CN114119569A - 基于机器学习的成像测井图像裂缝分割与识别方法和系统 - Google Patents
基于机器学习的成像测井图像裂缝分割与识别方法和系统 Download PDFInfo
- Publication number
- CN114119569A CN114119569A CN202111440675.4A CN202111440675A CN114119569A CN 114119569 A CN114119569 A CN 114119569A CN 202111440675 A CN202111440675 A CN 202111440675A CN 114119569 A CN114119569 A CN 114119569A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- imaging logging
- imaging
- identification
- 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
-
- 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
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- 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
- G06T2207/10028—Range image; Depth image; 3D point clouds
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30148—Semiconductor; IC; Wafer
Abstract
本发明涉及一种基于机器学习的成像测井图像裂缝分割与识别方法和系统,方法包括以下步骤:对成像测井图像数据预处理;基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的孔缝结构。本发明应用K均值聚类算法和遗传算法对图像的阈值分割进行了逐步优化,尽可能减少了图像分割后图像中的噪声点,使得图像中的目标区域更加突出。通过图像分割使得图像质量更高,在神经网络图像识别时可以在样本数量较少的情况下,保证较高的识别准确度。因此,本发明可以广泛应用于油气井工程领域。
Description
技术领域
本发明涉及一种基于机器学习的成像测井图像裂缝分割与识别方法和系统,属于油气井工程领域。
背景技术
裂缝是油气在地下重要的储集空间和运移通道,裂缝所在区域容易发生坍塌、漏失等钻井事故。因此判断井壁周围是否存在裂缝是钻井工程中十分重要的一个研究方向,也是该领域面临的一大难题。
国内外的专家学者提出了很多识别裂缝的方法,这些方法可以分为两大类:
第一类是基于传统方法的裂缝识别,该方法主要是借助天然裂缝在成像测井图像中近似一条正弦曲线的特点,通过霍夫变换等方法识别正弦曲线,进而识别天然裂缝。然而,在实际问题中,测量得到的成像测井图像中的天然裂缝往往是断断续续出现的,想通过识别正弦曲线识别天然裂缝十分困难。
第二类是基于机器学习的图像识别算法进行裂缝的识别,在这些方法中主要是基于神经网络进行裂缝识别,然而,神经网络对样本要求较高,既要求样本数量多,又要求样本质量高,但实际问题中得到的高质量的成像测井图像并不多,当高质量样本不多时,应用神经网络进行裂缝识别的准确度往往较低。
发明内容
针对上述问题,本发明的目的是提供一种基于机器学习的成像测井图像裂缝分割与识别方法和系统,能够在样本数量较少的情况下,通过图像分割提高图像质量,从而应用神经网络进行小样本情况下的裂缝有效识别。
为实现上述目的,本发明采取以下技术方案:
一种基于机器学习的成像测井图像裂缝分割与识别方法,其包括以下步骤:
对成像测井图像数据预处理;
基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的裂缝识别结果。
优选地,对成像测井图像进行预处理时,采用伽马变换方法。
优选地,所述伽马变换方法包括归一化、预补偿和反归一化。
优选地,所述归一化的计算公式如下:
其中,Ri是第i个像素点归一化后的灰度值,ri是第i个像素点的原始灰度值,rmin和rmax分别是所有像素点灰度值的最小值和最大值。
优选地,所述预补偿的计算公式为:
其中,Gi是第i个像素点伽马变换之后对应的值,Ri是第i个像素点归一化后的灰度值,γ为伽马变换指数。
优选地,所述基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型的方法,包括:
对预处理后的成像测井图像数据进行阈值分割,得到分割后的成像测井图像数据;
对分割后的成像测井图像数据进行随机划分,得到训练集和测试集;
采用训练集对图像分割识别模块进行训练,并采用测试集对图像分割识别模型效果进行测试,得到训练好的图像分割识别模型。
