CN114582434A - 岩石特征预测模型训练方法及装置、岩石特征预测方法 - Google Patents

岩石特征预测模型训练方法及装置、岩石特征预测方法 Download PDF

Info

Publication number
CN114582434A
CN114582434A CN202210212607.0A CN202210212607A CN114582434A CN 114582434 A CN114582434 A CN 114582434A CN 202210212607 A CN202210212607 A CN 202210212607A CN 114582434 A CN114582434 A CN 114582434A
Authority
CN
China
Prior art keywords
rock
image
component
atomic force
label
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
CN202210212607.0A
Other languages
English (en)
Inventor
王天宇
田守嶒
王奇生
钟朋峻
盛茂
王海柱
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 Petroleum Beijing
Original Assignee
China University of Petroleum Beijing
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 Petroleum Beijing filed Critical China University of Petroleum Beijing
Priority to CN202210212607.0A priority Critical patent/CN114582434A/zh
Publication of CN114582434A publication Critical patent/CN114582434A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/02—Agriculture; Fishing; Forestry; Mining
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/30—Prediction of properties of chemical compounds, compositions or mixtures
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
    • G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
    • G16C20/70—Machine learning, data mining or chemometrics

Landscapes

  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Chemical & Material Sciences (AREA)
  • Crystallography & Structural Chemistry (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Agronomy & Crop Science (AREA)
  • Animal Husbandry (AREA)
  • Marine Sciences & Fisheries (AREA)
  • Mining & Mineral Resources (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Investigating Strength Of Materials By Application Of Mechanical Stress (AREA)

Abstract

本文涉及油气勘探开发领域，尤其涉及一种岩石特征预测模型训练方法及装置、岩石特征预测方法。包括获取历史岩石样本；获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签为同一岩石的同一位置的不同标签，所述岩石组分标签与所述力学信息标签具有对应关系。本方案快速识别岩石图像中的特征，实现岩石图像中的岩石组分进行快速定位、精准识别及力学性能预测，提升岩石组分识别精度、提升试验效率。

