CN117058446A - 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 - Google Patents
一种钻探岩芯特征的智能识别描述方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117058446A CN117058446A CN202310969059.0A CN202310969059A CN117058446A CN 117058446 A CN117058446 A CN 117058446A CN 202310969059 A CN202310969059 A CN 202310969059A CN 117058446 A CN117058446 A CN 117058446A
- Authority
- CN
- China
- Prior art keywords
- core
- features
- identified
- image
- lithology
- 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.)
- Granted
Links
- 238000005553 drilling Methods 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 239000011435 rock Substances 0.000 claims abstract description 77
- 239000011159 matrix material Substances 0.000 claims description 17
- 238000011176 pooling Methods 0.000 claims description 16
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 238000001914 filtration Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 7
- 230000004927 fusion Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000003708 edge detection Methods 0.000 claims description 5
- 238000004380 ashing Methods 0.000 claims description 4
- 238000002591 computed tomography Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 claims description 4
- 230000002708 enhancing effect Effects 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 2
- 239000000284 extract Substances 0.000 abstract description 3
- 230000004913 activation Effects 0.000 description 6
- 238000005259 measurement Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 239000011800 void material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- 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
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/40—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
- G06V10/70—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
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种钻探岩芯特征的智能描述方法、系统及存储介质,包括,获取待识别岩芯的扫描图像信息,根据预处理后的扫描图像信息提取图像特征,通过图像特征结合尺寸特征建立三维岩芯模型;提取待识别岩芯的切片图像,提取纹理特征及几何特征获取岩性特征;通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。本方法准确提取待识别岩芯的岩性物理特征,提高岩芯识别及岩性特征描述的效率及准确性,减少了人力成本,为岩土作业及勘探预测提供数据依据。
Description
技术领域
本发明涉及地质勘探技术领域,更具体的,涉及一种钻探岩芯特征的智能识别描述方法、系统及存储介质。
背景技术
随着地质勘查、勘探、采矿业的发展,人们越来越注重获得的地层、岩芯以及矿体地质资料的丰富性、准确性、完整性,对其进行地质编录的客观性以及对这些信息进行统一管理的重要性。岩芯是根据地质勘查工作或工程的需要,使用环状岩芯钻头及其他取芯工具,从钻孔内取出的圆柱状岩石样品,是研究和了解地下地质和矿产情况的重要实物地质资料,为地质工程提供了客观的地质信息资料,能够更准确地对地质条件进行评价。