优选地,所述对预处理后的成像测井图像数据进行阈值分割,得到分割后的成像测井图像数据的方法,包括:
采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割;
采用阈值分割方法对聚类分割后的图像进行阈值分割。
优选地,所述采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割之前,还包括以下步骤:
应用遗传算法确定初始聚类中心。
优选地,所述采用阈值分割方法对聚类分割后的图像进行阈值分割后,还包括以下步骤:采用中值滤波方法对阈值分割结果进行滤波。
一种基于机器学习的成像测井图像裂缝分割与识别系统,其包括:
预处理模块,用于对成像测井图像数据预处理;
模型训练模块,用于基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
裂缝识别模块,用于采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的孔缝结构。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明应用K均值聚类算法和遗传算法对图像的阈值分割进行了逐步优化,尽可能减少了图像分割后图像中的噪声点,使得图像中的目标区域更加突出。
2、本发明先是进行图像的分割,通过图像分割使得图像质量更高,在神经网络图像识别时可以在样本数量较少的情况下,与直接用神经网络进行图像识别相比,保证较高的识别准确度。
因此,本发明可以广泛应用于油气井工程领域。
附图说明
图1是本发明一实施例中提供的基于机器学习的成像测井图像裂缝分割与识别方法的流程图;
图2是本发明一实施例中图像预处理后的图像;
图3是本发明一实施例中阈值分割滤波后的图像;
图4是本发明一实施例中遗传算法优化K均值聚类的聚类结果图;
图5是本发明一实施例中遗传算法优化K均值聚类阈值分割后的图像;
图6是本发明一实施例中针对一口生产井成像测井长图的裂缝识别结果。
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的附图,对本发明实施例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的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
本发明的一些实施例中,提供一种基于机器学习的成像测井裂缝分割与识别方法,包括以下步骤:图像预处理;图像的阈值分割;应用K均值聚类算法优化阈值分割,并应用遗传算法再次优化K均值聚类阈值分割,用优化后的模型进行图像分割;将经过图像分割后的高质量图像输入到深度神经网络模型中进行裂缝识别。本发明首先是进行图像的分割,通过图像分割使得图像质量更高,在神经网络图像识别时可以在样本数量较少的情况下,与直接用神经网络进行图像识别相比,保证较高的识别准确度。
与之相对应地,本发明的另一些实施例中提供一种基于机器学习的成像测井图像裂缝分割与识别系统。
实施例1
如图1所示,本实施例提供的一种基于机器学习的成像测井图像裂缝分割与识别方法,包括以下步骤:
步骤S1、对成像测井图像数据预处理;
步骤S2、基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
步骤S3、采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到待识别成像测井图像的裂缝识别结果。
进一步,上述步骤S1中,对成像测井图像进行预处理的过程为:应用伽马变换进行图像增强处理,使得成像测井图像中的裂缝区域相对于其他区域更加清晰。
进一步,上述伽马变换又可分为三步进行,分别是归一化、预补偿和反归一化。
归一化就是将图像原本的灰度值通过变换转变为0到1之间的数值,公式如下:
其中,Ri是第i个像素点归一化后的灰度值,ri是第i个像素点的原始灰度值,rmin和rmax分别是所有像素点灰度值的最小值和最大值。
预补偿的目的是改变图像的亮度,增强图像对比效果,公式如下:
其中,Gi是第i个像素点伽马变换之后对应的值,Ri是第i个像素点归一化后的灰度值,γ为伽马变换指数,γ可以根据实际需要人为指定。
反归一化是将预补偿后像素点对应的灰度值还原为真实灰度值,公式如下:
R'i=Gi·(rmax-rmin)+rmin (3)
其中,R'i为反归一化后第i个像素点对应的真实灰度值,Gi是第i个像素点伽马变换之后对应的值,rmin和rmax分别是所有像素点灰度值的最小值和最大值。
进一步,上述步骤S2中,具体包括以下步骤:
步骤S2.1、对预处理后的成像测井图像数据进行阈值分割,得到分割后的成像测井图像数据;
步骤S2.2、对分割后的成像测井图像数据进行随机划分,得到训练集和测试集;
步骤S2.3、采用训练集对构建的图像分割识别模块进行训练,并采用测试集对图像分割识别模型效果进行测试,得到训练好的图像分割识别模型。
