CN115049781A - 一种基于深度学习的页岩数字岩心三维重建方法 - Google Patents

Abstract

本发明公开了一种基于深度学习的页岩数字岩心三维重建方法，获取第一图像数据集；对第一图像数据集进行二值化处理，获得第二图像数据集；基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。本发明的有益效果为所采集的样本量少，重建的时间短，且重建出来的序列化二维岩心切片集连续性好，岩心模型精确度高。

Description

一种基于深度学习的页岩数字岩心三维重建方法

技术领域

本发明涉及岩心结构重建技术领域，具体而言，涉及一种基于深度学习的页岩数字岩心三维重建方法。

背景技术

岩心孔隙结构对孔隙中流体的流动影响巨大，对于超低孔低渗的页岩来说，其微裂缝及纳微米孔隙发育，流动过程极其复杂。此外，页岩多属于硬脆性强的岩心，取样难度大，如要精确认知页岩孔隙情况更是难上加难。因此在少量的页岩样本的基础上，对页岩岩心进行更精确的三维重建，有利于对页岩中的微观结构及渗流机理进行分析，这对页岩油气开采中的现场施工方案制定具有及其重要的意义。

传统的数字岩心的构建方法主要有两大类，分为物理实验和数值模拟。其中物理实验方法需要借助高端的仪器来获取二维图像，从而进行岩心重建。其存在成本高，过程繁琐等问题。数值模拟的方法，如过程模拟法，模拟退火法等方式，通过大量的数据，在数学的理论上进行推导，展示出岩心的三维效果，但是由于过于理想化，因此在一些复杂的情况下并不能很好的重建出原始的三维岩心结构。

因此，在传统技术中对岩心进行重建的时候，通常需要样本量多，且重建的时间长成本高，重建出来的模型的精度低，且连续性不够。

有鉴于此，特提出本申请。

发明内容

本发明所要解决的技术问题是现有技术中，需要采集大量的样本来对岩心进行重建，重建出来的模型精度低，连续性不好，目的在于提供一种基于深度学习的页岩数字岩心三维重建方法，提高了重建模型的精确度，增加了重建模型的连续性。

本发明通过下述技术方案实现：

一种基于深度学习的页岩数字岩心三维重建方法，方法步骤包括：

获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；

对所述第一图像数据集进行二值化处理，获得第二图像数据集；

基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；

将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；

将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。

传统对岩心进行重建方法，通常采用的是物理实验或者数值模拟的方法对岩心重建，但是在传统的对岩心进行重建的过程中，通常采集的数据量大，从而造成重建的时间长，成本高，且重建出来的模型精确度不高，连续性低；本发明提供了一种基于深度学习页岩数字岩心的三维重建方法，通过将光流法和生成对抗网络的方法相结合，对页岩数字岩心进行重建，所需要采集的样本少，且提高了重建模型的精确度以及增加了重建模型的连续性。

优选地，所述二值化处理具体子步骤包括：

在所述第一图像数据集中，选择任意一个像素点，并判断像素点是否大于预设阈值，若大于，则像素点标记为白色，否则，标记为黑色，直到遍历完所述第一图像数据集中所有像素点，获得第二图像数据集，所述预设阈值为整个图像的像素平均值。

优选地，在三维重建方法中，对所述第一图像数据集进行二值化处理前还包括：

采用基于边缘检测的图像分割方法，将获取的所述第一图像数据切割为若干子第二图像数据集，并对若干所述子第二图像数据集标号，形成序列图像数据集。

优选地，所述构建网络模型包括生成对抗网络模型以及光流估计网络模型，且所述光流估计网络模型镶嵌到所述生成对抗网络模型中；所述生成对抗网络模型包括生成器与判别器，所述判别器用于生成语义特征；所述光流估计网络用于生成光流特征。

