CN115359348B - 岩芯特征识别统计方法及系统、设备、存储介质 - Google Patents
岩芯特征识别统计方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN115359348B CN115359348B CN202210856607.4A CN202210856607A CN115359348B CN 115359348 B CN115359348 B CN 115359348B CN 202210856607 A CN202210856607 A CN 202210856607A CN 115359348 B CN115359348 B CN 115359348B
- Authority
- CN
- China
- Prior art keywords
- core
- picture
- slot
- feature
- picture set
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种岩芯特征识别统计方法及系统、设备、存储介质,该方法通过将岩芯图片集中的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有单槽岩芯图片进行顺序编号得到单槽岩芯图片集,实现了输入数据的标准化分割处理,后续对每张单槽岩芯图片进行岩芯特征分类识别时,由于缩小了图片搜索区域,有利于提高特征分类识别的准确性和速度,并且基于单槽岩芯图片的岩芯特征分类识别结果进行坐标反算即可快速得到岩芯图片的岩芯特征分类识别结果,大大提升了岩芯特征识别统计效率。并且,在对单槽岩芯图片进行目标搜索时采用了定高滑动锚框组,将原本二维的全图目标搜索转变为一维的单向目标搜索,大大提升了特征识别速度和准确度。
Description
技术领域
本发明涉及岩芯特征识别统计技术领域,特别地,涉及一种岩芯特征识别统计方法及系统、电子设备、计算机可读取的存储介质。
背景技术
工程地质条件评价是矿床开采技术条件评价的一个重要组成部分,其中工程岩体质量评价是必不可少的,而节理间距、节理特征情况等参数的获取尤为关键。对于未开发部分的岩芯参数获取,最直接的方法是在岩体中钻孔获取岩芯样本进行特征识别统计,从而掌握地下结构。通常取样井数量高达数百个,需要识别和计数的岩芯特征超过数十万个。由于岩芯特征的复杂性和多样性,传统的计算机软件难以识别,因此这项工作在工程实践中多为人工识别统计,准确率低且极为繁琐。早期,常用图像灰度化、二值化等方法对岩芯样本图像进行预处理,可以突出特征,便于人工识别。近些年虽然研发了一些针对岩芯的可视化标记处理软件,使得图像预处理工作更加系统化,但仍然基于效率低下的人工识别。此后,人们开始尝试使用计算机来代替人工,但普通的识别程序格式化的判定方法注定了其精度的提高仍然是一个大问题。优化这项工作的核心是在保证准确性的前提下尽可能提高效率,而无论是通过图像预处理简化人工识别还是使用简单的计算机分类软件都不能兼顾准确性和效率。
发明内容
本发明提供了一种岩芯特征识别统计方法及系统、电子设备、计算机可读取的存储介质,以解决现有技术在对岩芯特征进行识别统计时无法兼顾准确性和效率的技术问题。
根据本发明的一个方面,提供一种岩芯特征识别统计方法,包括以下内容:
对收集的多个岩芯样品进行拍照和编号,获得岩芯图片集;
对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;
根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果。
进一步地,所述将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片的过程具体为:
根据每张岩芯图片的图片高度进行等分处理,将每张岩芯图片等分为图片高度相同的多张单槽岩芯图片。
进一步地,所述采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索的过程具体为:
将滑动锚框组中的锚框数量设定为3个,每个锚框的高度相同且与单槽岩芯图片的图片高度相等,固定锚框组的中心点高度位置为锚框高度的一半,设定好滑动方向,采用滑动锚框组对每张单槽岩芯图片进行兴趣目标搜索。
进一步地,3个锚框的长高比分别设定为0.5:1、2:1、4:1。
进一步地,所述单槽岩芯图片集的岩芯特征分类识别结果包括目标序号、目标中心点坐标、标记框宽度和分类结果。
进一步地,所述根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果的过程具体为:
根据每张单槽岩芯图片的岩芯特征分类识别结果中的目标序号反算得到标记框在对应岩芯图片上的坐标并进行标记,从而得到岩芯图片集的岩芯特征分类识别结果。
进一步地,按照“第x回次:节理Y个、破碎带Z个”的格式输出岩芯特征统计报告。
另外,本发明还提供一种岩芯特征识别统计系统,包括:
图片输入模块,用于输入岩芯图片集;
图像预处理模块,用于对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
分类识别模块,用于采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;
反算标记和特征统计模块,用于根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果。
另外,本发明还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明还提供一种计算机可读取的存储介质,用于存储进行岩芯特征识别统计的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果:
本发明的岩芯特征识别统计方法,先将岩芯图片集转换为单槽岩芯图片集,再对单槽岩芯图片集进行岩芯特征分类识别,然后基于单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,最后对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,即可得到岩芯特征统计结果。其中,通过将岩芯图片集中的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集,实现了输入数据的标准化分割处理,后续对每张单槽岩芯图片进行岩芯特征分类识别时,由于缩小了图片搜索区域,有利于提高特征分类识别的准确性和速度,并且后续基于标准化处理的单槽岩芯图片的岩芯特征分类识别结果进行坐标反算即可快速得到岩芯图片的岩芯特征分类识别结果,大大提升了岩芯特征识别统计效率。并且,在对单槽岩芯图片进行目标搜索时采用了定高滑动锚框组,将原本二维的全图目标搜索转变为一维的单向目标搜索,大大提升了特征识别速度和准确度。因此,本发明的岩芯特征识别统计方法,同时提升了岩芯特征识别统计的准确性和效率。
另外,本发明的岩芯特征识别统计系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明优选实施例的岩芯特征识别统计方法的流程示意图。
图2是本发明优选实施例的定高滑动锚框组的尺寸设计示意图。
图3是本发明优选实施例中基于单槽岩芯图片的岩芯特征分类识别结果进行反算标记的示意图。
图4是本发明优选实施例中输出岩芯特征统计报告的示意图。
图5是本发明优选实施例的Faster R-CNN神经网络进行岩芯特征识别统计的执行过程示意图。
图6是本发明优选实施例的Faster R-CNN神经网络的训练流程示意图。
图7是本发明优选实施例中训练完成后的Faster R-CNN神经网络的准确度判定系数统计示意图。
图8是本发明另一实施例的岩芯特征识别统计系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示,本发明的优选实施例提供一种岩芯特征识别统计方法,包括以下内容:
步骤S1:对收集的多个岩芯样品进行拍照和编号,获得岩芯图片集;
步骤S2:对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
步骤S3:采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;
步骤S4:根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果。
可以理解,本实施例的岩芯特征识别统计方法,先将岩芯图片集转换为单槽岩芯图片集,再对单槽岩芯图片集进行岩芯特征分类识别,然后基于单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,最后对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,即可得到岩芯特征统计结果。其中,通过将岩芯图片集中的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集,实现了输入数据的标准化分割处理,后续对每张单槽岩芯图片进行岩芯特征分类识别时,由于缩小了图片搜索区域,可以在单槽岩芯图片中准确抽取出潜在特征进行识别,有利于提高特征分类识别的准确性和速度,并且后续基于标准化处理的单槽岩芯图片的岩芯特征分类识别结果进行坐标反算即可快速得到岩芯图片的岩芯特征分类识别结果,大大提升了岩芯特征识别统计效率。并且,在对单槽岩芯图片进行目标搜索时采用了定高滑动锚框组,将原本二维的全图目标搜索转变为一维的单向目标搜索,大大提升了特征识别速度和准确度。因此,本发明的岩芯特征识别统计方法,同时提升了岩芯特征识别统计的准确性和效率。
可以理解,在所述步骤S1中,对钻孔采样收集的多个岩芯样品进行拍照以得到多张岩芯图片,并且对每张岩芯图片进行唯一编号,以保证岩芯图片的单一性,从而得到岩芯图片集。
可以理解,在所述步骤S2中,对岩芯图片集中的每张岩芯图片进行预处理的操作具体包括灰度化处理、二值化处理、轮廓提取、重设尺寸等,其中,具体的灰度化处理、二值化处理、轮廓提取、重设尺寸等过程属于现有的常规图像处理方法,故在此不再赘述。例如,拍照得到的岩芯样本图片的典型长高比为3:1,典型尺寸为4500×1500,重设尺寸后的图片高度统一为300像素,长度为900像素。当然,在本发明的其它实施例中,重设尺寸后的图片高度和长度可以根据需要进行设定,在此不做具体限定。
可以理解,所述步骤S2中将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片的过程具体为:
根据每张岩芯图片的图片高度进行等分处理,将每张岩芯图片等分为图片高度相同的多张单槽岩芯图片。
具体地,经过预处理后的每张岩芯图片的图片高度为300像素,然后对每张岩芯图片按照60像素的高度进行五等分,得到五张单槽岩芯图片,例如,173张岩芯图片进行等分处理后可分为865张单槽岩芯图片。当然,在本发明的其它实施例中,也可以对每张岩芯图片按照图片高度进行三等分、四等分或者六等分,本发明以进行五等分为例进行说明。对预处理后的每张岩芯图片进行依次等分处理后,对得到的所有单槽岩芯图片进行顺序编号,从而得到单槽岩芯图片集。
可以理解,在所述步骤S3中,所述采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索的过程具体为:
将滑动锚框组中的锚框数量设定为3个,每个锚框的高度相同且与单槽岩芯图片的图片高度相等,固定锚框组的中心点高度位置为锚框高度的一半,设定好滑动方向,采用滑动锚框组对每张单槽岩芯图片进行兴趣目标搜索。
具体地,如图2所示,在常规的滑动锚框组中一般包括9个锚框,本发明将滑动锚框组中的锚框数量减少至3个,分别用于对回次标记和节理、短破碎带、长破碎带进行特征识别。并且,每个锚框的高度相同且与单槽岩芯图片的图片高度相等,即3个锚框的高度均为60像素,然后固定锚框组的中心点高度位置为y=30像素,滑动方向设定为从右至左滑动,即从x=900向x=0的方向滑动,然后采用滑动锚框组对每张单槽岩芯图片进行兴趣目标搜索。当然,在本发明的其它实施例中,也可以将滑动方向设定为从左至右滑动,即从x=0向x=900的方向滑动。可以理解,本发明通过将滑动锚框组中的锚框数量设定为3个,分别对回次标记和节理、短破碎带、长破碎带进行特征识别,采用了针对性目标搜索策略,有利于提高特征识别的准确度,并且将每个锚框的高度设定为单槽岩芯图片的图片高度并固定滑动锚框组的中心点高度位置为y=30像素,将原本二维的全图目标搜索转变为一维的单相目标搜索,大大提升了岩芯特征识别的速度和准确度。
可选地,3个锚框的长高比分别设定为0.5:1、2:1、4:1,即3个锚框的尺寸分别为:30×60、120×60、240×60。其中,长高比为0.5:1的锚框对回次标记和节理具有较高的适应性,长高比为2:1的锚框对短破碎带具有较高的适应性,长高比为4:1的锚框对长破碎带具有较高的适应性。针对不同的岩芯特征采用适配长高比设计的锚框,有利于进一步提升岩芯特征识别的准确度。
另外,所述单槽岩芯图片集的岩芯特征分类识别结果包括目标序号、目标中心点坐标、标记框宽度和分类结果,其中,目标序号代表的是岩芯特征在第几张单槽岩芯图片中的特征编号,目标中心点坐标代表的是岩芯特征在单槽岩芯图片中的位置,标记框宽度代表的是岩芯特征的宽度,分类结果包括回次、节理、破碎带等特征类型。例如如图3所示,岩芯特征分类识别结果(1-1,830,65,节理)表示:该岩芯特征为第1张单槽岩芯图片中的第1个特征,特征的中心点坐标位置为x=830,标记框宽度为65,特征类型为节理;岩芯特征分类识别结果(8-1,750,170,破碎带)表示:该岩芯特征为第8张单槽岩芯图片中的第1个特征,特征的中心点坐标位置为x=750,标记框宽度为170,特征类型为破碎带。
可以理解,所述根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果的过程具体为:
根据每张单槽岩芯图片的岩芯特征分类识别结果中的目标序号反算得到标记框在对应岩芯图片上的坐标并进行标记,从而得到岩芯图片集的岩芯特征分类识别结果。
具体地,由于岩芯图片集中的多张岩芯图片是逐一顺序编号的,单槽岩芯图片集中的多张单槽岩芯图片也是逐一顺序编号的,因此,根据两个编号信息可实现岩芯图片和单槽岩芯图片的对应匹配,一张岩芯图片对应匹配五张单槽岩芯图片。因此,根据单槽岩芯图片的岩芯特征分类识别结果中的目标序号即可换算得到标记框在对应岩芯图片中的坐标并进行标记,即可得到岩芯图片的岩芯特征分类识别结果,从而可以基于单槽岩芯图片集的岩芯特征分类识别结果进行位置换算即可得到岩芯图片集的岩芯特征分类识别结果。例如,根据单槽岩芯图片的岩芯特征分类识别结果(8-1,750,170,破碎带)进行反算标记可以得到该特征为第2张岩芯图片中第3行的第1个特征,然后在第2张岩芯图片上对应位置进行标记。
可选地,如图4所示,本发明按照统一格式输出岩芯特征统计报告,统一格式以回次标记为分割,按“第x回次:节理Y个、破碎带Z个”的格式输出统计报告,统计结果一目了然,可实现岩芯特征识别统计的高效自动化执行。
可以理解,如图5所示,本发明的岩芯特征识别统计方法的步骤S2~S4在定制的Faster R-CNN神经网络中执行,利用训练好的Faster R-CNN神经网络自动进行岩芯特征的识别和统计。其中,所述Faster R-CNN神经网络模型具体包括预处理单元、识别单元和输出单元。在预处理单元中,不仅可以实现常规的图像预处理操作,例如灰度化处理、二值化处理、轮廓提取、重设尺寸等操作,而且本发明嵌入了图像等分器,用于对输入的岩芯图片集中的多张岩芯样本图片逐张进行五等分处理,实现输入数据的高度标准化。在所述识别单元中,Faster R-CNN神经网络包括卷积分支(Conv layers)和区域推荐分支(RegionProposal Networks),本发明在区域推荐分支中使用了特殊的定高滑动锚框组,将滑动锚框组中的锚框数量从9个减少至3个,并将每个锚框的高度设定为五等分处理后得到的单槽岩芯图片的图片高度,将原本二维的全图目标搜索转变为一维的单向目标搜索,大大提升了特征识别速度和准确度,并且对不同类型的岩芯特征采用了适配长高比尺寸设计的锚框进行针对性目标搜索,有利于进一步提高特征识别的准确度。而在输出单元中,本发明的Faster R-CNN神经网络集成了反算功能和统计器,将经过五等分处理后的单槽岩芯图片的分类识别结果反算并标记回原岩芯图片,然后,通过统计器对岩芯图片的分类识别结果进行特征统计,按照统一格式输出岩芯特征统计报告。
可以理解,如图6所示,所述Faster R-CNN神经网络的训练过程具体包括以下内容:
步骤S100:获取一定数量的岩芯样本照片,进行人工识别并标记岩芯特征,形成特征统计数据,并制作成训练集和测试集;
步骤S200:将训练集中的岩芯样本照片作为输入层数据、对应的人工标记结果和特征统计结果作为输出层数据,对Faster R-CNN神经网络进行训练;
步骤S300:采用测试集对训练好的Faster R-CNN神经网络进行训练评价,计算每张图片识别的特征数量与实际特征数量的准确度判定系数。
具体地,以塞尔维亚某铜矿项目为例,岩芯样本取自该项目的4个工作平面的采样钻孔,通过人工识别和统计后,形成训练集包含图片173张,测试集包含图片50张。将训练集中的173张岩芯图片作为输入层数据、对应的人工标记结果和特征统计结果作为输出层数据,对Faster R-CNN神经网络进行训练。训练完成后,采用测试集的50张岩芯图片逐一输入至Faster R-CNN神经网络中进行岩芯特征识别和统计,统计出每张岩芯图片中识别出来的岩芯特征数量,然后计算每张图片识别的特征数量与实际特征数量的准确度判定系数R2。其中,准确度判定系数R2的计算公式为:
其中,R2可以表征识别的特征数量与按实际特征数量均值来预测(均值法预测)的差距:若R2等于0,则表示该预测方法等同于均值法预测;若R2大于0,则表示该预测方法优于均值法预测,且越接近1效果越好;R2小于0则认为该预测方法等同于随机预测。xi指FasterR-CNN网络在第i张图片中识别出的特征数,Xi指第i张图片的实际特征数,指在i=[1,n]的图片中的实际特征数均值。检验结果如图7所示,可以计算得到Faster R-CNN神经网络的准确度判定系数为R2=0.95,具有很好的识别准确度。
可以理解,本发明的岩芯特征识别统计方法,基于定制的Faster R-CNN图像识别模型,在预处理单元嵌入图像等分器对输入的岩芯图片集逐张进行五等分,实现输入数据的高度标准化,在识别单元中使用特殊的定高滑动锚框组,可以将原本二维的全图目标搜索变为一维的单向目标搜索,大大提升识别速度及准确度,在输出单元中集成反算功能及统计器,将经过五等分的单槽岩芯图片的特征分类识别结果反算并标记回原图片,并通过统计器根据标记结果进行特征统计,可以对输入的岩芯图片集的岩芯特征分类识别结果进行整体统计数据输出。该方法可实现岩芯特征识别与统计的高效自动化执行,显著提高岩芯识别统计的准确率及效率,加速工程岩体质量评价的周期,具有重大的实践意义。
另外,如图8所示,本发明的另一实施例还提供一种岩芯特征识别统计系统,优选采用如上所述的岩芯特征识别统计方法,该系统包括:
图片输入模块,用于输入岩芯图片集;
图像预处理模块,用于对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
分类识别模块,用于采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;
反算标记和特征统计模块,用于根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果。
可以理解,本实施例的岩芯特征识别统计系统,先将岩芯图片集转换为单槽岩芯图片集,再对单槽岩芯图片集进行岩芯特征分类识别,然后基于单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,最后对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,即可得到岩芯特征统计结果。其中,通过将岩芯图片集中的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集,实现了输入数据的标准化分割处理,后续对每张单槽岩芯图片进行岩芯特征分类识别时,由于缩小了图片搜索区域,可以在单槽岩芯图片中准确抽取出潜在特征进行识别,有利于提高特征分类识别的准确性和速度,并且后续基于标准化处理的单槽岩芯图片的岩芯特征分类识别结果进行坐标反算即可快速得到岩芯图片的岩芯特征分类识别结果,大大提升了岩芯特征识别统计效率。并且,在对单槽岩芯图片进行目标搜索时采用了定高滑动锚框组,将原本二维的全图目标搜索转变为一维的单向目标搜索,大大提升了特征识别速度和准确度。因此,本发明的岩芯特征识别统计系统,同时提升了岩芯特征识别统计的准确性和效率。
可以理解,本实施例的系统中的各个模块分别与上述方法实施例的各个步骤相对应,故各个模块的具体工作过程和工作原理在此不再赘述,参考上述方法实施例即可。
另外,本发明的另一实施例还提供一种电子设备,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如上所述的方法的步骤。
另外,本发明的另一实施例还提供一种计算机可读取的存储介质,用于存储进行岩芯特征识别统计的计算机程序,所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括:软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质,其可用来存储、编码或承载用来给机器执行的指令,并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤,其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (6)
1.一种岩芯特征识别统计方法,其特征在于,包括以下内容:
对收集的多个岩芯样品进行拍照和编号,获得岩芯图片集;
对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;其中,所述采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索的过程具体为:将滑动锚框组中的锚框数量设定为3个,每个锚框的高度相同且与单槽岩芯图片的图片高度相等,固定锚框组的中心点高度位置为锚框高度的一半,设定好滑动方向,采用滑动锚框组对每张单槽岩芯图片进行兴趣目标搜索;3个锚框的长高比分别设定为0.5:1、2:1、4:1,长高比为0.5:1的锚框用于对回次标记和节理进行特征识别,长高比为2:1的锚框用于对短破碎带进行特征识别,长高比为4:1的锚框用于对长破碎带进行特征识别;所述单槽岩芯图片集的岩芯特征分类识别结果包括目标序号、目标中心点坐标、标记框宽度和分类结果;
根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果;
所述根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果的过程具体为:
根据每张单槽岩芯图片的岩芯特征分类识别结果中的目标序号反算得到标记框在对应岩芯图片上的坐标并进行标记,从而得到岩芯图片集的岩芯特征分类识别结果。
2.如权利要求1所述的岩芯特征识别统计方法,其特征在于,所述将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片的过程具体为:
根据每张岩芯图片的图片高度进行等分处理,将每张岩芯图片等分为图片高度相同的多张单槽岩芯图片。
3.如权利要求1所述的岩芯特征识别统计方法,其特征在于,按照“第x回次:节理Y个、破碎带Z个”的格式输出岩芯特征统计报告。
4.一种岩芯特征识别统计系统,采用如权利要求1~3任一项所述的岩芯特征识别统计方法,其特征在于,包括:
图片输入模块,用于输入岩芯图片集;
图像预处理模块,用于对岩芯图片集中的每张岩芯图片进行预处理,将预处理后的每张岩芯图片等分处理为多张单槽岩芯图片,并对所有的单槽岩芯图片进行顺序编号得到单槽岩芯图片集;
分类识别模块,用于采用定高滑动锚框组对单槽岩芯图片集中的每张单槽岩芯图片进行目标搜索,并将搜索得到的潜在目标进行分类识别,输出单槽岩芯图片集的岩芯特征分类识别结果;
反算标记和特征统计模块,用于根据单槽岩芯图片集的岩芯特征分类识别结果进行坐标反算得到岩芯图片集的岩芯特征分类识别结果,并对岩芯图片集的岩芯特征分类识别结果进行岩芯特征统计,输出岩芯特征统计结果。
5.一种电子设备,其特征在于,包括处理器和存储器,所述存储器中存储有计算机程序,所述处理器通过调用所述存储器中存储的所述计算机程序,用于执行如权利要求1~3任一项所述的方法的步骤。
6.一种计算机可读取的存储介质,用于存储进行岩芯特征识别统计的计算机程序,其特征在于,所述计算机程序在计算机上运行时执行如权利要求1~3任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856607.4A CN115359348B (zh) | 2022-07-20 | 2022-07-20 | 岩芯特征识别统计方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210856607.4A CN115359348B (zh) | 2022-07-20 | 2022-07-20 | 岩芯特征识别统计方法及系统、设备、存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115359348A CN115359348A (zh) | 2022-11-18 |
CN115359348B true CN115359348B (zh) | 2023-07-25 |
Family
ID=84031544
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210856607.4A Active CN115359348B (zh) | 2022-07-20 | 2022-07-20 | 岩芯特征识别统计方法及系统、设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115359348B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426616A (zh) * | 2020-02-20 | 2020-07-17 | 中国石油大学(北京) | 碳酸盐岩弹性性质与孔隙结构获取方法、装置及存储介质 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8725477B2 (en) * | 2008-04-10 | 2014-05-13 | Schlumberger Technology Corporation | Method to generate numerical pseudocores using borehole images, digital rock samples, and multi-point statistics |
US10410092B1 (en) * | 2015-12-16 | 2019-09-10 | Hrl Laboratories, Llc | Automated classification of rock types and analyst-centric visualizations—front end |
CN110472597A (zh) * | 2019-07-31 | 2019-11-19 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩石图像风化程度检测方法及系统 |
CN110490100A (zh) * | 2019-07-31 | 2019-11-22 | 中铁二院工程集团有限责任公司 | 基于深度学习的岩土自动识别定名方法及系统 |
US11725483B2 (en) * | 2020-06-12 | 2023-08-15 | Saudi Arabian Oil Company | Method and system of fracability measurement based on core fracture density |
US11670073B2 (en) * | 2020-08-25 | 2023-06-06 | Saudi Arabian Oil Company | System and method for detection of carbonate core features from core images |
CN112241711B (zh) * | 2020-10-22 | 2023-07-28 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
CN113537045B (zh) * | 2021-07-14 | 2022-11-25 | 宁夏大学 | 基于改进FasterR-CNN的岩画检测方法 |
CN113420768A (zh) * | 2021-08-24 | 2021-09-21 | 深圳市信润富联数字科技有限公司 | 岩芯类别确定方法、装置、电子设备和存储介质 |
-
2022
- 2022-07-20 CN CN202210856607.4A patent/CN115359348B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111426616A (zh) * | 2020-02-20 | 2020-07-17 | 中国石油大学(北京) | 碳酸盐岩弹性性质与孔隙结构获取方法、装置及存储介质 |
CN111858980A (zh) * | 2020-07-28 | 2020-10-30 | 东北大学 | 一种岩芯盘内岩芯识别与编录的方法 |
CN113344050A (zh) * | 2021-05-28 | 2021-09-03 | 中国石油天然气股份有限公司 | 一种基于深度学习的岩性智能化识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115359348A (zh) | 2022-11-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112926405A (zh) | 一种安全帽佩戴检测方法、系统、设备及存储介质 | |
CN111798312A (zh) | 一种基于孤立森林算法的金融交易系统异常识别方法 | |
CN110502962B (zh) | 视频流中目标的检测方法、装置、设备和介质 | |
CN111695453B (zh) | 绘本识别方法、装置及机器人 | |
CN112241711A (zh) | 一种从钻孔岩芯照片中识别rqd的智能方法 | |
CN110533654A (zh) | 零部件的异常检测方法及装置 | |
CN102915432A (zh) | 一种车载微机图像视频数据提取方法及装置 | |
CN110427962A (zh) | 一种测试方法、电子设备及计算机可读存储介质 | |
CN111582401A (zh) | 一种基于双分支卷积神经网络的向日葵种子分选方法 | |
CN106779086A (zh) | 一种基于主动学习和模型剪枝的集成学习方法及装置 | |
CN110363112A (zh) | 一种配线电缆接线位置核对方法及系统 | |
CN115249331A (zh) | 基于卷积神经网络模型的矿山生态安全识别方法 | |
CN115359348B (zh) | 岩芯特征识别统计方法及系统、设备、存储介质 | |
CN110728269A (zh) | 一种高铁接触网支柱杆号牌识别方法 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN112529003A (zh) | 一种基于Faster-RCNN的仪表盘数字识别方法 | |
CN111797772A (zh) | 发票图像自动分类方法、系统、装置 | |
CN108763289B (zh) | 一种海量异构传感器格式数据的解析方法 | |
CN109684942A (zh) | 一种基于视觉识别的全自动餐具分拣方法 | |
CN114742204A (zh) | 检测秸秆覆盖率的方法和装置 | |
CN108648177B (zh) | 一种列车部件完整性检测方法 | |
CN116310763B (zh) | 一种模板图像生成方法、装置、电子设备及存储介质 | |
CN115880644B (zh) | 一种基于人工智能的煤量识别的方法及系统 | |
Kelley et al. | Honey sources: neural network approach to bee species classification | |
CN111079599B (zh) | 基于多特征融合cnn-blstm的人体复杂行为识别方法 |
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 |