进一步,上述步骤S2.1中,对预处理后的成像测井图像数据进行阈值分割时,包括以下步骤:采用遗传算法与K均值聚类算法结合进行图像的聚类分割;采用阈值分割方法对聚类分割后的图像数据进行阈值分割。
进一步,采用遗传算法与K均值聚类算法结合进行图像的聚类分割时,包括:基于预处理后的图像应用遗传算法确定初始聚类中心,根据确定的初始聚类中心进行K均值聚类图像分割。
这是由于在K均值聚类时初始聚类中心的选择对聚类结果有很大影响,因此在K均值聚类前先应用遗传算法进行初始聚类中心的计算。其中,采用K均值聚类算法对预处理后的成像测井图像数据进行图像聚类分割后的图像灰度值是有限的几类,在阈值分割中求解分割阈值时,更容易找到合适的阈值,从而使得分割效果更好。
进一步,采用阈值分割方法对K均值聚类分割后的图像数据进行阈值分割时,包括以下步骤:应用迭代算法计算分割阈值T;将灰度值大于T的所有像素点归结为一类,灰度值小于T的所有像素点归结为另一类,得到目标区域和非目标区域。阈值分割的本质是对组成图像的各像素点按照灰度值的大小进行二分类,最终得到的图像中有黑白两种颜色,目标区域为白色,非目标区域为黑色。
进一步,采用阈值分割方法对聚类分割得到的图像进行阈值分割后,还包括以下步骤:采用中值滤波方法对阈值分割结果进行滤波,去除噪声点。
这是因为,采用阈值分割法进行图像阈值分割得到的图像中有许多非目标区域的像素点会被误判为目标区域像素点,为了减少这样的噪声点,本实施例采用中值滤波,进行像素滤波减少分割后图像中的噪声点。
具体地,中值滤波方法包括以下步骤:
选定由奇数个像素点组成的滤波窗口,用滤波窗口区域内像素灰度值的中值代替需要滤波处像素点(即滤波窗口内确定的中心像素点)的灰度值。
实施例2
基于实施例1中提出的机器学习的成像测井图像裂缝分割与识别方法,本实施例对中东地区H油田的Mishrif储层进行研究,H油田发育了多套不同的地层,在Mishrif储层中溶孔和裂缝较为发育。
本实施例中,将108张包含溶蚀孔、诱导缝、高导缝和非孔缝结构的成像测井图像进行图像分割,针对分割后的108张图像进行训练集和测试集的随机划分,最终得到训练集图像78张,测试集图像30张。最后应用训练好的图像分割识别模型,对一张10米长成像测井长图进行识别,并标定出其中溶蚀孔、诱导缝和高导缝所在区域。
如图2所示,具体流程包括以下步骤:
在图像预处理时,应用的是伽马变换,共分为三步进行,先是灰度值归一化,按照上述公式(1)将图像原本的灰度值通过变换从0到255转变为0到1之间的数值;然后,按照公式(2)对归一化后的灰度值进行预补偿,预补偿的目的是改变图像的亮度,增强图像对比效果;最后,按照式(3)进行反归一化,反归一化是将预补偿后像素点对应的值还原为真实灰度值。
如图2所示,为预处理之后得到的预处理图像,图中溶蚀孔、诱导缝和高导缝区域相对于原始图像更加清晰可见。
图像预处理之后,用阈值分割将图像中所有像素点分为两类,其中目标区域为白色,非目标区域为黑色。阈值分割之后,针对阈值分割得到的图像,进行图像的中值滤波,减少图像中的噪声点。中值滤波首先选定由奇数个像素点组成的滤波窗口,之后用窗口中像素灰度值的中值代替目标像素点的灰度值,完成阈值分割和滤波处理后的图像如图3所示,通过图3滤波前后的对比,可以看出滤波处理可以使图像中噪声点减少,目标区域更加清晰。
原始图像中像素的灰度值是一系列连续变化的值,在确定阈值分割的阈值时,不易得到较好的临界阈值,因此应用K均值聚类算法,将原本连续变化的灰度值,通过聚类归结为有限的几类,进而确定临界阈值,进行阈值分割。K均值聚类算法中初始聚类中心的选择对聚类结果有重要影响,为了合理确定初始聚类中心,引入遗传算法,由遗传算法求得初始聚类中心,再进行K均值聚类阈值分割。经遗传算法优化后的K均值聚类的聚类结果如图4所示,优化后的阈值分割结果如图5所示。优化后的分割图像中溶蚀孔、诱导缝、高导缝区域更加突出。用优化后的模型,对108张样本图像进行逐一分割,得到分割后的108张高质量样本图像。
图像分割得到的108张样本图像,分为78张训练图像和30张测试图像。将78张训练图像输入到深度神经网络模型中进行模型的训练,再将30张测试图像输入到训练好的深度神经网络模型中,进行结果的验证,最终30张测试图像中识别正确的有27张,识别错误的3张,模型识别的准确度为90.0%,识别结果如表1所示。
表1深度神经网络孔缝识别结果分析
成像测井图像类别 | 样本数量 | 预测正确样本数 | 预测错误样本数 | 准确度 |
高导缝 | 7 | 7 | 0 | 100.0% |
溶蚀孔 | 11 | 9 | 2 | 81.8% |
诱导缝 | 6 | 6 | 0 | 100.0% |
非孔缝 | 6 | 5 | 1 | 83.3% |
最终将训练好的模型应用于实际案例分析,针对一口井10米长的成像测井图像进行识别,图像中包含多处孔缝结构。对图像进行处理后将图像按照灰度值变化趋势自动划分为15个子区域,最终正确识别出了图像中的9个子区域,准确识别到了图像中高导缝所在区域,识别结果如图6所示。
实施例3