Description

岩石特征预测模型训练方法及装置、岩石特征预测方法
技术领域
本文涉及油气勘探领域，尤其是一种岩石特征预测模型训练方法及装置、岩石特征预测方法。
背景技术
矿物学测试可以识别岩石矿物的组分和预测其力学性能等重要信息，在岩石学的研究中具有重要地位。
传统矿物学的测试方法是通过将所测岩石材料进行利用氩离子抛光处理，利用电子扫描显微镜获取岩石组分成像及形貌信息，再利用原子力显微镜对同一位置进行测试，获取力学和高度信息，该方法存在人工实验效率低、识别精度低、误差大。
针对目前矿物学测试中识别精度低、误差大等问题，亟需一种岩石组分及力学性能预测方法。
发明内容
为解决上述现有技术的问题，本文实施例提供了一种岩石特征预测模型训练方法及装置、岩石特征预测方法。
本文实施例提供了一种岩石特征预测模型训练方法，包括获取历史岩石样本；获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签为同一岩石的同一位置的不同标签，所述岩石组分标签与所述力学信息标签具有对应关系。
根据本文实施例的一个方面，获取所述岩石样本的岩石组分图像及对应的岩石组分标签包括：利用电子显微镜获取所述历史岩石样本的岩石组分图像，并对所述岩石组分图像进行能量色散试验；对经过能量色散试验后的岩石组分图像进行网格化处理，获取多个岩石组分子图像；获取所述多个岩石组分子图像中的岩石组分信息，并分别记录每一岩石组分子图像在所述岩石组分图像中的位置，所述岩石组分信息为所述岩石组分标签。
根据本文实施例的一个方面，获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签包括：利用原子力显微镜的峰值力模式获取所述原子力显微镜图像；利用图像特征匹配算法，根据所述岩石组分子图像在所述岩石组分图像中的位置及所述岩石组分标签对所述原子力显微镜图像进行匹配，确定原子力显微镜图像中与所述岩石组分标签具有对应关系的特征信息；根据原子力显微镜图像中的特征信息获取对应的力学信息，并将所述力学信息作为力学信息标签，所述力学信息至少包括杨氏模量、黏附力及硬度之一或者组合。
根据本文实施例的一个方面，对所述原子力显微镜图像进行匹配包括：获取所述网格化处理后的岩石组分子图像中的岩石组分的特征信息，所述特征信息包括多个特征点，所述特征点组成所述岩石组分子图像中的岩石组分的特征区域，所述特征区域为第一特征区域；在所述原子力显微镜图像中确定与所述第一特征区域相似度大于预设阈值的第二区域，所述第二区域为与所述第一特征区域相同的区域。
根据本文实施例的一个方面，所述方法进一步包括：根据原子力显微镜图像中的特征信息，获取所述岩石组分的高度信息作为高度信息标签，所述高度信息为所述岩石组分中的小孔的深度值。
根据本文实施例的一个方面，所述方法包括对所述岩石组分图像及原子力显微镜图像进行增广增加训练样本，所述增广包括但不限于翻转、裁减、变换颜色及叠加增广效果。
本文实施例还公开了一种岩石特征预测模型训练装置，所述装置包括：第一获取单元，用于历史岩石样本；第二获取单元，用于获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；第三获取单元，用于获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；模型训练单元，用于将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签具有对应关系。
本文实施例还公开了一种岩石特征预测方法，包括：获取岩石样本；获取所述岩石样本的岩石组分图像；获取所述历史岩石样本的原子力显微镜图像；将所述岩石组分图像及所述原子力显微镜图像输入至岩石特征预测模型中，预测得到岩石特征。
本文实施例还提供了一种计算机设备，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计算机程序时实现上述的方法。
本文实施例还提供了一种计算机可读存储介质，其上存储有计算机指令，该计算机指令被处理器执行时实现上述的方法。
本方案利用机器学习模型及算法快速识别岩石图像中的特征，实现岩石图像中的岩石组分进行快速定位、精准识别及力学性能预测，有效减少试验周期，提升岩石组分识别精度、提升试验效率。
附图说明
为了更清楚地说明本文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简单地介绍，显而易见地，下面描述中的附图仅仅是本文的一些实施例，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所示为本文实施例一种岩石特征预测模型训练方法的流程图；
图2所示为本文实施例一种获取岩石组分图像及岩石组分标签的方法流程图；
图3所示为本文实施例一种获取原子力显微镜图像及力学信息标签的方法流程图；
图4所示为本文实施例一种对原子力显微镜图像进行匹配的方法流程图；
图5所示为本文实施例一种岩石特征预测方法流程图；
图6所示为本文实施例一种岩石特征预测模型训练装置的结构示意图；
图7所示为本文实施例岩石特征预测模型训练装置的具体结构示意图；
图8A所示为本文实施例一种岩石组分图像的示意图；
图8B所示为本文实施例一种原子力显微镜图像的示意图；
图8C所示为本文实施例一种缝隙和/或孔隙的深度图像示意图；
图9A所示为本文实施例一种岩石组分标签的示意图；
图9B所示为本文实施例一种力学信息标签的示意图；
图9C所示为本文实施例一种预测得到的岩石特征示意图；
图10所示为本文实施例一种计算机设备的结构示意图。
附图符号说明：
601、第一获取单元；
6011、样本预处理模块；
602、第二获取单元；
6021、能量色散试验执行模块；
6022、岩石组分标签确定模块；
6023、网格化处理模块；
603、第三获取单元；
6031、特征匹配模块；
6032、力学信息计算模块；
6033、力学信息标签确定模块；
604、岩石特征预测模型训练单元；
1002、计算机设备；
1004、处理器；
1006、存储器；
1008、驱动机构；
1010、输入/输出模块；
1012、输入设备；
1014、输出设备；
1016、呈现设备；