优选地，所述最优模型获得的具体子步骤包括：

将所述第二图像数据集输入到所述网络模型中，生成了第一语义特征与第一光流特征；

向所述网络模型中添加高斯噪声，再将所述第一语义特征与所述第一光流特征输入到所述网络模型中，获得第二语义特征与第二光流特征；

采用二阶交叉熵损失方法，对所述第一语义特征与所述第二语义特征进行处理，获得生成对抗网络损失；

将所述第一光流特征与所述第二光流特征做均方误差损失，获得光流损失；

当所述光流损失与所述生成对抗网络损失之和的绝对值达到最小值时，获得最优模型。

优选地，所述第二语义特征以及所述第二光流特征的具体生成方法步骤包括：

将所述第一语义特征以及所述第一光流特征输入到所述生成器中，获得具有岩心语义特征和光流特征的新的样本图像；

再将所述新的样本图像分别输入到所述判别器以及所述光流估计网络模型中，获得所述第二语义特征与所述第二光流特征。

优选地，在所述最优模型中，损失函数Loss_i的具体表达式为：

BCELoss_i为生成对抗网络的损失函数，MSELoss_i为光流差值损失函数。

优选地，所述第一图像数据集是通过CT扫描技术获取的页岩岩心的图像数据集。

优选地，所述页岩数字岩心包括岩心孔隙结构状态以及岩心骨架状态。

本发明还公开了一种基于深度学习的页岩数字岩心三维重建系统，包括数据获取模块、第一图像处理模块、模型构建模块、图像数据集获取模块以及岩心构建模块，

所述数据获取模块，用于获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；

所述第一图像处理模块，用于对所述第一图像数据集进行二值化处理，获得第二图像数据集；

所述模型构建模块，用于基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；

所述图像数据集获取模块，用于将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；

所述岩心构建模块，用于将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。

本发明与现有技术相比，具有如下的优点和有益效果：

本发明实施例提供的一种基于深度学习的页岩数字岩心三维重建方法，通过将光流法与生成对抗网络的方法相结合的方式，对获取的岩心图像进行重建，所采集的样本量少，重建的时间短，且重建出来的序列化二维岩心切片集连续性好，岩心模型精确度高。

附图说明

为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。

图1为三维重建方法示意图；

图2为三维重建系统示意图；

图3为基于光流和生成对抗网络的三维重建模型；

图4为CT扫描的页岩岩心图像；

图5为二值化处理后的CT扫描的页岩岩心图像；

图6为通过基于光流和生成对抗网络三维重建模型生成的页岩岩心序列图像；

图7为生成的页岩岩心序列通过VTK软件显示的三维效果；

图8为生成的页岩岩心序列通过VTK软件显示的三维效果；

图9为生成的三维岩心和原始三维岩心的两点相关函数S₂(r)对比；

图10为构建的网络模型示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

在以下描述中，为了提供对本发明的透彻理解阐述了大量特定细节。然而，对于本领域普通技术人员显而易见的是：不必采用这些特定细节来实行本发明。

在整个说明书中，对“一个实施例”、“实施例”、“一个示例”或“示例”的提及意味着：结合该实施例或示例描述的特定特征、结构或特性被包含在本本发明至少一个实施例中。因此，在整个说明书的各个地方出现的短语“一个实施例”、“实施例”、“一个示例”或“示例”不一定都指同一实施例或示例。此外，可以以任何适当的组合和、或子组合将特定的特征、结构或特性组合在一个或多个实施例或示例中。此外，本领域普通技术人员应当理解，在此提供的示图都是为了说明的目的，并且示图不一定是按比例绘制的。这里使用的术语“和/或”包括一个或多个相关列出的项目的任何和所有组合。

在本发明的描述中，术语“前”、“后”、“左”、“右”、“上”、“下”、“竖直”、“水平”、“高”、“低”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制。

实施例一

本实施例公开了一种基于深度学习的页岩数字岩心三维重建方法，如图1所示，方法步骤包括：

S1：获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；在获取的第一图像数据集中，都是通过CT扫描技术进行直接获取，所述第一图像数据集是通过CT扫描技术获取的页岩岩心的图像数据集。

S2：对所述第一图像数据集进行二值化处理，获得第二图像数据集；

所述二值化处理具体子步骤包括：

在所述第一图像数据集中，选择任意一个像素点，并判断像素点是否大于预设阈值，若大于，则像素点标记为白色，否则，标记为黑色，直到遍历完所述第一图像数据集中所有像素点，获得第二图像数据集，所述预设阈值为整个图像的像素平均值。

在所述第二图像数据集中，选择任意一个像素点，通过遍历整个图像，计算出一个平均值，将这个移动平均值设置为图像像素二值化的阈值。如果图像中的像素低于这个阈值，则该像素点设置为黑色，如果图像中的像素高于这个阈值，则该像素点设置为白色，获得第二图像数据集。假设P_n为图像中处于n处的像素，f_s(n)为点n处后几个像素s的总和：

