CN116309567A - 一种小样本的页岩电镜孔隙智能识别方法 - Google Patents
一种小样本的页岩电镜孔隙智能识别方法 Download PDFInfo
- Publication number
- CN116309567A CN116309567A CN202310554698.0A CN202310554698A CN116309567A CN 116309567 A CN116309567 A CN 116309567A CN 202310554698 A CN202310554698 A CN 202310554698A CN 116309567 A CN116309567 A CN 116309567A
- Authority
- CN
- China
- Prior art keywords
- pore
- electron microscope
- shale
- pores
- image
- 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
- 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
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/80—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- 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
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/30—Assessment of water resources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (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
本发明涉及一种小样本的页岩电镜孔隙智能识别方法,包括以下步骤:标注页岩电镜图像孔隙,构成含标注信息的支持集与不含标注信息的查询集;支持集与查询集经过深度学习模型输出高维孔隙特征;计算查询集特征与支持集特征的余弦相似性,构建孔隙的超相关特征;将支持图像孔隙特征通过注意力挤压层压缩孔隙特征维度,得到维度更小、信息更多的特征;将孔隙特征由粗到细融合,生成识别图,最终准确的识别出电镜图像中存在的有机孔、无机孔、裂缝,构建孔隙识别模型。本发明从新颖的角度出发,利用小样本算法思想和深度学习模型,在页岩电镜图像样本稀少、人工处理复杂的情况下,可快速准确识别页岩电镜孔隙,以便后续页岩气储层分析。
Description
技术领域
本发明涉及一种页岩电镜孔隙识别方法,特别涉及一种小样本的页岩电镜孔隙智能识别方法,页岩电镜孔隙识别领域。
背景技术
随着世界能源革命的不断进行,天然气需求空间巨大,其中页岩气已成为新时代天然气能源的代表。
页岩气储层作为典型的非常规油气储层,与常规油气储层具有极大差异,具体表现在自生自储和纳米级孔隙发育方面。孔隙结构特征是进行页岩气储层评价的关键参数,页岩电镜图片中的孔隙在人工识别和分析过程中存在耗时长、工作量大、主观性强和定量化程度低的问题。常规图像识别软件通常仅适合于单一组分识别,不能进行批处理,难以适用于大量图像识别和分析工作。在实际海量图片识别需求场景下,深度学习模型具有精度高、耗时短的特点,对扫描电镜孔隙识别具有很好的适用性,在实际应用中具有广阔的前景。
但由于在实际应用中,可以用于深度学习模型学习的孔隙类别标签样本数量稀少,导致模型无法准确的识别孔隙类别。小样本图像分类与分割模型可以在样本数量稀少的情况下,对页岩电镜图像进行分析并识别标记出孔隙类别,便于后续研究人员对页岩气储层的分析。
发明内容
为了解决上述存在的问题,本发明提出了一种小样本的页岩电镜孔隙智能识别方法,本专利利用提取需识别的图像和带识别标签的图像的特征向量进行相关性计算,将计算到的相关特征进行匹配连接构成待识别图像与参考图像之间的超相关特征,再使用多层感知机与全局自注意力机制提取更详细的特征信息,从而使在少量页岩电镜样本的情况下也能精准识别孔隙类别。
本发明解决上述技术问题所提供的技术方案是:一种小样本的页岩电镜孔隙智能识别方法,具体步骤如下:
S10、收集页岩电镜图像,对页岩电镜图像进行孔隙类别标注,并构成有图像标注信息的支持集与不含图像标注信息的查询集;
S20、将标注好的支持集与查询集输入到基于卷积神经网络构成的孔隙识别深度学习模型中输出高维孔隙特征;
S30、计算查询集特征与支持集特征的余弦相似性,构建孔隙的超相关特征;
S40、将卷积神经网络提取到的支持集图像中的孔隙特征通过由自注意力机制与多层感知机所构成的注意力挤压层来压缩孔隙特征维度,得到维度更小、孔隙信息更详细的特征;
S50、将根据孔隙特征由粗到细融合,生成孔隙识别图,最终准确的识别出电镜图像中的有机孔、无机孔、裂缝,构建孔隙识别模型。
进一步的技术方案是,所述孔隙标注包括页岩电镜图像中的有机孔、无机孔、裂缝,孔隙在图像中的位置,根据标注生成的孔隙掩码。
进一步的技术方案是,所述高维孔隙特征包括利用卷积神经网络提取到的查询集图像中的孔隙特征,以及将卷积神经网络与查询集中的图像标注信息结合所提取到的更准确的支持集图像中的孔隙特征。
进一步的技术方案是,所述步骤S30中构建孔隙的超相关特征是将相似的查询集孔隙特征与支持集孔隙特征进行级联构成。
进一步的技术方案是,所述步骤S50中根据孔隙特征由粗到细融合,生成孔隙识别图是通过上采样的方法将不同粗细程度的孔隙特征转化成相同维度,然后把孔隙特征相加,再将孔隙特征通过非线性变换生成查询图像的孔隙识别图。
进一步的技术方案是,所述步骤S50中判断模型是否识别准确的损失函数为:
与现有技术相比,本发明的有益效果
本发明能够有效识别页岩电镜图像中的孔隙以及孔隙类型,并给出标注信息便于计算孔隙度关键指标;
本发明将页岩电镜图像与深度学习模型有效结合,可以实现批量自动识别孔隙,减少人工成本,提高识别效率;
本发明不需要大量的页岩电镜图像,就可以得到小样本的页岩电镜孔隙智能识别模型,比较简单方便,可靠性高。
附图说明
图1为本发明流程图(输入输出示意图);
图2为注意力挤压层流程图(输入输出示意图)。
实施方式
下面结合附图及实施案例,对本发明进行进一步详细说明,以使本发明的目的、技术方案及优点更加清楚明白,应当理解,此处所描述的具体实施案列仅用以解释本发明,不能理解为对本发明包括范围的限制,该领域的技术熟练人员可以依据上述本发明的内容做出一些非本质的改进和调整。以图1为例,本发明的流程为输入页岩电镜图像、划分查询图像集与支持图像集、提取查询图像与支持图像特征、计算特征相似性构建超相关特征、注意力挤压层压缩特征维度、多层特征融合生成孔隙识别图,计算与真实结果之间的损失、输出准确的孔隙识别结果,具体步骤如下:
S10、收集页岩电镜图像,标注孔隙信息,划分查询集与支持集,包含信息如表1所示;
表1
数据名称 | 数据内容 | 备注 |
查询集 | 页岩电镜图像 | |
支持集 | 页岩电镜图像、支持图像掩码 | 图像掩码标注出有机孔、无机孔、裂缝 |
查询集掩码 | 查询图像掩码 | 用于最后判断模型是否识别准确 |
S20、对查询图像和支持图像进行特征提取;
本发明中查询图像中的孔隙特征直接由卷积神经网络提取,查询图像中的孔隙特征结合标注掩码提取;
由于支持图像具有准确的孔隙标注掩码,在提取支持图像中的孔隙特征时,将对应的孔隙标注信息掩码掩盖支持图像的特征图,未被掩盖住的特征部分可看作为背景部分,将其剔除以提取更加准确的孔隙特征。
S30、对提取的特征进行余弦相似性计算,构成超相关特征;
S31、计算查询和支持特征中每对特征图之间的余弦相似度,然后利用RELU函数构建大小为的四维相关特征/>,/>表示神经网络中第/>层查询图像孔隙特征图的高度,/>表示神经网络中第/>层查询图像孔隙特征图的宽度,/>表示神经网络中第/>层支持图像孔隙特征图的高度,/>表示神经网络中第/>层支持图像孔隙特征图的宽度:
式中:和/>分别表示卷积神经网络所提取的查询图像特征图和支持图像特征图,/>和/>分别表示/>和/>特征图中的二维空间位置,/>为神经网络层数引索,ReLU函数用于去除不相关的噪声,以增强注意力权重的质量和稳定性;
S32、将步骤S31的式子中得到的相关特征按空间大小分组,相同空间大小的为一组,共被分为P组,然后将每组中的特征沿着新的通道维度进行级联,构建超相关特征:
S40、利用注意力挤压层将相关特征转换为维数更小、信息更详细的相关特征;
注意力挤压层由三个大于或等于1的卷积、一个softmax层、两个多层感知机和两个归一化构成。流程如图2所示,输入相关特征首先经过三个卷积生成三元组、/>、/>,然后和/>经过矩阵相乘得到值/>,并结合掩码进行归一化处理生成值/>,接下来/>和/>进行矩阵相乘,后续再连续经过两个多层感知机和归一化,输出比输入维度更低的相关特征;
注意力挤压层具体处理步骤如下:
式中:和/>表示支持图像相关特征图上的不同位置,用于计算不同位置之间的注意力权重,/>表示位置/>与位置/>之间未结合掩码信息时的注意力权重,/>表示对/>进行遍历的不同取值过程中的临时变量,当/>为前景位置时/>值为1,而/>为其他位置时/>值为/>;
S50、通过将神经网络中各层提取到的孔隙特征信息融合,最终准确的识别出电镜图像中存在的有机孔、无机孔、裂缝;
S53、最终融合层的输出被馈送到卷积解码器,卷积解码器由交错2D卷积和双线性上采样组成,将C维通道映射到2维(孔隙和背景),输出空间大小映射为输入查询图像大小,获得页岩电镜查询图像中有机孔、无机孔、裂缝的识别;
S54、将多张查询图像输出的孔隙激活映射进行平均,以产生每个孔隙类别的掩码预测。将平均后的输出映射通过二值分割映射的两个通道进行softmax归一化,得到每类孔隙概率预测,若概率预测/>大于阈值/>,则表明该类孔隙存在,识别出电镜图像中存在的有机孔、无机孔、裂缝;
S55、比较模型的识别结果与实际结果,并使用反向传播算法对模型进行调整,以提高预测的准确性;
其中判断模型是否识别准确的损失函数为:
这种方法可以通过结合小样本算法对训练样本需求少的特点和神经网络的准确性,在保证预测准确性的同时,减少页岩电镜图像的需求,更符合实际工程中的应用。
以上所述,并非对本发明作任何形式上的限制,虽然本发明已通过上述实施例揭示,然而并非用以限定本发明,任何熟悉本专业的技术人员,在不脱离本发明技术方案范围内,可利用上述揭示的技术内容作出些变动或修饰为等同变化的等效实施例,但凡是未脱离本发明技术方案的内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (6)
1.一种小样本的页岩电镜孔隙智能识别方法,其特征在于,包括以下步骤:
S10、收集页岩电镜图像,对页岩电镜图像进行孔隙标注,并构成有图像标注信息的支持集与不含图像标注信息的查询集;
S20、将标注好的支持集与查询集输入到基于卷积神经网络构成的孔隙识别深度学习模型中输出高维孔隙特征;
S30、计算查询集特征与支持集特征的余弦相似性,构建孔隙的超相关特征;
S40、将卷积神经网络提取到的支持集图像中的孔隙特征通过由自注意力机制与多层感知机所构成的注意力挤压层来压缩孔隙特征维度,得到维度更小、孔隙信息更详细的特征;
S50、将根据孔隙特征由粗到细融合,生成孔隙识别图,最终准确的识别出电镜图像中的有机孔、无机孔、裂缝,构建孔隙识别模型。
2.根据权利要求1所述的一种小样本的页岩电镜孔隙智能识别方法,其特征在于,所述孔隙标注包括页岩电镜图像中的有机孔、无机孔、裂缝,孔隙在图像中的位置,根据标注生成的孔隙掩码。
3.根据权利要求1所述的一种小样本的页岩电镜孔隙智能识别方法,其特征在于,所述高维孔隙特征包括利用卷积神经网络提取到的查询集图像中的孔隙特征,以及将卷积神经网络与查询集中的图像标注信息结合所提取到的更准确的支持集图像中的孔隙特征。
4.根据权利要求1所述的一种小样本的页岩电镜孔隙智能识别方法,其特征在于,所述步骤S30中构建孔隙的超相关特征是将相似的查询集孔隙特征与支持集孔隙特征进行级联构成。
5.根据权利要求1所述的一种小样本的页岩电镜孔隙智能识别方法,其特征在于,所述步骤S50中根据孔隙特征由粗到细融合,生成孔隙识别图是通过上采样的方法将不同粗细程度的孔隙特征转化成相同维度,然后把孔隙特征相加,再将孔隙特征通过非线性变换生成查询图像的孔隙识别图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554698.0A CN116309567A (zh) | 2023-05-17 | 2023-05-17 | 一种小样本的页岩电镜孔隙智能识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310554698.0A CN116309567A (zh) | 2023-05-17 | 2023-05-17 | 一种小样本的页岩电镜孔隙智能识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116309567A true CN116309567A (zh) | 2023-06-23 |
Family
ID=86827279
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310554698.0A Pending CN116309567A (zh) | 2023-05-17 | 2023-05-17 | 一种小样本的页岩电镜孔隙智能识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116309567A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651839A (zh) * | 2016-11-16 | 2017-05-10 | 中国科学院地质与地球物理研究所 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
CN108961246A (zh) * | 2018-07-10 | 2018-12-07 | 吉林大学 | 一种基于人工智能的扫描电镜图像孔隙识别方法 |
CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
US20190331583A1 (en) * | 2017-06-01 | 2019-10-31 | China University Of Petroleum (East China) | Evaluation method for different types of pore evolution in shale |
CN113298795A (zh) * | 2021-06-09 | 2021-08-24 | 长江大学 | 一种页岩油气储层孔隙精细分类提取方法及装置 |
CN115527072A (zh) * | 2022-11-07 | 2022-12-27 | 南京工程学院 | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 |
-
2023
- 2023-05-17 CN CN202310554698.0A patent/CN116309567A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651839A (zh) * | 2016-11-16 | 2017-05-10 | 中国科学院地质与地球物理研究所 | 页岩电镜图像中有机和无机孔隙自动识别和定量分析方法 |
US20190331583A1 (en) * | 2017-06-01 | 2019-10-31 | China University Of Petroleum (East China) | Evaluation method for different types of pore evolution in shale |
CN108961246A (zh) * | 2018-07-10 | 2018-12-07 | 吉林大学 | 一种基于人工智能的扫描电镜图像孔隙识别方法 |
CN110070552A (zh) * | 2019-05-07 | 2019-07-30 | 西南石油大学 | 一种基于语义分割的岩石图像孔隙类型识别方法 |
CN110110661A (zh) * | 2019-05-07 | 2019-08-09 | 西南石油大学 | 一种基于unet分割的岩石图像孔隙类型识别方法 |
CN113298795A (zh) * | 2021-06-09 | 2021-08-24 | 长江大学 | 一种页岩油气储层孔隙精细分类提取方法及装置 |
CN115527072A (zh) * | 2022-11-07 | 2022-12-27 | 南京工程学院 | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 |
Non-Patent Citations (4)
Title |
---|
DAHYUN KANG 等: "Integrative Few-Shot Learning for Classification and Segmentation", 《2022 IEEE/CVF CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 9969 - 9980 * |
于会臻 等: "基于深度学习的页岩油微观孔缝智能识别方法研究", 《科创中国·ECF国际页岩气论坛2022第十二届亚太页岩油气暨非常规能源峰会论文集》, pages 232 - 238 * |
刘红岐 等: "基于深度学习的龙马溪组页岩孔缝识别 与参数计算", 《测井技术》, vol. 46, no. 4, pages 446 - 452 * |
程超 等: "基于机器学习的储层测井评价研究进展", 《地球物理学进展》, vol. 37, no. 1, pages 0164 - 0177 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110717526B (zh) | 一种基于图卷积网络的无监督迁移学习方法 | |
CN107341499B (zh) | 一种基于无监督分割和elm的织物缺陷检测和分类方法 | |
CN104765768B (zh) | 海量人脸库的快速准确检索方法 | |
CN108090472B (zh) | 基于多通道一致性特征的行人重识别方法及其系统 | |
CN114926746B (zh) | 基于多尺度差分特征注意力机制的sar图像变化检测方法 | |
CN109063649B (zh) | 基于孪生行人对齐残差网络的行人重识别方法 | |
CN110210534B (zh) | 基于多包融合的高分遥感图像场景多标签分类方法 | |
CN106780639B (zh) | 基于显著性特征稀疏嵌入和极限学习机的哈希编码方法 | |
CN109544522A (zh) | 一种钢板表面缺陷检测方法及系统 | |
CN105809672A (zh) | 一种基于超像素和结构化约束的图像多目标协同分割方法 | |
CN111339924B (zh) | 一种基于超像素和全卷积网络的极化sar图像分类方法 | |
CN112347970A (zh) | 一种基于图卷积神经网络的遥感影像地物识别方法 | |
CN112861970A (zh) | 一种基于特征融合的细粒度图像分类方法 | |
CN115527072A (zh) | 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法 | |
CN111242028A (zh) | 基于U-Net的遥感图像地物分割方法 | |
CN114463340A (zh) | 一种边缘信息引导的敏捷型遥感图像语义分割方法 | |
CN112668662B (zh) | 基于改进YOLOv3网络的野外山林环境目标检测方法 | |
CN113688821A (zh) | 一种基于深度学习的ocr文字识别方法 | |
CN117253093A (zh) | 一种基于深度特征和图注意力机制的高光谱影像分类方法 | |
CN111401434A (zh) | 一种基于无监督特征学习的图像分类方法 | |
CN116309567A (zh) | 一种小样本的页岩电镜孔隙智能识别方法 | |
CN115830302A (zh) | 一种多尺度特征提取融合配电网设备定位识别方法 | |
CN114332715A (zh) | 气象自动观测积雪识别方法、装置、设备及存储介质 | |
CN107122795B (zh) | 一种基于核化特征和随机子空间集成的行人再辨识方法 | |
CN115063692B (zh) | 一种基于主动学习的遥感图像场景分类方法 |
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 |