1018、图形用户接口；
1020、网络接口；
1022、通信链路；
1024、通信总线。
具体实施方式
为了使本技术领域的人员更好地理解本说明书中的技术方案，下面将结合本文实施例中的附图，对本文实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本文一部分实施例，而不是全部的实施例。基于本文中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本文保护的范围。
需要说明的是，本文的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本文的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
本说明书提供了如实施例或流程图所述的方法操作步骤，但基于常规或者无创造性的劳动可以包括更多或者更少的操作步骤。实施例中列举的步骤顺序仅仅为众多步骤执行顺序中的一种方式，不代表唯一的执行顺序。在实际中的系统或装置产品执行时，可以按照实施例或者附图所示的方法顺序执行或者并行执行。
需要说明的是，本文的岩石特征预测模型训练方法可用于石油勘探领域，也可用于除石油勘探领域之外的任意领域，本文的岩石特征预测模型训练方法及装置的应用领域不做限定。
如图1所示为本文实施例一种岩石特征预测模型训练方法的流程图，其中具体包括如下步骤：
步骤101，获取历史岩石样本。在本步骤中，历史岩石样本为在历史发生的试验中获取的岩石样本，该岩石样本包括但不限于：页岩岩石样本、砂岩样本、石灰岩样本、花岗岩样本等中的一种或其任意组合。在获取历史岩石样本后，可以对历史岩石样本进行预处理，包括：选择历史岩石样本中相对光滑、平整的表面作为后续处理的对象。
步骤102，获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签。在本步骤中，首先对历史岩石样本的表面进行氩离子抛光处理，再利用电子显微镜(SEM)扫描步骤101中获取的历史岩石样本，可以获取历史岩石样本的岩石组分图像及表面形貌信息。本步骤还包括对岩石组分图像进行清理过滤、去除图像中的噪声、去除图像中包含杂质及只包含基质矿物颗粒的图像。进一步对历史页岩样本进行能量色散实验(EDS)，可以获得该历史页岩样本中的岩石组分及每一种岩石组分中的矿物元素分布情况。
在本步骤中，可以通过图像标注工具对岩石组分图像进行人工标注，获取岩石组分标签。例如，利用图像标注工具在岩石组分图像中选定封闭的区域，记录该区域的坐标位置及该区域对应的岩石组分标签。在本步骤中，还可以通过对岩石组分图像进行网格化处理，将岩石组分图像划分为多个岩石组分子图像，进一步确定每一岩石组分子图像的岩石组分标签。关于确定岩石组分标签的具体描述见图2的描述。
步骤103，获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签。在本步骤中，利用原子力显微镜扫描步骤101中的历史岩石样本，可以获取历史岩石样本表面的力学信息。其中，力学信息至少包括历史岩石样本表面各个位置点处的杨氏模量。
在本说明书的一些实施例中，利用原子力显微镜扫描的历史岩石样本与步骤102中利用电子显微镜扫描的历史样本为同一样本，以确保电子显微镜及原子力显微镜扫描同一历史岩石样本，并获取统一历史岩石样本中的岩石组分信息及力学信息。在本说明书的另外一些实施例中，原子力显微镜扫描历史样本时设置的显微镜扫描角度及扫描区域与步骤102中电子显微镜扫描历史样本时设置的显微镜扫描角度及扫描区域可以是相同的。原子力显微镜扫描历史样本时设置的显微镜扫描角度及扫描区域与步骤102中电子显微镜扫描历史样本时设置的显微镜扫描角度及扫描区域也可以是不同的。本申请对步骤102、步骤103中利用电子显微镜或原子力显微镜获取岩石组分图像或原子力显微镜图像的角度及扫描区域不作限定。
在本说明书的一些实施例中，当步骤102中通过图像标注工具人工标注获取岩石组分标签，则本步骤中可以根据人工标注的岩石组分标签的坐标位置确定原子力显微镜图像中对应的区域及力学信息标签。在本说明书的另外一些实施例中，当步骤102中通过其他方式(例如，网格化岩石组分图像)获取对应的岩石组分标签，则本步骤中以对应的方式获取与该岩石组分标签具有对应关系的力学信息标签。本步骤中获取力学信息标签的具体方法详见图3描述，本步骤在此不作赘述。
步骤104，将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签具有对应关系。具体的，所述岩石组分图像与所述原子力显微镜图像通过拍摄同一岩石样本获取，因此，岩石组分图像对应的岩石组分标签及原子力显微镜图像对应的力学信息标签具有对应关系，该对应关系可以是位置上的对应关系，也可以是形貌特征上的对应关系、像素上的对应关系等。在本说明书的一些实施例中，岩石组分图像以灰度图像表示，原子力显微镜图像以彩色图像表示。所述岩石组分标签与所述力学信息标签为同一岩石的同一位置的不同标签，所述岩石组分标签与所述力学信息标签具有对应关系。将上述数据作为完整的数据集输入到机器学习网络进行训练，利用YOLOV5卷积神经网络算法。具体的，设置卷积神经网络深度为216，IOU设置为0.2至0.8，置信度设置为0.2至0.6。在本说明书的一些实施例中，可以设置模型训练轮次为80至120以训练基础模型，进一步得到岩石特征预测模型。本申请中采用的机器学习网络不仅限与本步骤中描述的YOLOV5算法，还可以有其他算法，本申请在此对机器学习网络中应用到的算法不作限定。
图2所示为本文实施例一种获取岩石组分图像及岩石组分标签的方法流程图，具体包括如下步骤：
步骤201，利用电子显微镜获取所述历史岩石样本的岩石组分图像，并对所述岩石组分图像进行能量色散试验。具体的，利用能量色散X射线谱仪(EDS)产生的高速运动的电子束照射历史岩石样本的表面，在电子束照射过程中，部分原子被反射出历史岩石样本的表面，部分电子渗入历史岩石样本中，并被历史岩石样本吸收。电子束与历史岩石样本产生相互作用，进而生成多种不同的信号。通过不同的探测器检测这些信号，可以获得不同的信息。通过能量色散X射线光谱仪分析历史岩石样本所发出的元素特征X射线的波长和强度，可以确定历史岩石样本中的矿物元素类型及每一种矿物元素类型的含量、分布等信息。如图8A所示为历史岩石样本的岩石组分图像。
在本步骤中，通过对岩石组分图像进行能量色散实验，获得整个岩石样本中不同岩石组分种类及每一种岩石组分中的矿石元素的含量。例如，对岩石组分图像进行能量色散实验后，可以获取该岩石样本中含有石英石、方解石、白云石、有机质、黄铁矿等。其中，石英石中硅元素富集，含量约为85％，而几乎没有铝元素；方解石中钙元素富集，含量约为74％，而几乎没有镁元素；白云石中钙元素和镁元素均富集，钙元素含量约为白云石中的46％，镁元素约占白云石的44％；有机质中碳元素富集，碳元素含量约为65％。
步骤202，对经过能量色散试验后的岩石组分图像进行网格化处理，获取多个岩石组分子图像。在本步骤中，将岩石组分图像进行网格化处理的目的为：避免生成原子力图像与岩石组分图像时，因电子显微镜、原子力显微镜扫描历史岩石样本时角度发生变化，导致原子力图像与岩石组分图像无法对应，对应将岩石组分图像分为多个岩石组分子图像，以在后续步骤中与原子力显微镜图像一一对应。
在本步骤中，预先设置网格大小，将步骤102中获取的岩石组分图像网格化处理，经过网格化处理后的岩石组分图像被均分为多个小像素块，每个像素块中具有岩石组分图像的一部分，且每个像素块具有对应的位置信息。因此，根据历史岩石样本获取得到的岩石组分图像为一张完整的岩石组分图像，经过网格化处理后，该完整的岩石组分图像将被分为多张岩石组分子图像，所有的岩石组分子图像构成完整的岩石组分图像。
在本说明书的一些实施例中，预设的网格大小可以根据实际需求进行调整。具体的，将网格大小设置为较大的尺寸，则网格化处理后的岩石子图像可以对应一类岩石组分。例如，经过对历史岩石样本的扫描分析，确定岩石组分图像中包括有机质、黄铁矿及石英。对应的，岩石图像可以分为3类岩石子图像，包括有机质岩石子图像、黄铁矿岩石子图像及石英石子图像。每一类岩石子图像对应一个岩石组分种类。例如，岩石图像中包括5个有机质、3个黄铁矿及2个石英石，则将岩石图像分为5个与有机质对应岩石子图像、3个与黄铁矿对应的岩石子图像及2个与石英石对应的岩石子图像。
其中，将网格大小设置为较小的尺寸，则网格化处理后的多个岩石子图像可以对应一类岩石组分。例如，经过对历史岩石样本的扫描分析，确定岩石组分图像中包括5个有机质、1个黄铁矿。则该1黄铁矿对应的岩石组分图像可以划分为多张岩石子图像，即，多个岩石组分图像与该1个黄铁矿对应。
步骤203，获取所述多个岩石组分子图像中的岩石组分信息，并分别记录每一岩石组分子图像在所述岩石组分图像中的位置，所述岩石组分信息为所述岩石组分标签。在本步骤中，网格化后的每一个岩石组分子图像具有对应的岩石组分标签。当一个岩石组分子图像对应一个岩石组分种类时，该岩石组分标签为：该种岩石组分的名称及该岩石种类在整个岩石组分图像中的坐标位置。当多个岩石组分子图像对应一个岩石组分时，每一个岩石组分子图像对应的标签为其对应的岩石组分的名称及该岩石组分子图像中该岩石组分在整个岩石组分图像中的坐标位置。
在本说明书的一些实施例中，岩石组分标签包括岩石组分及对应的像素点连接形成的岩石组分区域的左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标。如图9A所示，岩石组分图像中的方形区域为某一种岩石组分，该方向区域具有对应的坐标位置(图9A中未示出)，方向区域上方标注有岩石组分(例如，Quartz石英石、Organic有机质、Calcite黄铁矿等)。
在本说明书的一些实施例中，岩石组分标签的格式可以由如下数组表示：[岩石组分，(x1，x2，y1，y2)]，其中，岩石组分可以由数字表示。例如，0表示有机质；1表示石英石；2表示黄铁矿；3表示缝隙。在本申请中，岩石组分标签的格式不仅限于本步骤中所示，岩石组分标签还可以有其他形式的表示方法，本申请在此不作限定。
图3所示为本文实施例一种获取原子力显微镜图像及力学信息标签的方法流程图
步骤301，利用原子力显微镜的峰值力模式获取所述原子力显微镜图像。在本步骤中，原子力显微镜(AFM)的扫描探针显微镜通过探针的尖端与历史岩石样本的表面的相互作用，以原子初度表征该历史岩石样本的表面。探针被引入到历史岩石样本的表面以检测样本特征的改变。通过在探针的尖端与样本之间提供相对扫描移动，可以在历史岩石样本的特定区域上获取表面特征数据，并生成历史岩石样本的原子力显微镜图像(如图8B所示)。在本步骤中，峰值力模式为用正弦波代替传统三角波来驱动压电陶瓷扫描管Z方向上的运动。在峰值力模式下，原子力显微镜的探针受压电陶瓷扫描管在Z方向上的作用而受迫振动。原子力显微镜的探针越接近历史岩石样本的表面，原探针相对历史岩石样本的运动速度越慢，因此可以避免因系统响应的延迟而导致探针的不必要的移动，可以精确控制原子力显微镜的探针与历史岩石样本之间的相互作用力。在本说明书的一些实施例中，确定探针与历史岩石样本之间的相互作用力后，可以在历史岩石样本和探针之间提供相对扫描运动，并使得探针和历史岩石样本进行相互作用，以此获得历史岩石样本的多个点处的SPM数据，进一步得到历史岩石样本的原子力显微镜图像及对应的力学信息。在本步骤中，力学信息包括历史岩石样本表面的各个位置处的杨氏模量等。
步骤302，利用图像特征匹配算法，根据所述岩石组分子图像在所述岩石组分图像中的位置及所述岩石组分标签对所述原子力显微镜图像进行匹配，确定原子力显微镜图像中与所述岩石组分标签具有对应关系的特征信息。将步骤102中获取的岩石组分图像及步骤103中获取的原子力显微镜图像进行匹配。具体的，通过网格化后的多个岩石组分子图像与原子力显微镜图像进行特征匹配，以确定每一岩石组分子图像对应的岩石组分在原子力图像中的位置及力学信息。
在本说明书的一些实施例中，可以利用SIFT特征匹配、FAST特征提取算法、BRIEF特征描述算法、ORB算法等图像特征匹配算法对原子力显微镜图像进行特征匹配。根据特征匹配结果，获取原子力显微镜图像中的特征信息。原子力显微镜图像中的特征信息包括与岩石组分子图像中的位置对应的位置信息、与岩石组分子图像中的岩石组分对应的岩石组分信息。