上述实施例1提供了一种基于机器学习的成像测井图像裂缝分割与识别方法,与之相对应地,本实施例提供一种基于机器学习的成像测井图像裂缝分割与识别系统。本实施例提供的识别系统可以实施实施例1的一种基于机器学习的成像测井图像裂缝分割与识别方法,该识别系统可以通过软件、硬件或软硬结合的方式来实现。例如,该系统可以包括集成的或分开的功能模块或功能单元来执行实施例1各方法中的对应步骤。由于本实施例的识别系统基本相似于实施例1,所以本实施例描述过程比较简单,相关之处可以参见实施例1的部分说明即可,本实施例的系统的实施例仅仅是示意性的。
本实施例提供的一种基于机器学习的成像测井图像裂缝分割与识别系统,包括:
预处理模块,用于对成像测井图像数据预处理;
模型训练模块,用于基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
裂缝识别模块,用于采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的裂缝识别结果。
实施例4
本实施例提供一种与本实施例1所提供的一种基于机器学习的成像测井图像裂缝分割与识别方法对应的处理设备,处理设备可以是用于客户端的处理设备,例如手机、笔记本电脑、平板电脑、台式机电脑等,以执行实施例1的方法。
所述处理设备包括处理器、存储器、通信接口和总线,处理器、存储器和通信接口通过总线连接,以完成相互间的通信。存储器中存储有可在所述处理器上运行的计算机程序,所述处理器运行所述计算机程序时执行本实施例1所提供的一种基于机器学习的成像测井图像裂缝分割与识别方法。
在一些实现中,存储器可以是高速随机存取存储器(RAM:Random AccessMemory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。
在另一些实现中,处理器可以为中央处理器(CPU)、数字信号处理器(DSP)等各种类型通用处理器,在此不做限定。
实施例5
本实施例1的一种成像测井裂缝分割与识别方法可被具体实现为一种计算机程序产品,计算机程序产品可以包括计算机可读存储介质,其上载有用于执行本实施例1所述的一种成像测井裂缝分割与识别方法的计算机可读程序指令。
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
需要说明的是,附图中的流程图和框图显示了根据本申请的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
上述各实施例仅用于说明本发明,其中各部件的结构、连接方式和制作工艺等都是可以有所变化的,凡是在本发明技术方案的基础上进行的等同变换和改进,均不应排除在本发明的保护范围之外。
Claims (10)
1.一种基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于包括以下步骤:
对成像测井图像数据预处理;
基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的裂缝识别结果。
2.如权利要求1所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述对成像测井图像进行预处理时,采用伽马变换方法。
3.如权利要求2所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述伽马变换方法包括归一化、预补偿和反归一化。
6.如权利要求1所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型的方法,包括:
对预处理后的成像测井图像数据进行阈值分割,得到分割后的成像测井图像数据;
对分割后的成像测井图像数据进行随机划分,得到训练集和测试集;
采用训练集对图像分割识别模块进行训练,并采用测试集对图像分割识别模型效果进行测试,得到训练好的图像分割识别模型。
7.如权利要求6所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述对预处理后的成像测井图像数据进行阈值分割,得到分割后的成像测井图像数据的方法,包括:
采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割;
采用阈值分割方法对聚类分割后的图像进行阈值分割。
8.如权利要求7所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述采用K均值聚类算法对预处理后的成像测井图像数据进行聚类分割之前,还包括以下步骤:
应用遗传算法确定初始聚类中心。
9.如权利要求7所述的基于机器学习的成像测井图像裂缝分割与识别方法,其特征在于:所述采用阈值分割方法对聚类分割后的图像进行阈值分割后,还包括以下步骤:采用中值滤波方法对阈值分割结果进行滤波。
10.一种基于机器学习的成像测井图像裂缝分割与识别系统,其特征在于,包括:
预处理模块,用于对成像测井图像数据预处理;
模型训练模块,用于基于预处理后的成像测井图像数据,对构建的图像分割识别模型进行训练,得到训练好的图像分割识别模型;
裂缝识别模块,用于采用训练好的图像分割识别模型对待识别成像测井图像进行识别,得到该待识别成像测井图像的孔缝结构。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440675.4A CN114119569A (zh) | 2021-11-30 | 2021-11-30 | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111440675.4A CN114119569A (zh) | 2021-11-30 | 2021-11-30 | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114119569A true CN114119569A (zh) | 2022-03-01 |
Family
ID=80368208
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111440675.4A Pending CN114119569A (zh) | 2021-11-30 | 2021-11-30 | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119569A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
-
2021
- 2021-11-30 CN CN202111440675.4A patent/CN114119569A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677497A (zh) * | 2022-05-18 | 2022-06-28 | 浙江大华技术股份有限公司 | 一种图像处理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10319096B2 (en) | Automated tattoo recognition techniques | |
CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN104751142B (zh) | 一种基于笔划特征的自然场景文本检测方法 | |
CN110781885A (zh) | 基于图像处理的文本检测方法、装置、介质及电子设备 | |
US20230014823A1 (en) | Defect detection in image space | |
CN112949767B (zh) | 样本图像增量、图像检测模型训练及图像检测方法 | |
Sridevi et al. | A survey on monochrome image segmentation methods | |
CN113781406B (zh) | 电子元器件的划痕检测方法、装置及计算机设备 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN114677565B (zh) | 特征提取网络的训练方法和图像处理方法、装置 | |
CN110956632A (zh) | 钼靶图像中胸大肌区域自动检测方法及装置 | |
CN112258569A (zh) | 瞳孔中心定位方法、装置、设备及计算机存储介质 | |
CN110807404A (zh) | 基于深度学习的表格线检测方法、装置、终端、存储介质 | |
CN112784835A (zh) | 圆形印章的真实性识别方法、装置、电子设备及存储介质 | |
CN114298985B (zh) | 缺陷检测方法、装置、设备及存储介质 | |
CN114119569A (zh) | 基于机器学习的成像测井图像裂缝分割与识别方法和系统 | |
CN112258532B (zh) | 一种超声图像中胼胝体的定位及分割方法 | |
CN112364807B (zh) | 图像识别方法、装置、终端设备及计算机可读存储介质 | |
CN111199228A (zh) | 一种车牌定位的方法及装置 | |
CN115393589A (zh) | 一种通用dcs工艺流程图识别转换方法、系统以及介质 | |
CN115359003A (zh) | 两步式隧道灰度图像的裂缝识别方法、系统、介质及设备 | |
CN112949361B (zh) | 指纹识别方法及装置 | |
Zhu et al. | Intelligent analysis of core identification based on intelligent algorithm of core identification | |
CN116071625B (zh) | 深度学习模型的训练方法、目标检测方法及装置 |
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 |