最终得到的图像像素点T(n)如果比平均前s个像素的百分之t的像素值更低，则像素点为黑色，反之为白色。

通常像素s取为图像大小的1/8的宽，t取值为15时，能够取得较好的效果。

在三维重建方法中，对所述第一图像数据集进行二值化处理前还包括：

采用图像分割方法，将获取的所述第一图像数据切割为若干子第一图像数据集，并对若干所述子第一图像数据集标号，形成序列图像数据集。

将CT扫描的第一图像数据集首先进行自适应阈值二值化处理操作，该操作通过动态遍历图像中所有像素点，计算像素移动平均值，如果像素低于该阈值，则像素为黑色，如果像素高于该阈值，则像素为白色。然后切割为若干张小岩心图像并分组，每组中岩心小图像存在序列关系，目的是扩大数据集，能够在后续使得训练出来的模型更加精确，计算出来的结果更好。

S3：基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；具体的方法步骤如下：

所述构建网络模型包括生成对抗网络模型以及光流估计网络模型，且所述光流估计网络模型镶嵌到所述生成对抗网络模型中；所述生成对抗网络模型包括生成器与判别器，所述判别器用于生成语义特征；所述光流估计网络用于生成光流特征。在步骤S3中，具体的生成语义特征以及光流特征如图10所示，具体生成的方法步骤为：

所述第二语义特征以及所述第二光流特征的具体生成方法步骤包括：

将所述第一语义特征以及所述第一光流特征输入到所述生成器中，获得具有岩心语义特征和光流特征的新的样本图像；

再将所述新的样本图像分别输入到所述判别器以及所述光流估计网络模型中，获得所述第二语义特征与所述第二光流特征。

采用光流法提取光流特征；光流法(FlowNet2)，是使用深度学习的方法，将相邻帧之间的运动信息进行估计，使用了端到端的方法。输入的两张图片，如果具有运动关联信息，那么就会提取到图片帧之间每个像素中的运动信息。这个方法相比于传统的光流法来说，训练速度快，训练精度高。其中它包含三部分，分别是FlowNetCoor，FlowNetS和FlowNetSD，其中FlowNetCoor用来提取两张图片之间的稠密信息，FlowNetS通过第一部分提取的稠密信息以及像素偏移图和亮度误差图来进一步判断，FlowNetSD对细微的偏移也能更好的识别。

采用生成对抗网络方法提取语义特征；生成对抗网络(InfoGAN，InformationMaximizing GAN)，是在深度学习的基础上进行的无监督模型，主要由生成器和判别器构成，两者相当于一场博弈，生成器通过学习原始样本中的特征从而生成出更接近真实样本的数据，判别器进行真假判别。训练过程是生成器和判别器进行迭代交替训练，这个过程又相辅相成，生成器通过学习到样本特征来进化判别器，而判别器又在一次次的判断正错中，提高生成器的能力。

将所述第一光流特征与所述第一语义特征作为所述第二图像数据集输出。

在此步骤中，分别提取第二图像数据集中的光流特征以及语义特征，是为了后面对模型训练的时候进行运用，能够最大限度的训练所构建的网络模型，且增加了数字岩心的连续性，提高了数字岩心的重建精度。

将生成对抗网络与光流法相结合，构建如图3的基于光流和生成对抗网络的三维重建模型。模型通过生成对抗网络学习岩心图像的特性，结合光流法进行学习相邻帧之间的运动信息，从而达到连续性更好的岩心三维模型。本发明的实验平台是Ubuntu16.04，显卡是NVIDIA GeForce GTX 1080Ti，深度学习框架是python1.4，python3.6，cuda9.2，cudnn8.0，内存32G，显存11G。

所述最优模型获得的具体子步骤包括：

将所述第二图像数据集输入到所述网络模型中，生成了第一语义特征与第一光流特征；

向所述网络模型中添加高斯噪声，再将所述第一语义特征与所述第一光流特征输入到所述网络模型中，获得第二语义特征与第二光流特征；

采用二阶交叉熵损失方法，对所述第一语义特征与所述第二语义特征进行处理，获得生成对抗网络损失；

将所述第一光流特征与所述第二光流特征做均方误差损失，获得光流损失；

当所述光流损失与所述生成对抗网络损失之和的绝对值达到最小值时，获得最优模型。

FlowNet2-InfoGAN的参数为Φ；迭代次数为S,每个迭代有M步；G为生成器；D为判别器；A_i为生成岩心序列的光流信息；A_i ^GT为真实岩心序列的光流信息；B_i为生成岩心样本的特征信息；B_i ^GT为真实岩心样本的特征信息；初始化网络权重θ；用高斯噪声Φ₀初始化输入；初始化状态s₀；

Φ₀作为G的输入，生成B_i，B_i与B_i ^GT送入D，得出网络损失函数BCELoss_i；

从B_i和B_i ^GT中提取A_i和A_i ^GT，送入光流网络中，得出光流差值MSELoss_i；

回传S and更新Φ，G生成对应岩心序列图像并构成三维结构；两损失之和绝对值Loss_i达到最小时，模型效果最好，此时构建FlowNet2-InfoGAN网络模型。

生成对抗网络中的生成器为一个自编码器，输入为高斯噪声，岩心图像是灰度图，因此将输入的噪声的设置为单通道28×28维度的数据。网络结构包含了3层卷积层，3层归一化层，1层反卷积层，激活函数采用4层，其中包含3层LeakyRelu激活函数，将最后一层激活函数sigmoid改为tanh。在生成器中使用的学习率为0.0001，较小的学习率可以使生成器使用更小的更新幅度去生成假样本，并欺骗判别器。生成器的网络，逐渐形成岩心内部结构。

生成对抗网络中的判别器，目的是学习真样本的特性并且努力区分真样本和假样本，判别器输入的图像维度为28×28。网络结构包含3层卷积层，2层归一化层，3层LeaktRelu激活函数。其中卷积层和非线性激活层交替作用。在判别器中使用的学习率为0.0004，相对于生成器的学习率较高，从而有效指导生成器的生成。

基于光流和生成对抗网络的三维重建模型损失函数包含两个部分，一个是光流的损失函数，一个是生成对抗网络的损失函数。当两者损失函数之和的绝对值最小，网络拟合效果最好。通过200次的迭代看出，损失最小的的时刻集中在120至150次之间，而100次的迭代并不能得到最好的结果。batch size设置为64，使用Adam作为优化器，通过计算梯度的一阶矩估计和二阶矩估计，分别用beta1和beta2来代表，值分别设置为0.8和0.999。在学习率方面也使用了较小的0.0005，每10个周期进行衰减。此时获取到的模型最佳。

S4：将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；

S5：将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。所述页岩数字岩心包括岩心孔隙结构状态以及岩心骨架状态。

对所述二维岩心切片集进行融合的具体方法可以导入到不同的三维软件中，直接对所生成的图片模型进行展示，软件包括但不限于VTK软件，将二维岩心切片集转换为STL格式的三维模型文件，并调用VTK软件读取该文件，获得页岩数字岩心。

采用实验方法验证本发明的有效性。图4是通过CT扫描获得的页岩岩心切片数据集，并通过将岩心切片进行自适应阈值二值化处理，得到图5。将处理后的岩心数据集输入到基于光流和生成对抗网络的岩心三维重建模型中，学习到样本的特征，之后输入高斯噪声，通过模型生成页岩数字三维岩心的序列图像，如图6，其中生成的二维岩心图像之间具有序列性。

网络中的生成对抗网络部分通过提取岩心图像特征，使生成的岩心图像与原始岩心图像特征相近，光流法使生成的图像之间保持了序列信息，由此构成了连续性更好的新岩心数据集。将生成的二维岩心切片集转换为STL格式的三维模型文件，并调用VTK软件读取该文件，得到图7、图8页岩数字三维岩心，通过与原始三维岩心进行对比，在两点相关系数方面，两者参数相较于以往方法更接近，并且重建的三维岩心两点相关系数波动较小，如图9，说明重建的三维页岩岩心结构连续性更好，重建精度更高，也验证了本发明的有效性。最终重建的结果如图7、图8所示。

本实施例公开了的一种基于深度学习页岩数字岩心的三维重建方法，通过将光流法与生成对抗网络的方法相结合的方式，对获取的岩心图像进行重建，通过光流法和生成对抗网络相结合的方法，对岩心图像从图像序列信息以及图像特征两个方面进行提取，生成的岩心图像与原始岩心图像相似度更高，且重建出来的岩心模型精度更高，连续性更好。