步骤303，根据原子力显微镜图像中的特征信息获取对应的力学信息，并将所述力学信息作为力学信息标签，所述力学信息至少包括杨氏模量、黏附力及硬度之一或者组合。在本说明书的一些实施例中，原子力显微镜图像中的特征信息为岩石组分信息及位置信息。其中，原子力显微镜图像中的位置信息与岩石组分子图像中的位置信息对应，根据该岩石组分信息可以确定对应的力学信息。
在本说明书的一些实施例中，通过对岩石图像中的所有岩石组分子图像与原子力显微镜图像进行特征匹配，可以获取原子力显微镜图像中的所有位置的力学信息。通过计算原子力显微镜图像中所有位置的力学信息的平均值，可以确定原子力显微镜图像中的力学信息标签。例如，当力学信息仅为杨氏模量时，原子力显微镜图像中的力学信息标签为该图像中所有位置点对应的杨氏模量的平均值。当力学信息包括样式模块及硬度时，原子力显微镜图像具有两类力学信息标签，分别为：该图像中所有位置点对应的杨氏模量的平均值、该图像中所有位置点对应的硬度的平均值。
在本说明书的一些实施例中，力学信息标签包括岩石组分、力学信息及对应的像素点连接形成的岩石组分区域的左上角横坐标、右下角横坐标、左上角纵坐标、右下角纵坐标。如图9B所示，原子力显微镜图像中的方形区域为某一种岩石组分，该方向区域具有对应的坐标位置(图9B中未示出)，方向区域上方标注有岩石组分(例如，Quartz石英石、Organic有机质、Calcite黄铁矿等)及该方形区域对应的力学信息(例如，该区域的杨氏模量数值34Gpa、37Gpa、4GPa等)。力学信息标签的格式如下：[岩石组分，力学信息，(x1，x2，y1，y2)]，其中，岩石组分可以分别由英文表示。图中的力学信息的标签包括：Organic，4GPa，表示该区域为有机质，区域内的杨氏模量为4GPa；力学信息的标签包括Calcite，37GPa，表示该区域为黄铁矿，区域内的杨氏模量为37GPa；力学信息的标签包括Quartz，34GPa，表示该区域为石英石，区域内的杨氏模量为34GPa。除此之外，在利用力学信息的标签进行岩石特征预测模型训练时，力学信息标签中的岩石组分可以由数字表示。例如，用数字0表示有机质；1表示石英石；2表示黄铁矿；3表示缝隙。在本申请中，力学信息标签的格式不仅限于本步骤中所示，表示该区域还可以有其他形式的表示方法，本申请在此不作限定。
图4所示为本文实施例一种对原子力显微镜图像进行匹配的方法流程图。
步骤401，获取所述网格化处理后的岩石组分子图像中的岩石组分的特征信息，所述特征信息包括多个特征点，所述特征点组成所述岩石组分子图像中的岩石组分的特征区域，所述特征区域为第一特征区域。在本步骤中，岩石组分子图像中的岩石组分的特征信息包括但不限于：岩石组分子图形中每一类组分的灰度值、位置信息、几何信息等。以岩石组分子图像中某一种组分的几何信息作为特征信息为例进行说明。例如，岩石组分子图像经过网格化处理后，对应的岩石组分为黄铁矿。则从岩石组分子图像中获取黄铁矿的几何信息，几何信息包括该岩石组分子图像中的尺度信息、轮廓信息、纹理信息、背景信息、重叠信息，并利用边缘特征匹配、外形特征匹配算法，确定该岩石组分子图像中黄铁矿的多个特征点，多个特征点组成该岩石组分子图像中黄铁矿的特征区域，该特征区域为第一特征区域。在本说明书的一些实施例中，特征点包括但不限于SIFT特征点、Harris角点等。
步骤402，在所述原子力显微镜图像中确定与所述第一特征区域相似度大于预设阈值的第二区域，所述第二区域为与所述第一特征区域相同的区域。本步骤中进行特征相似度计算的算法包括结构相似性度量、余弦相似度、直方图相似度计算、基于图像的互信息等。
当相似度计算结果大于预设阈值，例如，阈值预设为80％。当相似度计算结果大于80％，则认为岩石组分子图像中的第一特征区域与原子力显微镜图像中的第二特征区域为相同区域，进而实现岩石组分子图像、岩石组分图像与原子力显微镜图像的匹配。
在本说明书的一些实施例中，还可以根据原子力显微镜图像中的特征信息，获取所述岩石组分的高度信息作为高度信息标签，所述高度信息为所述岩石组分中的小孔的深度值。如步骤303中所述，原子力显微镜图像中的特征信息为岩石组分信息及位置信息，根据原子力显微镜图像中的岩石组分信息及位置信息与岩石组分子图像中的位置信息及岩石组分信息相对应，可以在原子力显微镜图像中确定与岩石组分子图像中的岩石组分信息对应的高度信息，该高度信息为岩石组分中的缝隙和/或孔隙的深度。如图8C所示。通过计算原子力显微镜图像中缝隙和/或孔隙深度的平均值，可以确定原子力显微镜图像中的高度信息标签。
在本说明书的一些实施例中，对所述岩石组分图像及原子力显微镜图像进行增广增加训练样本，所述增广包括但不限于翻转、裁减、变换颜色及叠加增广效果。对岩石组分图像及原子力显微镜图形进行增广操作可以获得更多的训练数据。在本步骤中，增广的方式包括但不限于：图像翻转、图像尺度变换、均衡化处理、拼接处理等。尺寸变化为岩石组分图像做一定程度的放大，其中，可以设置放大倍数为1.2倍、1.5倍、1.6倍、2倍等倍数，再以岩石组分图像的中心位置为基准裁剪所需大小的区域，可以获得经过尺寸变换后的新的图像。在本步骤中，图像翻转包括对岩石组分图像进行左右翻转、上下翻转、垂直翻转、水平翻转等，翻转后的图像相对于翻转前的图像可以理解为调整了历史岩石样本的摆放位置。
图5所示为本文实施例一种获取岩石特征预测结果的方法流程图。具体包括如下步骤：
步骤501，获取岩石样本。在本步骤中，对岩石样本分别利用电子显微镜和原子力显微镜扫描。本步骤还包括选择岩石样本中相对光滑、平整的表面作为后续处理的对象。
步骤502，获取所述岩石样本的岩石组分图像。利用电子显微镜扫描岩石样本，可以获取岩石样本的岩石组分图像。
步骤503，获取所述历史岩石样本的原子力显微镜图像。利用原子力显微镜扫描岩石样本，可以获取历史岩石样本的原子力显微镜图像。
步骤504，将所述岩石组分图像及所述原子力显微镜图像输入至岩石特征预测模型中，预测得到岩石特征。如图9C为预测得到的岩石特征示意图，图中包括岩石组分为Pyrite石英石及该石英石所在区域的杨氏模块的值为100Gpa。
如图6所示为本文实施例一种装置的结构示意图，在本图中描述了装置的基本结构，其中的功能单元、模块可以采用软件方式实现，也可以采用通用芯片或者特定芯片实现，所述的功能单元、模块一部分或者全部可以在静态检测、动态检测硬件上，或者其中的一部分也可以在静态检测、动态检测硬件上，实现，该装置具体包括：
第一获取单元601，用于获取历史岩石样本；
第二获取单元602，获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；
第三获取单元603，用于获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；
岩石特征预测模型训练单元604，用于将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，
本方案利用机器学习模型及算法快速识别岩石图像中的特征，实现岩石图像中的岩石组分进行快速定位、精准识别及力学性能预测，有效减少试验周期，提升岩石组分识别精度、提升试验效率。
作为本文的一个实施例，还可以参考如图7所示为本实施例装置的具体结构示意图。
作为本文的一个实施例，所述第一获取单元601进一步包括：
样本预处理模块6011，用于对获取的历史岩石样本进行清理过滤等预处理；
作为本文的一个实施例，所述第二获取单元602进一步包括：
能量色散试验执行模块6021，用于对历史岩石样本进行能量色散实验；
岩石组分标签确定模块6022，用于确定岩石组分图像对应的岩石组分标签；
网格化处理模块6023，用于对岩石组分图形进行网格化处理；
作为本文的一个实施例，所述第三获取单元603进一步包括：
特征匹配模块6031，用于根据所述岩石组分子图像在所述岩石组分图像中的位置及所述岩石组分标签对所述原子力显微镜图像进行匹配；
力学信息计算模块6032，用于计算原子力显微镜图像中的力学信息数据；
力学信息标签确定模块6033，用于确定原子力显微镜图像中的力学信息标签。
如图10所示，为本文实施例提供的一种计算机设备，所述计算机设备1002可以包括一个或多个处理器1004，诸如一个或多个中央处理单元(CPU)，每个处理单元可以实现一个或多个硬件线程。计算机设备1002还可以包括任何存储器1006，其用于存储诸如代码、设置、数据等之类的任何种类的信息。非限制性的，比如，存储器1006可以包括以下任一项或多种组合：任何类型的RAM，任何类型的ROM，闪存设备，硬盘，光盘等。更一般地，任何存储器都可以使用任何技术来存储信息。进一步地，任何存储器可以提供信息的易失性或非易失性保留。进一步地，任何存储器可以表示计算机设备1002的固定或可移除部件。在一种情况下，当处理器1004执行被存储在任何存储器或存储器的组合中的相关联的指令时，计算机设备1002可以执行相关联指令的任一操作。计算机设备1002还包括用于与任何存储器交互的一个或多个驱动机构1008，诸如硬盘驱动机构、光盘驱动机构等。
计算机设备1002还可以包括输入/输出模块1010(I/O)，其用于接收各种输入(经由输入设备1012)和用于提供各种输出(经由输出设备1014)。一个具体输出机构可以包括呈现设备1016和相关联的图形用户接口(GUI)1018。在其他实施例中，还可以不包括输入/输出模块1010(I/O)、输入设备1012以及输出设备1014，仅作为网络中的一台计算机设备。计算机设备1002还可以包括一个或多个网络接口1020，其用于经由一个或多个通信链路1022与其他设备交换数据。一个或多个通信总线1024将上文所描述的部件耦合在一起。
通信链路1022可以以任何方式实现，例如，通过局域网、广域网(例如，因特网)、点对点连接等、或其任何组合。通信链路1022可以包括由任何协议或协议组合支配的硬连线链路、无线链路、路由器、网关功能、名称服务器等的任何组合。
对应于图1至图5中的方法，本文实施例还提供了一种计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器运行时执行上述方法的步骤。
本文实施例还提供一种计算机可读指令，其中当处理器执行所述指令时，其中的程序使得处理器执行如图1至图5所示的方法。
应理解，在本文的各种实施例中，上述各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本文实施例的实施过程构成任何限定。
还应理解，在本文实施例中，术语“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，本文中字符“/”，一般表示前后关联对象是一种“或”的关系。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本文的范围。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本文所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另外，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口、装置或单元的间接耦合或通信连接，也可以是电的，机械的或其它的形式连接。
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单元来实现本文实施例方案的目的。
另外，在本文各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以是两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以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，本文的技术方案本质上或者说对现有技术做出贡献的部分，或者该技术方案的全部或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)执行本文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。
本文中应用了具体实施例对本文的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本文的方法及其核心思想；同时，对于本领域的一般技术人员，依据本文的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本文的限制。

Claims (10)

1.一种岩石特征预测模型训练方法，其特征在于，所述方法包括：
获取历史岩石样本；
获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；
获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；
将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签具有对应关系。
2.根据权利要求1所述的岩石特征预测模型训练方法，其特征在于，获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签包括：
利用电子显微镜获取所述历史岩石样本的岩石组分图像，并对所述岩石组分图像进行能量色散试验；
对经过能量色散试验后的岩石组分图像进行网格化处理，获取多个岩石组分子图像；
获取所述多个岩石组分子图像中的岩石组分信息，并分别记录每一岩石组分子图像在所述岩石组分图像中的位置，所述岩石组分信息为所述岩石组分标签。
3.根据权利要求2所述的岩石特征预测模型训练方法，其特征在于，获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签包括：
利用原子力显微镜的峰值力模式获取所述原子力显微镜图像；
利用图像特征匹配算法，根据所述岩石组分子图像在所述岩石组分图像中的位置及所述岩石组分标签对所述原子力显微镜图像进行匹配，确定原子力显微镜图像中与所述岩石组分标签具有对应关系的特征信息；
根据原子力显微镜图像中的特征信息获取对应的力学信息，并将所述力学信息作为力学信息标签，所述力学信息至少包括杨氏模量、黏附力及硬度之一或者组合。
4.根据权利要求3所述的岩石特征预测模型训练方法，其特征在于，对所述原子力显微镜图像进行匹配包括：
获取所述网格化处理后的岩石组分子图像中的岩石组分的特征信息，所述特征信息包括多个特征点，所述特征点组成所述岩石组分子图像中的岩石组分的特征区域，所述特征区域为第一特征区域；
在所述原子力显微镜图像中确定与所述第一特征区域相似度大于预设阈值的第二区域，所述第二区域为与所述第一特征区域相同的区域。
5.根据权利要求4所述的岩石特征预测模型训练方法，其特征在于，所述方法进一步包括：根据原子力显微镜图像中的特征信息，获取所述岩石组分的高度信息作为高度信息标签，所述高度信息为所述岩石组分中的小孔的深度值。
6.根据权利要求3所述的岩石特征预测模型训练方法，其特征在于，所述方法包括对所述岩石组分图像及原子力显微镜图像进行增广增加训练样本，所述增广包括但不限于翻转、裁减、变换颜色及叠加增广效果。
7.一种岩石特征预测方法，其特征在于，利用权利要求1-6任一项所述方法得到岩石特征预测结果，所述方法包括：
获取岩石样本；
获取所述岩石样本的岩石组分图像；
获取所述历史岩石样本的原子力显微镜图像；
将所述岩石组分图像及所述原子力显微镜图像输入至岩石特征预测模型中，预测得到岩石特征。
8.一种岩石特征预测模型训练装置，其特征在于，所述装置包括：
第一获取单元，用于历史岩石样本；
第二获取单元，用于获取所述历史岩石样本的岩石组分图像及对应的岩石组分标签；
第三获取单元，用于获取所述历史岩石样本的原子力显微镜图像及对应的力学信息标签；
模型训练单元，用于将所述岩石组分图像、所述岩石组分标签、所述原子力显微镜图像及所述力学信息标签作为训练样本，训练岩石特征预测模型，其中，所述岩石组分标签与所述力学信息标签具有对应关系。
9.一种计算机设备，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，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7任意一项所述的方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7任意一项所述的方法。
CN202210212607.0A 2022-03-04 2022-03-04 岩石特征预测模型训练方法及装置、岩石特征预测方法 Pending CN114582434A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210212607.0A CN114582434A (zh) 2022-03-04 2022-03-04 岩石特征预测模型训练方法及装置、岩石特征预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210212607.0A CN114582434A (zh) 2022-03-04 2022-03-04 岩石特征预测模型训练方法及装置、岩石特征预测方法

