data |
US20190286936A1 (en) * | 2017-07-14 | 2019-09-19 | Memorial Sloan Kettering Cancer Center | Weakly supervised image classifier |
US20190332896A1 (en) * | 2018-04-27 | 2019-10-31 | Jianming Liang | Methods, systems, and media for selecting candidates for annotation for use in training classifiers |
US20190331579A1 (en) * | 2018-04-28 | 2019-10-31 | China University Of Petroleum (East China) | Method and System for Determining Contact Angle of Porous Media |
CN109164026A (zh) * | 2018-07-25 | 2019-01-08 | 中国石油天然气股份有限公司 | 岩石渗流能力评价方法及装置 |
CN110782466A (zh) * | 2018-07-31 | 2020-02-11 | 阿里巴巴集团控股有限公司 | 图片分割方法、装置和系统 |
CN109285222A (zh) * | 2018-09-06 | 2019-01-29 | 中国地质大学(北京) | 有机页岩高分辨率数字岩心构建与分析方法 |
CN109859230A (zh) * | 2018-12-26 | 2019-06-07 | 北京理工大学 | 一种用于多孔介质显微ct图像的分割方法 |
US20200381121A1 (en) * | 2019-05-29 | 2020-12-03 | New York University | System and method for tumor characterization |
WO2021022712A1 (zh) * | 2019-08-02 | 2021-02-11 | 平安科技(深圳)有限公司 | 图像识别模型训练方法、装置以及计算机设备 |
US20210158089A1 (en) * | 2019-11-22 | 2021-05-27 | International Business Machines Corporation | Generating training data for object detection |
US20210193323A1 (en) * | 2019-12-18 | 2021-06-24 | Dhristi Inc. | Systems and methods for predicting patient outcome to cancer therapy |
US20210295528A1 (en) * | 2020-03-16 | 2021-09-23 | Memorial Sloan Kettering Cancer Center | Deep interactive learning for image segmentation models |
CN112070774A (zh) * | 2020-09-16 | 2020-12-11 | 西南石油大学 | 一种用于页岩数字岩心图像分割的神经网络优化方法 |
CN112686259A (zh) * | 2020-12-16 | 2021-04-20 | 中国石油大学(北京) | 基于深度学习的岩石图像智能识别方法、装置及存储介质 |
CN112734775A (zh) * | 2021-01-19 | 2021-04-30 | 腾讯科技(深圳)有限公司 | 图像标注、图像语义分割、模型训练方法及装置 |
CN112925938A (zh) * | 2021-01-28 | 2021-06-08 | 上海商汤智能科技有限公司 | 一种图像标注方法、装置、电子设备及存储介质 |
CN113177302A (zh) * | 2021-04-14 | 2021-07-27 | 北京科技大学 | 一种裂隙岩石颗粒流模型构建及新生裂纹产状分析方法 |
CN113469897A (zh) * | 2021-05-24 | 2021-10-01 | 苏州市科远软件技术开发有限公司 | 图像增强模型的训练、图像增强方法、装置及电子设备 |
CN113554071A (zh) * | 2021-07-08 | 2021-10-26 | 广东石油化工学院 | 一种岩石样品中伴生矿物识别方法及系统 |
Non-Patent Citations (3)
Title |
---|
YING DA WANG ET AL.: "ML-LBM: Machine Learning Aided Flow Simulation in Porous Media", pages 1 - 23 * |
丁轶: "基于LDA的图像区域标注模型的研究", 《中国优秀硕士学位论文全文数据库信息科技辑》, no. 1, pages 78 - 81 * |
王恩志 等: "基于X射线断层扫描预测岩石单轴抗压强度", vol. 38, no. 2, pages 3575 - 3582 * |
Also Published As
Publication number | Publication date |
---|---|
CN114092489B (zh) | 2023-08-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7496389B2 (ja) | 画像解析方法、装置、プログラムおよび学習済み深層学習アルゴリズムの製造方法 | |
CN111127482B (zh) | 基于深度学习的ct影像肺气管的分割方法及系统 | |
CN112580623B (zh) | 图像生成方法、模型训练方法、相关装置及电子设备 | |
CN104156721B (zh) | 一种基于模板匹配的脱机汉字笔画提取方法 | |
CN110222701A (zh) | 一种桥梁病害自动识别方法 | |
CN110110723B (zh) | 一种图像中目标区域自动提取的方法及装置 | |
CN109063713A (zh) | 一种基于构造特征图像深度学习的木材鉴别方法和系统 | |
CN110400362B (zh) | 一种基于图像的abaqus二维裂纹建模方法、系统及计算机可读存储介质 | |
CN113658117B (zh) | 一种基于深度学习的沥青混合料中集料边界识别与划分方法 | |
CN111402266A (zh) | 一种构建数字岩心的方法及系统 | |
US11636695B2 (en) | Method for synthesizing image based on conditional generative adversarial network and related device | |
CN110880000A (zh) | 图片文字定位方法、装置、计算机设备和存储介质 | |
CN112966685B (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN104268830A (zh) | 基于数字图像确定不均匀岩土材料渗透系数的方法 | |
CN111626358B (zh) | 一种基于bim图片识别的隧道围岩分级方法 | |
CN113706492A (zh) | 一种基于胸部ct影像的肺实质自动分割方法 | |
CN110363848A (zh) | 一种基于数字岩心的孔隙网络模型的可视化方法及装置 | |
CN114496099A (zh) | 细胞功能注释方法、装置、设备及介质 | |
CN115797767A (zh) | 一种基于深度残差网络的花岗岩矿物识别方法 | |
CN112147680A (zh) | 岩石内部微裂缝提取和刻画方法及系统 | |
CN114092489B (zh) | 多孔介质渗流通道提取、模型训练方法、装置及设备 | |
CN110136113A (zh) | 一种基于卷积神经网络的阴道病理图像分类方法 | |
CN110660068B (zh) | 三维细胞构筑图像的半自动脑区分割方法 | |
CN112801109A (zh) | 一种基于多尺度特征融合的遥感图像分割方法及系统 | |
CN1914640A (zh) | 从医学图像中自动提取骨的系统和方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |