CN116977999B - 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 - Google Patents
一种基于机器视觉的岩芯智能识别方法、系统及存储介质 Download PDFInfo
- Publication number
- CN116977999B CN116977999B CN202310969014.3A CN202310969014A CN116977999B CN 116977999 B CN116977999 B CN 116977999B CN 202310969014 A CN202310969014 A CN 202310969014A CN 116977999 B CN116977999 B CN 116977999B
- Authority
- CN
- China
- Prior art keywords
- core
- data
- image
- ore
- model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000000547 structure data Methods 0.000 claims abstract description 110
- 230000002159 abnormal effect Effects 0.000 claims abstract description 66
- 238000004458 analytical method Methods 0.000 claims abstract description 57
- 238000002591 computed tomography Methods 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 40
- 239000011435 rock Substances 0.000 claims description 168
- 239000002245 particle Substances 0.000 claims description 83
- 230000004927 fusion Effects 0.000 claims description 48
- 238000000605 extraction Methods 0.000 claims description 38
- 239000011148 porous material Substances 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 34
- 239000002344 surface layer Substances 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 24
- 239000007771 core particle Substances 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 5
- 230000011218 segmentation Effects 0.000 claims description 5
- 239000012792 core layer Substances 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 description 8
- 238000002372 labelling Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 6
- 230000009467 reduction Effects 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 239000004215 Carbon black (E152) Substances 0.000 description 4
- 229930195733 hydrocarbon Natural products 0.000 description 4
- 150000002430 hydrocarbons Chemical class 0.000 description 4
- 230000005856 abnormality Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005553 drilling Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000008187 granular material Substances 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
-
- 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
- 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
- G06V10/54—Extraction of image or video features relating to texture
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/77—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
- G06V10/806—Fusion, i.e. combining data from various sources at the sensor level, preprocessing level, feature extraction level or classification level of extracted features
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Image Analysis (AREA)
- Image Generation (AREA)
Abstract
本发明公开了一种基于机器视觉的岩芯智能识别方法、系统及存储介质，基于目标岩芯高清图像数据进行基于三维的岩芯模型搭建，基于三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；通过本发明能够实现基于结构、色彩、纹理等多维度的高精度三维模型建立。另外，通过本发明能够实现异常区域的判断分析与修正，提高模型精确度。
Description
技术领域
本发明涉及机器视觉领域，更具体的，涉及一种基于机器视觉的岩芯智能识别方法、系统及存储介质
背景技术
岩芯是地下岩石(层)的一部分，所以岩芯分析是获取地下岩石信息十分重要的手段。通过岩芯分析可以获得岩芯中矿物性质及多孔介质的特性，岩芯分析在油气层地质研究中具有核心作用。岩芯分析也能够确定某一块实验岩样在整个油气层中的代表性，进而可通过为数不多的实验结果，建立油气层敏感性的整体轮廓，指导保护油气层工作液的研制和优选。
但目前，对于岩芯的精确识别分析缺少有效的技术手段，传统的图像识别的识别精度较低，只能进行表面粗略识别分析，三维建模精细度低，效果较差，不利于岩层进一步有效分析。因此，现在亟需一种基于机器视觉的岩芯智能识别方法。
发明内容
本发明克服了现有技术的缺陷，提出了一种基于机器视觉的岩芯智能识别方法、系统及存储介质。
本发明第一方面提供了一种基于机器视觉的岩芯智能识别方法，包括：
获取目标岩芯多个预设角度的高清图像数据；
基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型。
本方案中，所述基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型，具体为：
获取目标岩芯多个预设角度的高清图像数据，选取一个角度的高清图像数据作为当前图像数据；
基于所述当前图像数据进行岩芯区域识别得到岩芯表层图像；
基于所述岩芯表层图像进行色彩与纹理特征提取，得到表层图像特征数据；
根据预设图像比例值与岩芯表层图像，计算出岩芯实际轮廓大小与表层面积值；
分析目标岩芯其余角度的高清图像数据，得到每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值；
基于所述每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值进行基于三维的表层模型搭建，得到初始岩芯模型。
本方案中，所述获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据，具体为：
获取目标岩芯三维CT扫描数据；
基于目标岩芯的取样段数划分为多个岩芯区域，判断每个岩芯区域中的岩芯长度是否大于预设长度，若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域；
根据所述三维CT扫描数据进行基于孔隙、裂缝、矿石颗粒的空间结构分析与结构数据提取，得到孔隙结构数据、裂缝结构数据、矿石颗粒结构数据；
将所述孔隙结构数据、裂缝结构数据、矿石颗粒结构数据进行数据整合形成岩芯内部结构数据。
本方案中，所述获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据，具体为：
获取目标岩芯中一个选定岩芯区域的第一横截面图像；
对第一横截面图像进行矿石颗粒区域识别与分布情况分析，得到矿石颗粒分布信息；
基于所述矿石颗粒分布信息对第一横截面图像进行图像区域分割，形成K个图像子区域，并保证每个图像子区域中的矿石颗粒密度在预设范围内；
对K个图像子区域进行矿石颗粒特征提取，得到对应K个矿石颗粒特征数据；
基于预设聚类算法，设定N个聚类中心；
根据所述N个聚类中心，基于标准欧氏距离，计算K个图像子区域中矿石颗粒特征数据到N个聚类中心的距离，以距离结果值作为优先聚类条件，将K个图像子区域中矿石颗粒特征数据进行聚类分组并形成N个特征组；
一个特征组包括至少一个矿石颗粒特征数据与一个图像子区域；
将一个特征组中的所有图像子区域进行区域融合，得到对应融合区域，分析其余特征组并形成N个融合区域。
本方案中，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，包括：
根据选定岩芯区域，从三维CT扫描数据进行相应横截面截取，得到CT横截面图像；
基于N个融合区域，从CT横截面图像中进行区域性矿石纹理特征提取，得到N组矿石纹理特征数据；
基于N个融合区域，从第一横截面图像进行矿石色彩特征提取，得到N组矿石色彩特征数据；
将一个融合区域中对应的一组矿石纹理特征数据与一组矿石色彩特征数据进行数据整合得到一组纹理色彩特征数据；
将所述一组纹理色彩特征数据与岩芯矿石对比数据库中的对比特征数据进行相似度分析与矿石类别识别，并得到矿石类别；
对所有融合区域的纹理色彩特征数据进行识别分析，并得到第一横截面图像中的岩芯矿石类别数据，将所有融合区域的纹理色彩特征数据进行数据整合得到岩芯纹理色彩特征数据。
本方案中，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，还包括：
基于岩芯内部结构数据对初始岩芯模型进行结构模型填充；
基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据，对初始岩芯模型中矿石颗粒进行色彩重绘与纹理修正，并形成整体三维岩芯模型。
本方案中，所述根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域，具体为：
基于岩芯内部结构数据，分析每个岩芯区域的内部结构，基于孔隙结构、裂缝结构、矿石颗粒结构进行二维曲面提取，得到孔隙曲面模型、裂缝曲面模型、矿石曲面模型；
基于所述孔隙曲面模型、裂缝曲面模型、矿石曲面模型进行曲率计算与曲率变化连续性分析，得到孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数；
若孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数均大于预设指数，将对应的岩芯区域标记为连续性异常区域。
本方案中，所述获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据，具体为:
基于目标岩芯，获取连续性异常区域中的前后邻近岩芯区域，得到前岩芯区域与后岩芯区域；
对前岩芯区域与后岩芯区域的岩芯结构数据，基于孔隙结构、裂缝结构、矿石颗粒三个维度进行中间区域的结构特征预测计算，得到结构预测数据；
将所述结构预测数据作为连续性异常区域的区域结构修正数据。
本发明第二方面还提供了一种基于机器视觉的岩芯智能识别系统，该系统包括：存储器、处理器，所述存储器中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被所述处理器执行时实现如下步骤：
获取目标岩芯多个预设角度的高清图像数据；
基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被处理器执行时，实现如上述任一项所述的基于机器视觉的岩芯智能识别方法的步骤。
本发明公开了一种基于机器视觉的岩芯智能识别方法、系统及存储介质，基于目标岩芯高清图像数据进行基于三维的岩芯模型搭建，基于三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；通过本发明能够实现基于结构、色彩、纹理等多维度的高精度三维模型建立。另外，通过本发明能够实现异常区域的判断分析与修正，提高模型精确度。
附图说明
图1示出了本发明一种基于机器视觉的岩芯智能识别方法的流程图；
图2示出了本发明初始岩芯模型获取流程图；
图3示出了本发明岩芯内部结构数据获取流程图；
图4示出了本发明一种基于机器视觉的岩芯智能识别系统的框图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于机器视觉的岩芯智能识别方法的流程图。
如图1所示，本发明第一方面提供了一种基于机器视觉的岩芯智能识别方法，包括：