Publications (1)

Publication Number Publication Date
CN114582434A true CN114582434A (zh) 2022-06-03

Family

ID=81779069

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210212607.0A Pending CN114582434A (zh) 2022-03-04 2022-03-04 岩石特征预测模型训练方法及装置、岩石特征预测方法

Country Status (1)

Country Link
CN (1) CN114582434A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116009405A (zh) * 2023-03-21 2023-04-25 中国科学院武汉岩土力学研究所 一种中等应变率岩石动三轴试验伺服控制方法及系统

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116009405A (zh) * 2023-03-21 2023-04-25 中国科学院武汉岩土力学研究所 一种中等应变率岩石动三轴试验伺服控制方法及系统
CN116009405B (zh) * 2023-03-21 2023-06-13 中国科学院武汉岩土力学研究所 一种中等应变率岩石动三轴试验伺服控制方法及系统

Similar Documents

Publication Publication Date Title
CN105352873B (zh) 页岩孔隙结构的表征方法
EP2572205B1 (en) Methods and systems for identifying well wall boundaries of microplates
EP2748793B1 (en) Dual image method and system for generating a multi-dimensional image of a sample
US8654398B2 (en) Method for simulating impact printer output, evaluating print quality, and creating teaching print samples
CN104899571A (zh) 一种用于复杂文字识别的随机样本产生方法
CN107545207A (zh) 基于图像处理的dm二维码识别方法及装置
CN114092387B (zh) 生成可用于检查半导体样本的训练数据
JP2013526717A5 (zh)
CA1314632C (en) Automated mineral identification and rock characterization process
Tang et al. Machine learning for point counting and segmentation of arenite in thin section
CN110991439A (zh) 一种基于像素级多特征联合分类的手写体字符的提取方法
CN114582434A (zh) 岩石特征预测模型训练方法及装置、岩石特征预测方法
Chopard et al. Automated sulfides quantification by multispectral optical microscopy
Wah et al. Analysis on feature extraction and classification of rice kernels for Myanmar rice using image processing techniques
Juránek et al. Graph-based deep learning segmentation of EDS spectral images for automated mineral phase analysis
Leichter et al. Automated segmentation of olivine phenocrysts in a volcanic rock thin section using a fully convolutional neural network
CN111553345B (zh) 基于Mask RCNN与正交线性回归实现仪表指针读数识别处理的方法
Marschallinger A method for three-dimensional reconstruction of macroscopic features in geological materials
Kauppinen et al. Nonsegmenting defect detection and SOM-based classification for surface inspection using color vision
CN113298795A (zh) 一种页岩油气储层孔隙精细分类提取方法及装置
CN112991370A (zh) 一种岩心ct裂纹识别与分割方法
Wang An edge based segmentation algorithm for rock fracture tracing
Holden et al. An image analysis method to determine crystal size distributions of olivine in kimberlite
CN114965409A (zh) 基于图像边缘检测特征提取的三维荧光光谱有机污染物识别方法
Bowman et al. Automated analysis of gene-microarray images

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