实施例二

本实施例公开了一种基于深度学习的页岩数字岩心三维重建系统，本实施例是为了实现如实施例一中的三维重建方法，如图2所示，包括数据获取模块、第一图像处理模块、模型构建模块、图像数据集获取模块以及岩心构建模块，

所述数据获取模块，用于获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；

所述第一图像处理模块，用于对所述第一图像数据集进行二值化处理，获得第二图像数据集；

所述模型构建模块，用于基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；

所述图像数据集获取模块，用于将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心图像数据切片集；

所述岩心构建模块，用于将所述二维岩心图像数据切片集进行融合，获得页岩数字岩心。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，方法步骤包括：

获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；

对所述第一图像数据集进行二值化处理，获得第二图像数据集；

基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；

将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；

将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。

2.根据权利要求1所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述二值化处理具体子步骤包括：

在所述第一图像数据集中，选择任意一个像素点，并判断像素点是否大于预设阈值，若大于，则像素点标记为白色，否则，标记为黑色，直到遍历完所述第一图像数据集中所有像素点，获得第二图像数据集，所述预设阈值为整个图像的像素平均值。

3.根据权利要求2所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，在三维重建方法中，对所述第一图像数据集进行二值化处理前还包括：

采用基于边缘检测的图像分割方法，将获取的所述第一图像数据切割为若干子第二图像数据集，并对若干所述子第二图像数据集标号，形成序列图像数据集。

4.根据权利要求1所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述构建网络模型包括生成对抗网络模型以及光流估计网络模型，且所述光流估计网络模型镶嵌到所述生成对抗网络模型中；所述生成对抗网络模型包括生成器与判别器，所述判别器用于判别语义特征；所述光流估计网络用于判别光流特征；所述生成器用于生成具有语义特征和光流特征的新的样本。

5.根据权利要求4所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述最优模型获得的具体子步骤包括：

将所述第二图像数据集输入到所述网络模型中，生成了第一语义特征与第一光流特征；

向所述网络模型中添加高斯噪声，再将所述第一语义特征与所述第一光流特征输入到所述网络模型中，获得第二语义特征与第二光流特征；

采用二阶交叉熵损失方法，对所述第一语义特征与所述第二语义特征进行处理，获得生成对抗网络损失；

将所述第一光流特征与所述第二光流特征做均方误差损失，获得光流损失；

直到所述光流损失与所述生成对抗网络损失之和的绝对值达到最小值时，获得最优模型。

6.根据权利要求5所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述第二语义特征以及所述第二光流特征的具体生成方法步骤包括：

将所述第一语义特征以及所述第一光流特征输入到所述生成器中，获得具有岩心语义特征和光流特征的新的样本图像；

再将所述新的样本图像分别输入到所述判别器以及所述光流估计网络模型中，获得所述第二语义特征与所述第二光流特征。

7.根据权利要求5所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，在所述最优模型中，损失函数Loss_i的具体表达式为：

BCELoss_i为生成对抗网络的损失函数，MSELoss_i为光流差值损失函数。

8.根据权利要求1～7任一所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述第一图像数据集是通过CT扫描技术获取的页岩岩心的图像数据集。

9.根据权利要求8所述的一种基于深度学习的页岩数字岩心三维重建方法，其特征在于，所述页岩数字岩心包括岩心孔隙结构状态以及岩心骨架状态。

10.一种基于深度学习的页岩数字岩心三维重建系统，其特征在于，包括数据获取模块、第一图像处理模块、模型构建模块、图像数据集获取模块以及岩心构建模块，

所述数据获取模块，用于获取第一图像数据集，所述第一图像数据集为历史获取的页岩岩心的二维平面图像数据集；

所述第一图像处理模块，用于对所述第一图像数据集进行二值化处理，获得第二图像数据集；

所述模型构建模块，用于基于光流法与生成对抗网络方法，构建网络模型，并将所述第二图像数据集作为训练数据集，同时输入二维高斯噪声进行样本模拟，对所述网络模型进行训练，获得最优模型；

所述图像数据集获取模块，用于将实时获取的岩心二维平面图像输入到所述最优模型中，获得序列化二维岩心切片集；

所述岩心构建模块，用于将所述二维岩心切片集转换为STL格式的三维模型文件，并对所述三维模型文件进行处理，获得页岩数字岩心。

Images