现有地质工程中的岩芯编录方法主要依赖手工测量方案对放入岩芯盘内的岩芯进行测量与拍摄,在取得岩芯之后,需要对样本进行检测,并进行编录工作,其中包括对岩芯的图像采集,整个检测、编录的过程繁琐、复杂,需要耗费大量人工精力,并且手工测量及专业水平参差不可避免地存在着测量误差,图像放大后易失帧,影响岩芯编录数据准确性;测量结果数据存储没有统一管理系统,数据转化步骤复杂,数据安全性低,数据遗失、混乱风险大。综上,目前的岩芯识别描述会使其物理特性分析产生较大偏差,导致实际生产和应用中的误判,因此如何对岩芯特征进行精准识别及描述是需要解决的问题。
发明内容
为了解决上述技术问题,本发明提出了一种钻探岩芯特征的智能识别描述方法、系统及存储介质。
本发明第一方面提供了一种钻探岩芯特征的智能识别描述方法,包括:
获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
本方案中,根据预处理后的扫描图像信息提取图像特征,具体为:
通过CT扫描技术获取岩芯箱中待识别岩芯的扫描图像信息集合,将扫描图像信息进行灰化处理得到灰化图像,将所述灰化图像进行滤波去噪及图像增强,对图像增强后的扫描图像信息进行背景滤除,获取预处理后的扫描图像信息;
根据所述预处理后的扫描图像信息若干图像块,利用空洞卷积对卷积神经网络进行优化,将若干图像块导入优化后的卷积神经网络,提取不同尺度特征图,获取图像块的局部感兴趣特征;
将所述局部感兴趣特征进行特征拼接,获取全局感兴趣特征,将卷积神经网络与区域生成网络进行级联,利用所述全局感兴趣特征作为区域生成网络的输入;
通过所述区域生成网络输出不同尺度的建议区域,根据锚框回归获取扫描图像信息中的感兴趣区域,获取感兴趣区域中的待识别岩芯的轮廓信息,进行二值化处理获取二值化图像,提取二值化特征作为图像特征。
本方案中,通过图像特征结合尺寸特征建立三维岩芯模型,具体为:
获取扫描图像信息中的感兴趣区域,将所述感兴趣区域导入U-Net网络进行编码完成感兴趣区域下采样,在编码过程中引入空间注意力模块及通道注意力机模块;
将特征图进行池化操作后获取通道描述导入通道注意力模块获取通道注意力权重,通过所述通道注意力权重结合输入的特征图得到通道注意力模块的输出;
将通道注意力模块的输出导入空间注意力模块,进行池化操作后将通道描述进行拼接叠加,根据叠加后的通道描述获取空间注意力权重,结合空间注意力模块输入的特征获取最终特征;
将所述最终特征利用解码器输出完成感兴趣区域上采样,通过sigmoid函数将感兴趣区域中的空隙与岩体进行区分,输出二值化图像并提取图像特征;
获取岩芯箱的标准尺寸,通过所述二值化图像计算待识别岩芯在图像中的像素尺寸与实际尺寸的比例关系,获取待识别岩芯的尺寸特征;
利用所述尺寸特征及图像特征建立待识别岩芯的三维岩芯模型。
本方案中,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征,具体为:
根据待识别岩芯的三维岩芯模型截取不同断面的切片图像,采用Canny边缘检测算子获取所述切片图像的边缘信息;
获取切片图像的灰度共生矩阵,基于大数据方法获取岩芯识别实例,提取所述岩芯识别实例中对应二值化图像的灰度共生矩阵对应的纹理特征指标,获取各纹理特征指标的使用频率,通过预设阈值选取高频纹理特征指标;
根据切片图像的灰度共生矩阵结合所述高频纹理特征指标获取纹理特征图像,将所述切片图像与所述纹理特征图像进行加权融合获取增强后的切片图像;
提取增强后切片图像中空隙区域的形状特征及位置特征,并获取空隙区域的像素点个数与切片图像的总像素和之间的比值,根据所述形状特征及位置特征结合所述比值获取几何特征;
根据切片图像的纹理特征及几何特征表征待识别岩芯的岩性特征。
本方案中,通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,具体为:
获取待识别岩芯的三维岩芯模型中不同切片图像对应的岩性特征,并计算不同切片图像岩性特征之间的欧式距离获取相似度,获取不同切片图像的相似度分布图;
获取相似度大于预设相似度阈值的岩性特征进行标记,利用标记的岩性特征计算与不同种类岩芯的标准岩性特征之间的平均曼哈顿距离;
将待识别岩芯归于平均曼哈顿距离最近的岩芯种类,获取待识别岩芯的识别结果,根据所述岩芯种类生成种类标签。
本方案中,通过计算待识别岩芯的岩石质量指标进行分类,具体为:
在钻探过程中根据测量每个回次的岩芯长度和采取率计算底层的孔深及层厚,将每个回次进尺相加,得到地层的孔深,所述地层的孔深=回次进尺1+回次进尺2+...+回次进尺n+(回次进尺n+1处当前截岩芯的实际长度/当前回次的采取率);
根据识别出的连续岩芯长度总和、岩芯样本的总长度计算待识别岩芯的岩石质量指标RQD,所述岩石质量指标RQD=(连续岩石芯的长度总和/岩芯样本的总长度)×100%;
根据所述岩石质量指标通过预设评价体系获取岩石质量等级,根据所述岩石质量等级生成待识别岩芯的数据标签,通过数据标签进行待识别岩芯的分类。
本发明第二方面还提供了一种钻探岩芯特征的智能识别描述系统,该系统包括:存储器、处理器,所述存储器中包括钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被所述处理器执行时实现如下步骤:
获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
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钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被处理器执行时,实现如上述任一项所述的钻探岩芯特征的智能识别描述方法的步骤。
本发明公开了一种钻探岩芯特征的智能描述方法、系统及存储介质,包括,,获取待识别岩芯的扫描图像信息,根据预处理后的扫描图像信息提取图像特征,通过图像特征结合尺寸特征建立三维岩芯模型;提取待识别岩芯的切片图像,提取纹理特征及几何特征获取岩性特征;通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。本方法准确提取待识别岩芯的岩性物理特征,提高岩芯识别及岩性特征描述的效率及准确性,减少了人力成本,为岩土作业及勘探预测提供数据依据。
附图说明
图1示出了本发明一种钻探岩芯特征的智能识别描述方法的流程图;
图2示出了本发明建立三维岩芯模型的流程图;
图3示出了本发明利用纹理特征及几何特征获取岩性特征的流程图;
图4示出了本发明一种钻探岩芯特征的智能识别描述系统的框图。
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示出了本发明一种钻探岩芯特征的智能识别描述方法的流程图。
如图1所示,本发明第一方面提供了一种钻探岩芯特征的智能识别描述方法,包括:
S102,获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
S104,根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
S106,通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
S108,根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
需要说明的是,通过高分辨率相机或CT扫描技术获取岩芯箱中待识别岩芯的扫描图像信息集合,将扫描图像信息进行灰化处理得到灰化图像,将所述灰化图像使用均值滤波或中值滤波进行滤波去噪及图像增强,对图像增强后的扫描图像信息进行背景滤除,获取预处理后的扫描图像信息;根据所述预处理后的扫描图像信息若干图像块,减少图像处理的运算复杂度,利用空洞卷积对卷积神经网络进行优化,将若干图像块导入优化后的卷积神经网络,提取不同尺度特征图,获取图像块的局部感兴趣特征;将所述局部感兴趣特征进行特征拼接,获取全局感兴趣特征,将卷积神经网络与区域生成网络进行级联,利用所述全局感兴趣特征作为区域生成网络的输入;通过所述区域生成网络输出不同尺度的建议区域,根据锚框回归获取扫描图像信息中的感兴趣区域,获取感兴趣区域中的待识别岩芯的轮廓信息,进行二值化处理获取二值化图像,提取二值化特征作为图像特征。
图2示出了本发明建立三维岩芯模型的流程图。
根据本发明实施例,通过图像特征结合尺寸特征建立三维岩芯模型,具体为:
S202,获取扫描图像信息中的感兴趣区域,将所述感兴趣区域导入U-Net网络进行编码完成感兴趣区域下采样,在编码过程中引入空间注意力模块及通道注意力机模块;
S204,将特征图进行池化操作后获取通道描述导入通道注意力模块获取通道注意力权重,通过所述通道注意力权重结合输入的特征图得到通道注意力模块的输出;
S206,将通道注意力模块的输出导入空间注意力模块,进行池化操作后将通道描述进行拼接叠加,根据叠加后的通道描述获取空间注意力权重,结合空间注意力模块输入的特征获取最终特征;
S208,将所述最终特征利用解码器输出完成感兴趣区域上采样,通过sigmoid函数将感兴趣区域中的空隙与岩体进行区分,输出二值化图像并提取图像特征;
S210,获取岩芯箱的标准尺寸,通过所述二值化图像计算待识别岩芯在图像中的像素尺寸与实际尺寸的比例关系,获取待识别岩芯的尺寸特征;
S212,利用所述尺寸特征及图像特征建立待识别岩芯的三维岩芯模型。
需要说明的是,通过设置通道卷积模块及空间卷积模块替换U-NET网络中的瓶颈层的两个卷积层,在通道注意力模块中,将输入的特征图经过全局平均池化和全局最大池化操作,两个池化操作各输出一个通道描述,将两个通道描述经过卷积操作输出高维度特征进行相加,并通过激活函数获取通道注意力权重,结合输入的特征图得到通道注意力模块的输出;空间注意力模块与通道注意力模块相同,经过两个池化操作获取两个通道描述,将通道描述输入卷积层获取卷积输出,经过激活函数进行激活获取空间注意力权重。利用空间注意力模块及通道注意力机模块将注意力放在感兴趣区域的空隙上,从而精准判断像素是属于前景或背景,获取精准的二值化图像。
图3示出了本发明利用纹理特征及几何特征获取岩性特征的流程图。
根据本发明实施例,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征,具体为:
S302,根据待识别岩芯的三维岩芯模型截取不同断面的切片图像,采用Canny边缘检测算子获取所述切片图像的边缘信息;
S304,获取切片图像的灰度共生矩阵,基于大数据方法获取岩芯识别实例,提取所述岩芯识别实例中对应二值化图像的灰度共生矩阵对应的纹理特征指标,获取各纹理特征指标的使用频率,通过预设阈值选取高频纹理特征指标;
S306,根据切片图像的灰度共生矩阵结合所述高频纹理特征指标获取纹理特征图像,将所述切片图像与所述纹理特征图像进行加权融合获取增强后的切片图像;
S308,提取增强后切片图像中空隙区域的形状特征及位置特征,并获取空隙区域的像素点个数与切片图像的总像素和之间的比值,根据所述形状特征及位置特征结合所述比值获取几何特征;
S310,根据切片图像的纹理特征及几何特征表征待识别岩芯的岩性特征。
需要说明的是,灰度共生矩阵提取切片图像的纹理特征,其中纹理特征指标包括均值、方差、同质性、对比度、相异性、熵、能量和自相关等,选取高频纹理特征指进行纹理特征的提取,获取纹理特征图像,进行加权融合获取增强后的切片图像,为每幅图像设置权重,输出的增强后图像表示为:/>,其中,表示取饱和值,/>/>分别表示切片图像及纹理特征图像对应的权重,二者相加为1,/>分别表示切片图像及纹理特征图像,/>表示亮度值。
需要说明的是,获取待识别岩芯的三维岩芯模型中不同切片图像对应的岩性特征,并计算不同切片图像岩性特征之间的欧式距离获取相似度,获取不同切片图像的相似度分布图;获取相似度大于预设相似度阈值的岩性特征进行标记,说明标记的岩性特征在三维岩性模型中分布最广,表征待识别岩芯的种类。利用标记的岩性特征计算与不同种类岩芯的标准岩性特征之间的平均曼哈顿距离;将待识别岩芯归于平均曼哈顿距离最近的岩芯种类,获取待识别岩芯的识别结果,根据所述岩芯种类生成种类标签。
需要说明的是,在钻探过程中根据测量每个回次的岩芯长度和采取率计算底层的孔深及层厚,将每个回次进尺相加,得到地层的孔深,所述地层的孔深=回次进尺1+回次进尺2+...+回次进尺n+(回次进尺n+1处当前截岩芯的实际长度/当前回次的采取率);根据识别出的连续岩芯长度总和、岩芯样本的总长度计算待识别岩芯的岩石质量指标RQD,所述岩石质量指标RQD=(连续岩石芯的长度总和/岩芯样本的总长度)×100%;根据所述岩石质量指标通过预设评价体系获取岩石质量等级,根据所述岩石质量等级生成待识别岩芯的数据标签,通过数据标签进行待识别岩芯的分类。
根据获取的岩芯图片信息、尺寸信息和特征描述,通过CAD软件生成包含岩芯所有信息的CAD图。CAD图可以显示岩芯的几何形状、尺寸标注、岩性特征描述、层位代号,分层孔深,分层真厚,孔深,进尺,岩性长,采取率等。根据获取的岩芯扫描图像信息的CAD图、岩性特征描述及识别分类结果进行待识别岩芯的编录,导入预设数据库中。
根据本发明实施例,监测钻进参数,进行钻进过程的安全预警,具体为:
获取钻探过程中的历史钻进参数,根据所述历史钻进参数与岩芯取芯率及钻头漏失频率结合生成历史钻进参数序列,分析历史钻进参数的钻进工况,根据所述钻进工况设置序列标签;
构建钻进参数数据库,将待序列标签的历史钻进参数序列存入所述钻进参数数据库中,根据故障类别将历史钻进参数序列的历史钻进参数样本进行聚类,建立故障类簇与历史钻进参数样本的对应关系,更新历史钻进参数样本集合;
获取当前钻进参数,通过归一化、滑动平均和最小二乘线性拟合方法,进行钻进参数拟合,获取钻进参数趋势特征,根据所述钻进参数趋势特征计算与更新后历史钻进参数样本集合中的钻进参数样本的相似度;
筛选相似度符合预设标准的钻进参数样本,提取筛选钻进参数样本的故障标签,基于所述故障标签生成安全预警信息,结合实际钻进数据,对钻进过程中的安全预警信息进行验证;
根据验证信息对钻进参数数据库中的聚类操作与相似度标准进行调整优化。
图4示出了本发明一种钻探岩芯特征的智能识别描述系统的框图。
本发明第二方面还提供了一种钻探岩芯特征的智能识别描述系统4,该系统包括:存储器41、处理器42,所述存储器中包括钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被所述处理器执行时实现如下步骤:
获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
需要说明的是,通过高分辨率相机或CT扫描技术获取岩芯箱中待识别岩芯的扫描图像信息集合,将扫描图像信息进行灰化处理得到灰化图像,将所述灰化图像使用均值滤波或中值滤波进行滤波去噪及图像增强,对图像增强后的扫描图像信息进行背景滤除,获取预处理后的扫描图像信息;根据所述预处理后的扫描图像信息若干图像块,减少图像处理的运算复杂度,利用空洞卷积对卷积神经网络进行优化,将若干图像块导入优化后的卷积神经网络,提取不同尺度特征图,获取图像块的局部感兴趣特征;将所述局部感兴趣特征进行特征拼接,获取全局感兴趣特征,将卷积神经网络与区域生成网络进行级联,利用所述全局感兴趣特征作为区域生成网络的输入;通过所述区域生成网络输出不同尺度的建议区域,根据锚框回归获取扫描图像信息中的感兴趣区域,获取感兴趣区域中的待识别岩芯的轮廓信息,进行二值化处理获取二值化图像,提取二值化特征作为图像特征。
根据本发明实施例,通过图像特征结合尺寸特征建立三维岩芯模型,具体为:
获取扫描图像信息中的感兴趣区域,将所述感兴趣区域导入U-Net网络进行编码完成感兴趣区域下采样,在编码过程中引入空间注意力模块及通道注意力机模块;
将特征图进行池化操作后获取通道描述导入通道注意力模块获取通道注意力权重,通过所述通道注意力权重结合输入的特征图得到通道注意力模块的输出;
将通道注意力模块的输出导入空间注意力模块,进行池化操作后将通道描述进行拼接叠加,根据叠加后的通道描述获取空间注意力权重,结合空间注意力模块输入的特征获取最终特征;
将所述最终特征利用解码器输出完成感兴趣区域上采样,通过sigmoid函数将感兴趣区域中的空隙与岩体进行区分,输出二值化图像并提取图像特征;
获取岩芯箱的标准尺寸,通过所述二值化图像计算待识别岩芯在图像中的像素尺寸与实际尺寸的比例关系,获取待识别岩芯的尺寸特征;
利用所述尺寸特征及图像特征建立待识别岩芯的三维岩芯模型。
需要说明的是,通过设置通道卷积模块及空间卷积模块替换U-NET网络中的瓶颈层的两个卷积层,在通道注意力模块中,将输入的特征图经过全局平均池化和全局最大池化操作,两个池化操作各输出一个通道描述,将两个通道描述经过卷积操作输出高维度特征进行相加,并通过激活函数获取通道注意力权重,结合输入的特征图得到通道注意力模块的输出;空间注意力模块与通道注意力模块相同,经过两个池化操作获取两个通道描述,将通道描述输入卷积层获取卷积输出,经过激活函数进行激活获取空间注意力权重。利用空间注意力模块及通道注意力机模块将注意力放在感兴趣区域的空隙上,从而精准判断像素是属于前景或背景,获取精准的二值化图像。
根据本发明实施例,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征,具体为:
根据待识别岩芯的三维岩芯模型截取不同断面的切片图像,采用Canny边缘检测算子获取所述切片图像的边缘信息;
获取切片图像的灰度共生矩阵,基于大数据方法获取岩芯识别实例,提取所述岩芯识别实例中对应二值化图像的灰度共生矩阵对应的纹理特征指标,获取各纹理特征指标的使用频率,通过预设阈值选取高频纹理特征指标;
根据切片图像的灰度共生矩阵结合所述高频纹理特征指标获取纹理特征图像,将所述切片图像与所述纹理特征图像进行加权融合获取增强后的切片图像;
提取增强后切片图像中空隙区域的形状特征及位置特征,并获取空隙区域的像素点个数与切片图像的总像素和之间的比值,根据所述形状特征及位置特征结合所述比值获取几何特征;
根据切片图像的纹理特征及几何特征表征待识别岩芯的岩性特征。
需要说明的是,灰度共生矩阵提取切片图像的纹理特征,其中纹理特征指标包括均值、方差、同质性、对比度、相异性、熵、能量和自相关等,选取高频纹理特征指进行纹理特征的提取,获取纹理特征图像,进行加权融合获取增强后的切片图像,为每幅图像设置权重,输出的增强后图像表示为:/>,其中,表示取饱和值,/>、/>分别表示切片图像及纹理特征图像对应的权重,二者相加为1,/>分别表示切片图像及纹理特征图像,/>表示亮度值。
需要说明的是,获取待识别岩芯的三维岩芯模型中不同切片图像对应的岩性特征,并计算不同切片图像岩性特征之间的欧式距离获取相似度,获取不同切片图像的相似度分布图;获取相似度大于预设相似度阈值的岩性特征进行标记,说明标记的岩性特征在三维岩性模型中分布最广,表征待识别岩芯的种类。利用标记的岩性特征计算与不同种类岩芯的标准岩性特征之间的平均曼哈顿距离;将待识别岩芯归于平均曼哈顿距离最近的岩芯种类,获取待识别岩芯的识别结果,根据所述岩芯种类生成种类标签。
需要说明的是,在钻探过程中根据测量每个回次的岩芯长度和采取率计算底层的孔深及层厚,将每个回次进尺相加,得到地层的孔深,所述地层的孔深=回次进尺1+回次进尺2+...+回次进尺n+(回次进尺n+1处当前截岩芯的实际长度/当前回次的采取率);根据识别出的连续岩芯长度总和、岩芯样本的总长度计算待识别岩芯的岩石质量指标RQD,所述岩石质量指标RQD=(连续岩石芯的长度总和/岩芯样本的总长度)×100%;根据所述岩石质量指标通过预设评价体系获取岩石质量等级,根据所述岩石质量等级生成待识别岩芯的数据标签,通过数据标签进行待识别岩芯的分类。
根据获取的岩芯图片信息、尺寸信息和特征描述,通过CAD软件生成包含岩芯所有信息的CAD图。CAD图可以显示岩芯的几何形状、尺寸标注、岩性特征描述、层位代号,分层孔深,分层真厚,孔深,进尺,岩性长,采取率等。根据获取的岩芯扫描图像信息的CAD图、岩性特征描述及识别分类结果进行待识别岩芯的编录。
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钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被处理器执行时,实现如上述任一项所述的钻探岩芯特征的智能识别描述方法的步骤。
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 (10)
1.一种钻探岩芯特征的智能识别描述方法,其特征在于,包括以下步骤:
获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
2.根据权利要求1所述的一种钻探岩芯特征的智能识别描述方法,其特征在于,根据预处理后的扫描图像信息提取图像特征,具体为:
通过CT扫描技术获取岩芯箱中待识别岩芯的扫描图像信息集合,将扫描图像信息进行灰化处理得到灰化图像,将所述灰化图像进行滤波去噪及图像增强,对图像增强后的扫描图像信息进行背景滤除,获取预处理后的扫描图像信息;
根据所述预处理后的扫描图像信息若干图像块,利用空洞卷积对卷积神经网络进行优化,将若干图像块导入优化后的卷积神经网络,提取不同尺度特征图,获取图像块的局部感兴趣特征;
将所述局部感兴趣特征进行特征拼接,获取全局感兴趣特征,将卷积神经网络与区域生成网络进行级联,利用所述全局感兴趣特征作为区域生成网络的输入;
通过所述区域生成网络输出不同尺度的建议区域,根据锚框回归获取扫描图像信息中的感兴趣区域,获取感兴趣区域中的待识别岩芯的轮廓信息,进行二值化处理获取二值化图像,提取二值化特征作为图像特征。
3.根据权利要求2所述的一种钻探岩芯特征的智能识别描述方法,其特征在于,通过图像特征结合尺寸特征建立三维岩芯模型,具体为:
获取扫描图像信息中的感兴趣区域,将所述感兴趣区域导入U-Net网络进行编码完成感兴趣区域下采样,在编码过程中引入空间注意力模块及通道注意力机模块;
将特征图进行池化操作后获取通道描述导入通道注意力模块获取通道注意力权重,通过所述通道注意力权重结合输入的特征图得到通道注意力模块的输出;
将通道注意力模块的输出导入空间注意力模块,进行池化操作后将通道描述进行拼接叠加,根据叠加后的通道描述获取空间注意力权重,结合空间注意力模块输入的特征获取最终特征;
将所述最终特征利用解码器输出完成感兴趣区域上采样,通过sigmoid函数将感兴趣区域中的空隙与岩体进行区分,输出二值化图像并提取图像特征;
获取岩芯箱的标准尺寸,通过所述二值化图像计算待识别岩芯在图像中的像素尺寸与实际尺寸的比例关系,获取待识别岩芯的尺寸特征;
利用所述尺寸特征及图像特征建立待识别岩芯的三维岩芯模型。
4.根据权利要求1所述的一种钻探岩芯特征的智能识别描述方法,其特征在于,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征,具体为:
根据待识别岩芯的三维岩芯模型截取不同断面的切片图像,采用Canny边缘检测算子获取所述切片图像的边缘信息;
获取切片图像的灰度共生矩阵,基于大数据方法获取岩芯识别实例,提取所述岩芯识别实例中对应二值化图像的灰度共生矩阵对应的纹理特征指标,获取各纹理特征指标的使用频率,通过预设阈值选取高频纹理特征指标;
根据切片图像的灰度共生矩阵结合所述高频纹理特征指标获取纹理特征图像,将所述切片图像与所述纹理特征图像进行加权融合获取增强后的切片图像;
提取增强后切片图像中空隙区域的形状特征及位置特征,并获取空隙区域的像素点个数与切片图像的总像素和之间的比值,根据所述形状特征及位置特征结合所述比值获取几何特征;
根据切片图像的纹理特征及几何特征表征待识别岩芯的岩性特征。
5.根据权利要求1所述的一种钻探岩芯特征的智能识别描述方法,其特征在于,通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,具体为:
获取待识别岩芯的三维岩芯模型中不同切片图像对应的岩性特征,并计算不同切片图像岩性特征之间的欧式距离获取相似度,获取不同切片图像的相似度分布图;
获取相似度大于预设相似度阈值的岩性特征进行标记,利用标记的岩性特征计算与不同种类岩芯的标准岩性特征之间的平均曼哈顿距离;
将待识别岩芯归于平均曼哈顿距离最近的岩芯种类,获取待识别岩芯的识别结果,根据所述岩芯种类生成种类标签。
6.根据权利要求1所述的一种钻探岩芯特征的智能识别描述方法,其特征在于,通过计算待识别岩芯的岩石质量指标进行分类,具体为:
在钻探过程中根据测量每个回次的岩芯长度和采取率计算底层的孔深及层厚,将每个回次进尺相加,得到地层的孔深,所述地层的孔深=回次进尺1+回次进尺2+...+回次进尺n+(回次进尺n+1处当前截岩芯的实际长度/当前回次的采取率);
根据识别出的连续岩芯长度总和、岩芯样本的总长度计算待识别岩芯的岩石质量指标RQD,所述岩石质量指标RQD=(连续岩石芯的长度总和/岩芯样本的总长度)×100%;
根据所述岩石质量指标通过预设评价体系获取岩石质量等级,根据所述岩石质量等级生成待识别岩芯的数据标签,通过数据标签进行待识别岩芯的分类。
7.一种钻探岩芯特征的智能识别描述系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被所述处理器执行时实现如下步骤:
获取待识别岩芯的扫描图像信息,对所述扫描图像信息进行预处理,根据预处理后的扫描图像信息提取图像特征,通过所述图像特征结合尺寸特征建立三维岩芯模型;
根据所述三维岩芯模型提取待识别岩芯的切片图像,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征;
通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,并通过计算待识别岩芯的岩石质量指标进行分类;
根据获取的岩芯扫描图像信息、岩性特征描述及识别分类结果进行待识别岩芯的编录。
8.根据权利要求7所述的一种钻探岩芯特征的智能识别描述系统,其特征在于,对待识别岩芯的切片图像进行纹理特征及几何特征的提取,利用所述纹理特征及几何特征获取岩性特征,具体为:
根据待识别岩芯的三维岩芯模型截取不同断面的切片图像,采用Canny边缘检测算子获取所述切片图像的边缘信息;
获取切片图像的灰度共生矩阵,基于大数据方法获取岩芯识别实例,提取所述岩芯识别实例中对应二值化图像的灰度共生矩阵对应的纹理特征指标,获取各纹理特征指标的使用频率,通过预设阈值选取高频纹理特征指标;
根据切片图像的灰度共生矩阵结合所述高频纹理特征指标获取纹理特征图像,将所述切片图像与所述纹理特征图像进行加权融合获取增强后的切片图像;
提取增强后切片图像中空隙区域的形状特征及位置特征,并获取空隙区域的像素点个数与切片图像的总像素和之间的比值,根据所述形状特征及位置特征结合所述比值获取几何特征;
根据切片图像的纹理特征及几何特征表征待识别岩芯的岩性特征。
9.根据权利要求7所述的一种钻探岩芯特征的智能识别描述系统,其特征在于,通过不同切片图像对应岩性特征之间的相似度进行岩性特征的描述,利用岩性特征描述进行待识别岩芯的识别,具体为:
获取待识别岩芯的三维岩芯模型中不同切片图像对应的岩性特征,并计算不同切片图像岩性特征之间的欧式距离获取相似度,获取不同切片图像的相似度分布图;
获取相似度大于预设相似度阈值的岩性特征进行标记,利用标记的岩性特征计算与不同种类岩芯的标准岩性特征之间的平均曼哈顿距离;
将待识别岩芯归于平均曼哈顿距离最近的岩芯种类,获取待识别岩芯的识别结果,根据所述岩芯种类生成种类标签。
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中包括钻探岩芯特征的智能识别描述方法程序,所述钻探岩芯特征的智能识别描述方法程序被处理器执行时,实现如权利要求1至6中任一项所述的钻探岩芯特征的智能识别描述方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969059.0A CN117058446B (zh) | 2023-08-03 | 2023-08-03 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310969059.0A CN117058446B (zh) | 2023-08-03 | 2023-08-03 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117058446A true CN117058446A (zh) | 2023-11-14 |
CN117058446B CN117058446B (zh) | 2024-04-23 |
Family