S102，获取目标岩芯多个预设角度的高清图像数据；
S104，基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
S106，获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
S108，获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
S110，基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
S112，根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
S114，获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
S116，基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型。
需要说明的是，所述三维岩芯模型可通过移动终端设备或计算机终端设备进行展示。
图2示出了本发明初始岩芯模型获取流程图。
根据本发明实施例，所述基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型，具体为：
S202，获取目标岩芯多个预设角度的高清图像数据，选取一个角度的高清图像数据作为当前图像数据；
S204，基于所述当前图像数据进行岩芯区域识别得到岩芯表层图像；
S206，基于所述岩芯表层图像进行色彩与纹理特征提取，得到表层图像特征数据；
S208，根据预设图像比例值与岩芯表层图像，计算出岩芯实际轮廓大小与表层面积值；
S210，分析目标岩芯其余角度的高清图像数据，得到每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值；
S212，基于所述每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值进行基于三维的表层模型搭建，得到初始岩芯模型。
需要说明的是，所述预设图像实际比例值即图像尺寸与真实尺寸的比例值，通过该值能够计算出图像内物品的真实大小。所述高清图像数据为具有色彩信息的图像数据。所述多个预设角度的高清图像数据中，一般至少包括立体空间中的6个角度，即上面、下面与多个侧面。
另外，本发明通过多角度的高清图像进行岩芯模型地分析，能够精准地搭建出岩芯的表层模型，对应的模型轮廓与表层纹理能够贴合真实目标岩芯，有利于后续对岩芯的特征分析。
图3示出了本发明岩芯内部结构数据获取流程图。
根据本发明实施例，所述获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据，具体为：
S302，获取目标岩芯三维CT扫描数据；
S304，基于目标岩芯的取样段数划分为多个岩芯区域，判断每个岩芯区域中的岩芯长度是否大于预设长度，若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域；
S306，根据所述三维CT扫描数据进行基于孔隙、裂缝、矿石颗粒的空间结构分析与结构数据提取，得到孔隙结构数据、裂缝结构数据、矿石颗粒结构数据；
S308，将所述孔隙结构数据、裂缝结构数据、矿石颗粒结构数据进行数据整合形成岩芯内部结构数据。
需要说明的是，由于岩芯基于钻探技术获取，得到的岩芯样品一般分裂为多段，取样段数即为目标岩芯的总段数。
所述若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域中，系统将循环进行判断，直至所有岩芯区域的岩芯长度符合预设条件。
根据本发明实施例，所述获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据，具体为：
获取目标岩芯中一个选定岩芯区域的第一横截面图像；
对第一横截面图像进行矿石颗粒区域识别与分布情况分析，得到矿石颗粒分布信息；
基于所述矿石颗粒分布信息对第一横截面图像进行图像区域分割，形成K个图像子区域，并保证每个图像子区域中的矿石颗粒密度在预设范围内；
对K个图像子区域进行矿石颗粒特征提取，得到对应K个矿石颗粒特征数据；
基于预设聚类算法，设定N个聚类中心；
根据所述N个聚类中心，基于标准欧氏距离，计算K个图像子区域中矿石颗粒特征数据到N个聚类中心的距离，以距离结果值作为优先聚类条件，将K个图像子区域中矿石颗粒特征数据进行聚类分组并形成N个特征组；
一个特征组包括至少一个矿石颗粒特征数据与一个图像子区域；
将一个特征组中的所有图像子区域进行区域融合，得到对应融合区域，分析其余特征组并形成N个融合区域。
需要说明的是，所述以距离结果值作为优先聚类条件即将每个矿石颗粒特征数据划分在离其距离最短的聚类中心形成一个特征组。所述预设聚类算法包括K-means、FuzzyC-means、Hierarchical等。另外，在岩芯样品中，一般包括多种矿石颗粒，其中的矿石颗粒的分析与颗粒的色彩纹理特征对于岩石特性分析具有重要作用。K的大小具体以矿石颗粒分布信息决定。N为用户预设值。
所述形成N个融合区域后，能够在后续进行基于融合区域的矿石识别与特征提取，从而实现快速、精准的矿石识别与特征提取。
根据本发明实施例，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，包括：
根据选定岩芯区域，从三维CT扫描数据进行相应横截面截取，得到CT横截面图像；
基于N个融合区域，从CT横截面图像中进行区域性矿石纹理特征提取，得到N组矿石纹理特征数据；
基于N个融合区域，从第一横截面图像进行矿石色彩特征提取，得到N组矿石色彩特征数据；
将一个融合区域中对应的一组矿石纹理特征数据与一组矿石色彩特征数据进行数据整合得到一组纹理色彩特征数据；
将所述一组纹理色彩特征数据与岩芯矿石对比数据库中的对比特征数据进行相似度分析与矿石类别识别，并得到矿石类别；
对所有融合区域的纹理色彩特征数据进行识别分析，并得到第一横截面图像中的岩芯矿石类别数据，将所有融合区域的纹理色彩特征数据进行数据整合得到岩芯纹理色彩特征数据。
需要说明的是，所述CT横截面图像与第一横截面图像对应在选定岩芯区域中截面位置相同，第一横截面图像与CT横截面图像的图像尺寸一致，另外三维CT扫描数据不包含色彩数据，CT横截面图像包含色彩数据。
值得一提的是，在CT横截面图像，其提取的纹理数据精细度比第一横截面图像中的高，本发明实施例中选择从CT横截面图像中进行纹理特征提取。第一横截面图像中包括N个融合区域。
在本发明中，通过选定岩芯区域的第一横截面图像与CT横截面图像进行相关特征提取，并基于预设聚类算法进行图像区域分组，得到融合区域，进一步以融合区域为单位进行矿石颗粒的识别，能够实现对岩芯横截面图的快速识别与纹理色彩特征的有效提取，从而在后续形成高精度、高辨识度、高色彩纹理还原度的三维岩芯模型。所述岩芯矿石对比数据库用于存储矿石对比特征数据。
根据本发明实施例，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，还包括：
基于岩芯内部结构数据对初始岩芯模型进行结构模型填充；
基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据，对初始岩芯模型中矿石颗粒进行色彩重绘与纹理修正，并形成整体三维岩芯模型。
需要说明的是，所述基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据中，通过本发明实施例方案，能够分析并获取所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据。
根据本发明实施例，所述根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域，具体为：
基于岩芯内部结构数据，分析每个岩芯区域的内部结构，基于孔隙结构、裂缝结构、矿石颗粒结构进行二维曲面提取，得到孔隙曲面模型、裂缝曲面模型、矿石曲面模型；
基于所述孔隙曲面模型、裂缝曲面模型、矿石曲面模型进行曲率计算与曲率变化连续性分析，得到孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数；
若孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数均大于预设指数，将对应的岩芯区域标记为连续性异常区域。
需要说明的是，所述进行曲率计算与曲率变化连续性分析中，具体为随机选取曲面中若干个点计算出多个曲率值，并基于位置关系分析其连续变化趋势，曲率变化指数越小，对应曲面连续度越高，断点、断层情况越少，不连续点的数据量也越少。
值得一提的是，在分析岩芯三维结构模型中，由于岩芯样品在采集相关图像数据中容易出现图像失真、模糊等情况，另外，受制于技术限制，在CT扫描数据中，其对应的内部结构亦会存在不完整，不连续的情况，而且在数据采集与转化过程中，亦可能出现部分数据丢失情况，因此，在分析岩芯三维模型中，不可避免会出现结构异常的情况。
本发明通过岩芯三维模型中异常区域的判断与修复，能够进一步提高岩芯模型数据的完整度与真实度，减少岩芯模型的错误与误差，实现高精度的模型建立。
根据本发明实施例，所述获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据，具体为:
基于目标岩芯，获取连续性异常区域中的前后邻近岩芯区域，得到前岩芯区域与后岩芯区域；
对前岩芯区域与后岩芯区域的岩芯结构数据，基于孔隙结构、裂缝结构、矿石颗粒三个维度进行中间区域的结构特征预测计算，得到结构预测数据；
将所述结构预测数据作为连续性异常区域的区域结构修正数据。
需要说明的是，所述结构特征预测计算中，具体为基于前后区域的孔隙曲面模型、裂缝曲面模型、矿石曲面模型的进行曲面连续性进行分析与线性预测计算，得到结构预测数据。
根据本发明实施例，还包括：
将目标岩芯的内部结构数据进行基于CAD格式的数据转化，得到内部结构特征信息；
获取所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据；
将所述岩芯纹理色彩特征数据与岩芯矿石类别数据进行CAD格式转化，得到基于CAD的岩芯色彩描述数据与矿石类别标注信息；
将整体三维岩芯模型转化为CAD岩芯模型；
基于内部结构特征信息，对CAD岩芯模型进行结构判断与修正；
基于岩芯色彩描述数据与矿石类别标注信息，对所述CAD岩芯模型进行矿石颗粒的纹理与色彩修正并附加对应标注信息；
通过预设终端设备进行CAD岩芯模型进行展示。
需要说明的是，所述内部结构特征信息为基于CAD格式的数据描述信息，能够用于判断CAD模型是否符合一定的结构特征，且进一步能够用于修正CAD模型结构。所述预设终端设备包括计算机与移动终端设备。
值得一提的是，在岩芯模型的研究上，CAD模型是一种较为重要的模型，通过CAD模型进行岩芯数据分析能够满足多个领域的岩芯分析需求。但在岩芯模型的建立上，如果简单将CT格式或其他格式的模型进行转化，得到的CAD模型将容易存在结构不完整、结构误差大、岩芯表层与内部还原度低等问题。
因此，本发明通过先建立一定结构的三维模型，再进行CAD格式的转化，并基于分析得到的结构、色彩、类型标注等信息进行CAD模型的修正，能够在一定程度上，实现高精度的模型转化与还原，使CAD模型更加贴近真实模型，提高CAD研究模型的精度，有助于在后续的岩性分析中得到更加精确的特性数据。
图4示出了本发明一种基于机器视觉的岩芯智能识别系统的框图。
本发明第二方面还提供了一种基于机器视觉的岩芯智能识别系统4，该系统包括：存储器41、处理器42，所述存储器中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被所述处理器执行时实现如下步骤：
获取目标岩芯多个预设角度的高清图像数据；
基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型。
需要说明的是，所述三维岩芯模型可通过移动终端设备或计算机终端设备进行展示。
根据本发明实施例，所述基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型，具体为：
获取目标岩芯多个预设角度的高清图像数据，选取一个角度的高清图像数据作为当前图像数据；
基于所述当前图像数据进行岩芯区域识别得到岩芯表层图像；
基于所述岩芯表层图像进行色彩与纹理特征提取，得到表层图像特征数据；
根据预设图像比例值与岩芯表层图像，计算出岩芯实际轮廓大小与表层面积值；
分析目标岩芯其余角度的高清图像数据，得到每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值；
基于所述每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值进行基于三维的表层模型搭建，得到初始岩芯模型。
需要说明的是，所述预设图像实际比例值即图像尺寸与真实尺寸的比例值，通过该值能够计算出图像内物品的真实大小。所述高清图像数据为具有色彩信息的图像数据。所述多个预设角度的高清图像数据中，一般至少包括立体空间中的6个角度，即上面、下面与多个侧面。
另外，本发明通过多角度的高清图像进行岩芯模型地分析，能够精准地搭建出岩芯的表层模型，对应的模型轮廓与表层纹理能够贴合真实目标岩芯，有利于后续对岩芯的特征分析。
根据本发明实施例，所述获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据，具体为：
获取目标岩芯三维CT扫描数据；
基于目标岩芯的取样段数划分为多个岩芯区域，判断每个岩芯区域中的岩芯长度是否大于预设长度，若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域；
根据所述三维CT扫描数据进行基于孔隙、裂缝、矿石颗粒的空间结构分析与结构数据提取，得到孔隙结构数据、裂缝结构数据、矿石颗粒结构数据；
将所述孔隙结构数据、裂缝结构数据、矿石颗粒结构数据进行数据整合形成岩芯内部结构数据。
需要说明的是，由于岩芯基于钻探技术获取，得到的岩芯样品一般分裂为多段，取样段数即为目标岩芯的总段数。
所述若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域中，系统将循环进行判断，直至所有岩芯区域的岩芯长度符合预设条件。
根据本发明实施例，所述获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据，具体为：
获取目标岩芯中一个选定岩芯区域的第一横截面图像；
对第一横截面图像进行矿石颗粒区域识别与分布情况分析，得到矿石颗粒分布信息；
基于所述矿石颗粒分布信息对第一横截面图像进行图像区域分割，形成K个图像子区域，并保证每个图像子区域中的矿石颗粒密度在预设范围内；
对K个图像子区域进行矿石颗粒特征提取，得到对应K个矿石颗粒特征数据；
基于预设聚类算法，设定N个聚类中心；
根据所述N个聚类中心，基于标准欧氏距离，计算K个图像子区域中矿石颗粒特征数据到N个聚类中心的距离，以距离结果值作为优先聚类条件，将K个图像子区域中矿石颗粒特征数据进行聚类分组并形成N个特征组；
一个特征组包括至少一个矿石颗粒特征数据与一个图像子区域；
将一个特征组中的所有图像子区域进行区域融合，得到对应融合区域，分析其余特征组并形成N个融合区域。
需要说明的是，所述以距离结果值作为优先聚类条件即将每个矿石颗粒特征数据划分在离其距离最短的聚类中心形成一个特征组。所述预设聚类算法包括K-means、FuzzyC-means、Hierarchical等。另外，在岩芯样品中，一般包括多种矿石颗粒，其中的矿石颗粒的分析与颗粒的色彩纹理特征对于岩石特性分析具有重要作用。K的大小具体以矿石颗粒分布信息决定。N为用户预设值。
所述形成N个融合区域后，能够在后续进行基于融合区域的矿石识别与特征提取，从而实现快速、精准的矿石识别与特征提取。
根据本发明实施例，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，包括：
根据选定岩芯区域，从三维CT扫描数据进行相应横截面截取，得到CT横截面图像；
基于N个融合区域，从CT横截面图像中进行区域性矿石纹理特征提取，得到N组矿石纹理特征数据；
基于N个融合区域，从第一横截面图像进行矿石色彩特征提取，得到N组矿石色彩特征数据；
将一个融合区域中对应的一组矿石纹理特征数据与一组矿石色彩特征数据进行数据整合得到一组纹理色彩特征数据；
将所述一组纹理色彩特征数据与岩芯矿石对比数据库中的对比特征数据进行相似度分析与矿石类别识别，并得到矿石类别；
对所有融合区域的纹理色彩特征数据进行识别分析，并得到第一横截面图像中的岩芯矿石类别数据，将所有融合区域的纹理色彩特征数据进行数据整合得到岩芯纹理色彩特征数据。
需要说明的是，所述CT横截面图像与第一横截面图像对应在选定岩芯区域中截面位置相同，第一横截面图像与CT横截面图像的图像尺寸一致，另外三维CT扫描数据不包含色彩数据，CT横截面图像包含色彩数据。
值得一提的是，在CT横截面图像，其提取的纹理数据精细度比第一横截面图像中的高，本发明实施例中选择从CT横截面图像中进行纹理特征提取。第一横截面图像中包括N个融合区域。
在本发明中，通过选定岩芯区域的第一横截面图像与CT横截面图像进行相关特征提取，并基于预设聚类算法进行图像区域分组，得到融合区域，进一步以融合区域为单位进行矿石颗粒的识别，能够实现对岩芯横截面图的快速识别与纹理色彩特征的有效提取，从而在后续形成高精度、高辨识度、高色彩纹理还原度的三维岩芯模型。所述岩芯矿石对比数据库用于存储矿石对比特征数据。
根据本发明实施例，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，还包括：
基于岩芯内部结构数据对初始岩芯模型进行结构模型填充；
基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据，对初始岩芯模型中矿石颗粒进行色彩重绘与纹理修正，并形成整体三维岩芯模型。
需要说明的是，所述基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据中，通过本发明实施例方案，能够分析并获取所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据。
根据本发明实施例，所述根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域，具体为：
基于岩芯内部结构数据，分析每个岩芯区域的内部结构，基于孔隙结构、裂缝结构、矿石颗粒结构进行二维曲面提取，得到孔隙曲面模型、裂缝曲面模型、矿石曲面模型；
基于所述孔隙曲面模型、裂缝曲面模型、矿石曲面模型进行曲率计算与曲率变化连续性分析，得到孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数；
若孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数均大于预设指数，将对应的岩芯区域标记为连续性异常区域。
需要说明的是，所述进行曲率计算与曲率变化连续性分析中，具体为随机选取曲面中若干个点计算出多个曲率值，并基于位置关系分析其连续变化趋势，曲率变化指数越小，对应曲面连续度越高，断点、断层情况越少，不连续点的数据量也越少。
值得一提的是，在分析岩芯三维结构模型中，由于岩芯样品在采集相关图像数据中容易出现图像失真、模糊等情况，另外，受制于技术限制，在CT扫描数据中，其对应的内部结构亦会存在不完整，不连续的情况，而且在数据采集与转化过程中，亦可能出现部分数据丢失情况，因此，在分析岩芯三维模型中，不可避免会出现结构异常的情况。
本发明通过岩芯三维模型中异常区域的判断与修复，能够进一步提高岩芯模型数据的完整度与真实度，减少岩芯模型的错误与误差，实现高精度的模型建立。
根据本发明实施例，所述获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据，具体为:
基于目标岩芯，获取连续性异常区域中的前后邻近岩芯区域，得到前岩芯区域与后岩芯区域；
对前岩芯区域与后岩芯区域的岩芯结构数据，基于孔隙结构、裂缝结构、矿石颗粒三个维度进行中间区域的结构特征预测计算，得到结构预测数据；
将所述结构预测数据作为连续性异常区域的区域结构修正数据。
需要说明的是，所述结构特征预测计算中，具体为基于前后区域的孔隙曲面模型、裂缝曲面模型、矿石曲面模型的进行曲面连续性进行分析与线性预测计算，得到结构预测数据。
根据本发明实施例，还包括：
将目标岩芯的内部结构数据进行基于CAD格式的数据转化，得到内部结构特征信息；
获取所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据；
将所述岩芯纹理色彩特征数据与岩芯矿石类别数据进行CAD格式转化，得到基于CAD的岩芯色彩描述数据与矿石类别标注信息；
将整体三维岩芯模型转化为CAD岩芯模型；
基于内部结构特征信息，对CAD岩芯模型进行结构判断与修正；
基于岩芯色彩描述数据与矿石类别标注信息，对所述CAD岩芯模型进行矿石颗粒的纹理与色彩修正并附加对应标注信息；
通过预设终端设备进行CAD岩芯模型进行展示。
需要说明的是，所述内部结构特征信息为基于CAD格式的数据描述信息，能够用于判断CAD模型是否符合一定的结构特征，且进一步能够用于修正CAD模型结构。所述预设终端设备包括计算机与移动终端设备。
值得一提的是，在岩芯模型的研究上，CAD模型是一种较为重要的模型，通过CAD模型进行岩芯数据分析能够满足多个领域的岩芯分析需求。但在岩芯模型的建立上，如果简单将CT格式或其他格式的模型进行转化，得到的CAD模型将容易存在结构不完整、结构误差大、岩芯表层与内部还原度低等问题。
因此，本发明通过先建立一定结构的三维模型，再进行CAD格式的转化，并基于分析得到的结构、色彩、类型标注等信息进行CAD模型的修正，能够在一定程度上，实现高精度的模型转化与还原，使CAD模型更加贴近真实模型，提高CAD研究模型的精度，有助于在后续的岩性分析中得到更加精确的特性数据。
本发明第三方面还提供一种计算机可读存储介质，所述计算机可读存储介质中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被处理器执行时，实现如上述任一项所述的基于机器视觉的岩芯智能识别方法的步骤。
本发明公开了一种基于机器视觉的岩芯智能识别方法、系统及存储介质，基于目标岩芯高清图像数据进行基于三维的岩芯模型搭建，基于三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；通过本发明能够实现基于结构、色彩、纹理等多维度的高精度三维模型建立。另外，通过本发明能够实现异常区域的判断分析与修正，提高模型精确度。
在本申请所提供的几个实施例中，应该理解到，所揭露的设备和方法，可以通过其它的方式实现。以上所描述的设备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，如：多个单元或组件可以结合，或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，所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口，设备或单元的间接耦合或通信连接，可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的，作为单元显示的部件可以是、或也可以不是物理单元；既可以位于一个地方，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全部单元来实现本实施例方案的目的。
另外，在本发明各实施例中的各功能单元可以全部集成在一个处理单元中，也可以是各单元分别单独作为一个单元，也可以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，也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：移动存储设备、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。
或者，本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也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，本发明实施例的技术方案本质上或者说对现有技术做出贡献的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）执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括：移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.一种基于机器视觉的岩芯智能识别方法，其特征在于，包括：
获取目标岩芯多个预设角度的高清图像数据；
基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型；
其中，所述获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据，具体为：
获取目标岩芯中一个选定岩芯区域的第一横截面图像；
对第一横截面图像进行矿石颗粒区域识别与分布情况分析，得到矿石颗粒分布信息；
基于所述矿石颗粒分布信息对第一横截面图像进行图像区域分割，形成K个图像子区域，并保证每个图像子区域中的矿石颗粒密度在预设范围内；
对K个图像子区域进行矿石颗粒特征提取，得到对应K个矿石颗粒特征数据；
基于预设聚类算法，设定N个聚类中心；
根据所述N个聚类中心，基于标准欧氏距离，计算K个图像子区域中矿石颗粒特征数据到N个聚类中心的距离，以距离结果值作为优先聚类条件，将K个图像子区域中矿石颗粒特征数据进行聚类分组并形成N个特征组；
一个特征组包括至少一个矿石颗粒特征数据与一个图像子区域；
将一个特征组中的所有图像子区域进行区域融合，得到对应融合区域，分析其余特征组并形成N个融合区域；
其中，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，包括：
根据选定岩芯区域，从三维CT扫描数据进行相应横截面截取，得到CT横截面图像；
基于N个融合区域，从CT横截面图像中进行区域性矿石纹理特征提取，得到N组矿石纹理特征数据；
基于N个融合区域，从第一横截面图像进行矿石色彩特征提取，得到N组矿石色彩特征数据；
将一个融合区域中对应的一组矿石纹理特征数据与一组矿石色彩特征数据进行数据整合得到一组纹理色彩特征数据；
将所述一组纹理色彩特征数据与岩芯矿石对比数据库中的对比特征数据进行相似度分析与矿石类别识别，并得到矿石类别；
对所有融合区域的纹理色彩特征数据进行识别分析，并得到第一横截面图像中的岩芯矿石类别数据，将所有融合区域的纹理色彩特征数据进行数据整合得到岩芯纹理色彩特征数据。
2.根据权利要求1所述的一种基于机器视觉的岩芯智能识别方法，其特征在于，所述基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型，具体为：
获取目标岩芯多个预设角度的高清图像数据，选取一个角度的高清图像数据作为当前图像数据；
基于所述当前图像数据进行岩芯区域识别得到岩芯表层图像；基于所述岩芯表层图像进行色彩与纹理特征提取，得到表层图像特征数据；
根据预设图像比例值与岩芯表层图像，计算出岩芯实际轮廓大小与表层面积值；
分析目标岩芯其余角度的高清图像数据，得到每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值；
基于所述每个角度对应的表层图像特征数据、岩芯实际轮廓大小、表层面积值进行基于三维的表层模型搭建，得到初始岩芯模型。
3.根据权利要求1所述的一种基于机器视觉的岩芯智能识别方法，其特征在于，所述获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据，具体为：
获取目标岩芯三维CT扫描数据；
基于目标岩芯的取样段数划分为多个岩芯区域，判断每个岩芯区域中的岩芯长度是否大于预设长度，若大于，则将对应的一个岩芯区域进行再次划分，形成两个岩芯区域；
根据所述三维CT扫描数据进行基于孔隙、裂缝、矿石颗粒的空间结构分析与结构数据提取，得到孔隙结构数据、裂缝结构数据、矿石颗粒结构数据；
将所述孔隙结构数据、裂缝结构数据、矿石颗粒结构数据进行数据整合形成岩芯内部结构数据。
4.根据权利要求1所述的一种基于机器视觉的岩芯智能识别方法，其特征在于，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，还包括：
基于岩芯内部结构数据对初始岩芯模型进行结构模型填充；
基于所有岩芯区域的岩芯纹理色彩特征数据与岩芯矿石类别数据，对初始岩芯模型中矿石颗粒进行色彩重绘与纹理修正，并形成整体三维岩芯模型。
5.根据权利要求4所述的一种基于机器视觉的岩芯智能识别方法，其特征在于，所述根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域，具体为：
基于岩芯内部结构数据，分析每个岩芯区域的内部结构，基于孔隙结构、裂缝结构、矿石颗粒结构进行二维曲面提取，得到孔隙曲面模型、裂缝曲面模型、矿石曲面模型；
基于所述孔隙曲面模型、裂缝曲面模型、矿石曲面模型进行曲率计算与曲率变化连续性分析，得到孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数；
若孔隙曲率变化指数、裂缝曲率变化指数、矿石曲率变化指数均大于预设指数，将对应的岩芯区域标记为连续性异常区域。
6.根据权利要求5所述的一种基于机器视觉的岩芯智能识别方法，其特征在于，所述获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据，具体为:
基于目标岩芯，获取连续性异常区域中的前后邻近岩芯区域，得到前岩芯区域与后岩芯区域；
对前岩芯区域与后岩芯区域的岩芯结构数据，基于孔隙结构、裂缝结构、矿石颗粒三个维度进行中间区域的结构特征预测计算，得到结构预测数据；
将所述结构预测数据作为连续性异常区域的区域结构修正数据。
7.一种基于机器视觉的岩芯智能识别系统，其特征在于，该系统包括：存储器、处理器，所述存储器中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被所述处理器执行时实现如下步骤：
获取目标岩芯多个预设角度的高清图像数据；
基于所述高清图像数据进行基于三维的岩芯模型搭建，得到初始岩芯模型；
获取目标岩芯三维CT扫描数据，基于所述三维CT扫描数据进行岩芯内部结构提取，得到岩芯内部结构数据；
获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据；
基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型；
根据岩芯内部结构数据进行基于曲率计算的内部结构连续性分析判断，在整体三维岩芯模型中，将结构连续性存在异常的区域标记为连续性异常区域；
获取连续性异常区域中前后区域内的岩芯结构数据，基于所述岩芯结构数据对连续性异常区域进行连续性结构预测并生成区域结构修正数据；
基于所述区域结构修正数据对连续性异常区域进行结构修正，并得到修正后的整体三维岩芯模型；
其中，所述获取目标岩芯第一横截面图像与CT横截面图像，基于所述第一横截面图像与CT横截面图像进行岩芯颗粒识别与色彩特征提取，得到岩芯纹理色彩特征数据，具体为：
获取目标岩芯中一个选定岩芯区域的第一横截面图像；
对第一横截面图像进行矿石颗粒区域识别与分布情况分析，得到矿石颗粒分布信息；
基于所述矿石颗粒分布信息对第一横截面图像进行图像区域分割，形成K个图像子区域，并保证每个图像子区域中的矿石颗粒密度在预设范围内；
对K个图像子区域进行矿石颗粒特征提取，得到对应K个矿石颗粒特征数据；
基于预设聚类算法，设定N个聚类中心；
根据所述N个聚类中心，基于标准欧氏距离，计算K个图像子区域中矿石颗粒特征数据到N个聚类中心的距离，以距离结果值作为优先聚类条件，将K个图像子区域中矿石颗粒特征数据进行聚类分组并形成N个特征组；
一个特征组包括至少一个矿石颗粒特征数据与一个图像子区域；
将一个特征组中的所有图像子区域进行区域融合，得到对应融合区域，分析其余特征组并形成N个融合区域；
其中，所述基于岩芯纹理色彩特征数据与岩芯内部结构数据对初始岩芯模型进行内部结构填充形成整体三维岩芯模型，包括：
根据选定岩芯区域，从三维CT扫描数据进行相应横截面截取，得到CT横截面图像；
基于N个融合区域，从CT横截面图像中进行区域性矿石纹理特征提取，得到N组矿石纹理特征数据；
基于N个融合区域，从第一横截面图像进行矿石色彩特征提取，得到N组矿石色彩特征数据；
将一个融合区域中对应的一组矿石纹理特征数据与一组矿石色彩特征数据进行数据整合得到一组纹理色彩特征数据；
将所述一组纹理色彩特征数据与岩芯矿石对比数据库中的对比特征数据进行相似度分析与矿石类别识别，并得到矿石类别；
对所有融合区域的纹理色彩特征数据进行识别分析，并得到第一横截面图像中的岩芯矿石类别数据，将所有融合区域的纹理色彩特征数据进行数据整合得到岩芯纹理色彩特征数据。
8.一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中包括基于机器视觉的岩芯智能识别程序，所述基于机器视觉的岩芯智能识别程序被处理器执行时，实现如权利要求1至6中任一项所述的基于机器视觉的岩芯智能识别方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310969014.3A CN116977999B (zh) | 2023-08-03 | 2023-08-03 | 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310969014.3A CN116977999B (zh) | 2023-08-03 | 2023-08-03 | 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116977999A CN116977999A (zh) | 2023-10-31 |
| CN116977999B true CN116977999B (zh) | 2024-03-08 |
Family
ID=88479396
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310969014.3A Active CN116977999B (zh) | 2023-08-03 | 2023-08-03 | 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116977999B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
| CN112037318A (zh) * | 2020-07-22 | 2020-12-04 | 山东大学 | 三维岩体结构模型的构建方法、系统及模型的应用 |
| CN113296166A (zh) * | 2021-05-27 | 2021-08-24 | 北京艾迪博科油气技术有限公司 | 裂缝模型的构建方法 |
| CN113515847A (zh) * | 2021-05-12 | 2021-10-19 | 中国矿业大学 | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 |
| CA3153910A1 (en) * | 2021-03-31 | 2022-09-30 | Chevron U.S.A. Inc. | Systems and methods for identifying geostructural properties as a function of position in a subsurface region of interest |
| CN115147539A (zh) * | 2022-03-14 | 2022-10-04 | 中海油能源发展股份有限公司 | 一种基于指示克里金的孔隙结构剩余油表征方法 |
| CN116310784A (zh) * | 2022-12-20 | 2023-06-23 | 西南石油大学 | 一种基于图像拉平处理的岩芯图片裂缝识别方法 |
-
2023
- 2023-08-03 CN CN202310969014.3A patent/CN116977999B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556703A (zh) * | 2009-05-16 | 2009-10-14 | 中国石油大学(华东) | 基于连续切片图像的网络模型建立方法 |
| CN110135311A (zh) * | 2019-05-06 | 2019-08-16 | 重庆科技学院 | 一种基于三维岩心扫描图像的孔隙与孔喉识别系统及方法 |
| CN112037318A (zh) * | 2020-07-22 | 2020-12-04 | 山东大学 | 三维岩体结构模型的构建方法、系统及模型的应用 |
| CA3153910A1 (en) * | 2021-03-31 | 2022-09-30 | Chevron U.S.A. Inc. | Systems and methods for identifying geostructural properties as a function of position in a subsurface region of interest |
| CN113515847A (zh) * | 2021-05-12 | 2021-10-19 | 中国矿业大学 | 一种基于K-means聚类算法的非均质岩石数字岩芯建模方法 |
| CN113296166A (zh) * | 2021-05-27 | 2021-08-24 | 北京艾迪博科油气技术有限公司 | 裂缝模型的构建方法 |
| CN115147539A (zh) * | 2022-03-14 | 2022-10-04 | 中海油能源发展股份有限公司 | 一种基于指示克里金的孔隙结构剩余油表征方法 |
| CN116310784A (zh) * | 2022-12-20 | 2023-06-23 | 西南石油大学 | 一种基于图像拉平处理的岩芯图片裂缝识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 准噶尔盆地玛湖油田优快钻地质因素研究;付基友;《录 井 工 程·地 质 研 究》;第33卷(第2期);115-121 * |
| 地震地质工程一体化技术及其...山地页岩气勘探开发中的应用;梁 兴;《天然气工业》;第42卷(第增刊1期);8-15 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116977999A (zh) | 2023-10-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106709946B (zh) | 基于LiDAR点云的多分裂导线自动提取与精细建模方法 | |
| CN110929607B (zh) | 一种城市建筑物施工进度的遥感识别方法和系统 | |
| CN104299260B (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
| CN111598823A (zh) | 多源移动测量点云数据空地一体化融合方法、存储介质 | |
| CN110675408A (zh) | 基于深度学习的高分辨率影像建筑物提取方法及系统 | |
| CN108074232B (zh) | 一种基于体元分割的机载lidar建筑物检测方法 | |
| CN111462134A (zh) | 高分遥感影像和激光雷达点云融合的单木分割方法及系统 | |
| CN110427441B (zh) | 一种基于空天地一体化技术的铁路外部环境隐患检测和管理方法 | |
| CN110363299B (zh) | 面向露头岩层分层的空间案例推理方法 | |
| CN117058446B (zh) | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 | |
| CN112529044B (zh) | 基于车载LiDAR的铁路接触网提取分类的方法 | |
| Lang et al. | Pavement cracking detection and classification based on 3d image using multiscale clustering model | |
| CN116977999B (zh) | 一种基于机器视觉的岩芯智能识别方法、系统及存储介质 | |
| CN116823896A (zh) | 一种高植被覆盖下靶矿区范围预测方法、装置及电子设备 | |
| CN112634447A (zh) | 一种露头岩层分层方法、装置、设备及存储介质 | |
| CN117036971A (zh) | 自适应局部空谱一致下的机载LiDAR数据建筑物提取方法 | |
| CN111444824A (zh) | 一种基于无人机技术的植被空间分布格局调查方法及植被分类方法 | |
| CN116412759A (zh) | 一种利用三维激光扫描仪进行林业调查的方法 | |
| CN106709473B (zh) | 一种基于体元的机载lidar道路提取方法 | |
| CN117173364B (zh) | 基于建筑立体绘图的切片出图方法及系统 | |
| CN117152619B (zh) | 基于高分辨率建筑物遥感影像数据的优化训练方法 | |
| CN114037695B (zh) | 一种基于ct扫描图像的复杂裂缝网络开度分析方法 | |
| CN116863099B (zh) | 一种基于点云数据的建筑物自动化建模方法及系统 | |
| CN115937229B (zh) | 一种基于超体素和图割算法的三维自动分割方法及装置 | |
| CN117854061B (zh) | 基于三维点云的隧道掌子面迹线裂隙提取方法及系统 |
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 |