ID=88652793
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310969059.0A Active CN117058446B (zh) | 2023-08-03 | 2023-08-03 | 一种钻探岩芯特征的智能识别描述方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117058446B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724153A (zh) * | 2023-12-25 | 2024-03-19 | 北京孚梅森石油科技有限公司 | 一种基于多窗口级联交互的岩性识别方法 |
CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913428A (zh) * | 2016-04-12 | 2016-08-31 | 中国电建集团成都勘测设计研究院有限公司 | 一种岩芯信息化存储方法 |
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 |
CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
CN112381845A (zh) * | 2020-12-02 | 2021-02-19 | 中国石油大学(华东) | 岩心图像生成方法、模型训练方法及装置 |
CN113963105A (zh) * | 2021-09-14 | 2022-01-21 | 中国地质科学院 | 现场岩心三维重构方法和系统 |
CN114398351A (zh) * | 2021-12-31 | 2022-04-26 | 核工业北京地质研究院 | 结合光谱相似性和光谱参量的钻孔岩心高光谱编录方法 |
US20220156430A1 (en) * | 2020-11-13 | 2022-05-19 | Autodesk, Inc. | Topological message passing for three dimensional models in boundary representation format |
CN116503245A (zh) * | 2023-03-16 | 2023-07-28 | 中海油能源发展股份有限公司 | 煤岩数字岩心序列图片多尺度融合与超分辨率重建方法 |
-
2023
- 2023-08-03 CN CN202310969059.0A patent/CN117058446B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105913428A (zh) * | 2016-04-12 | 2016-08-31 | 中国电建集团成都勘测设计研究院有限公司 | 一种岩芯信息化存储方法 |
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 |
CN112241711A (zh) * | 2020-10-22 | 2021-01-19 | 东北大学 | 一种从钻孔岩芯照片中识别rqd的智能方法 |
US20220156430A1 (en) * | 2020-11-13 | 2022-05-19 | Autodesk, Inc. | Topological message passing for three dimensional models in boundary representation format |
CN112381845A (zh) * | 2020-12-02 | 2021-02-19 | 中国石油大学(华东) | 岩心图像生成方法、模型训练方法及装置 |
CN113963105A (zh) * | 2021-09-14 | 2022-01-21 | 中国地质科学院 | 现场岩心三维重构方法和系统 |
CN114398351A (zh) * | 2021-12-31 | 2022-04-26 | 核工业北京地质研究院 | 结合光谱相似性和光谱参量的钻孔岩心高光谱编录方法 |
CN116503245A (zh) * | 2023-03-16 | 2023-07-28 | 中海油能源发展股份有限公司 | 煤岩数字岩心序列图片多尺度融合与超分辨率重建方法 |
Non-Patent Citations (3)
Title |
---|
PRATAMA ISTIADI GUNTORO等: "Textural Quantification and Classification of Drill Cores for Geometallurgy: Moving Toward 3D with X-ray Microcomputed Tomography (µCT)", 《NATURAL RESOURCES RESEARCH》, vol. 29, 11 May 2020 (2020-05-11), pages 3547, XP037270672, DOI: 10.1007/s11053-020-09685-5 * |
张祎晖: "三维数字岩芯模型的几何相似性判别及建模还原度评价", 《中国优秀硕士学位论文全文数据库工程科技Ⅰ辑》, no. 03, 15 March 2022 (2022-03-15), pages 019 - 352 * |
陈世万: "高放废物地质处置花岗岩热力损伤特性研究", 《中国博士学位论文全文数据库基础科学辑》, no. 05, 15 May 2019 (2019-05-15), pages 011 - 33 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117724153A (zh) * | 2023-12-25 | 2024-03-19 | 北京孚梅森石油科技有限公司 | 一种基于多窗口级联交互的岩性识别方法 |
CN117724153B (zh) * | 2023-12-25 | 2024-05-14 | 北京孚梅森石油科技有限公司 | 一种基于多窗口级联交互的岩性识别方法 |
CN118097641A (zh) * | 2024-04-18 | 2024-05-28 | 陕西合兴硅砂有限公司 | 一种高纯度石英砂岩的智能识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117058446B (zh) | 2024-04-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Graesser et al. | Image based characterization of formal and informal neighborhoods in an urban landscape | |
Vetrivel et al. | Identification of damage in buildings based on gaps in 3D point clouds from very high resolution oblique airborne images | |
CN113344050B (zh) | 一种基于深度学习的岩性智能化识别方法及系统 | |
Xiao et al. | Pavement crack detection with hybrid-window attentive vision transformers | |
Witharana et al. | Evaluation of data fusion and image segmentation in earth observation based rapid mapping workflows | |
CN117576581B (zh) | 基于图像处理的地质勘探遥感监测方法 | |
Ouma et al. | On the optimization and selection of wavelet texture for feature extraction from high‐resolution satellite imagery with application towards urban‐tree delineation | |
CN114359756A (zh) | 一种震后无人机遥感影像损毁房屋快速智能检测方法 | |
Elberink et al. | Detection of collapsed buildings by classifying segmented airborne laser scanner data | |
CN114776304B (zh) | 一种深海矿产异常区识别的方法、装置、设备及介质 | |
Singh et al. | Roof bolt identification in underground coal mines from 3D point cloud data using local point descriptors and artificial neural network | |
Wang et al. | Automatic identification and location of tunnel lining cracks | |
CN116659410A (zh) | 一种矿区开采沉陷形变的监测预警方法及系统 | |
Liu et al. | A novel sequential spectral change vector analysis for representing and detecting multiple changes in hyperspectral images | |
CN116189010B (zh) | 一种基于卫星图谱的矿山生态识别预警方法及系统 | |
Nussbaum et al. | Feature recognition in the context of automated object-oriented analysis of remote sensing data monitoring the Iranian nuclear sites | |
CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
Cal | High-resolution object-based building extraction using PCA of LiDAR nDSM and aerial photos | |
CN113034543B (zh) | 一种基于局部注意力机制的3D-ReID多目标追踪方法 | |
CN114398351A (zh) | 结合光谱相似性和光谱参量的钻孔岩心高光谱编录方法 | |
CN111507423B (zh) | 输电线路通道清理的工程量测算方法 | |
CN114898181A (zh) | 用于涉爆视频的隐患违章识别方法及装置 | |
CN112633142A (zh) | 一种输电线路违章建筑物识别方法及相关装置 | |
CN110084125A (zh) | 一种基于深度学习的农业保险查勘技术方法 |
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 |