CN117952869A - 一种基于弱光图像增强的钻井液岩屑计数方法 - Google Patents
一种基于弱光图像增强的钻井液岩屑计数方法 Download PDFInfo
- Publication number
- CN117952869A CN117952869A CN202410353650.8A CN202410353650A CN117952869A CN 117952869 A CN117952869 A CN 117952869A CN 202410353650 A CN202410353650 A CN 202410353650A CN 117952869 A CN117952869 A CN 117952869A
- Authority
- CN
- China
- Prior art keywords
- representing
- drilling fluid
- output
- input
- layer
- 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 88
- 239000012530 fluid Substances 0.000 title claims abstract description 81
- 239000011435 rock Substances 0.000 title claims abstract description 47
- 238000000034 method Methods 0.000 title claims abstract description 42
- 230000004927 fusion Effects 0.000 claims abstract description 23
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 17
- 238000005520 cutting process Methods 0.000 claims description 38
- 238000013507 mapping Methods 0.000 claims description 30
- 230000006870 function Effects 0.000 claims description 24
- 230000004913 activation Effects 0.000 claims description 21
- 238000011176 pooling Methods 0.000 claims description 15
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007246 mechanism Effects 0.000 claims description 10
- 238000009826 distribution Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims 1
- 239000002245 particle Substances 0.000 abstract description 8
- 238000000605 extraction Methods 0.000 abstract description 4
- 239000012634 fragment Substances 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000003208 petroleum Substances 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于弱光图像增强的钻井液岩屑计数方法，包括以下步骤：通过弱光图像增强网络对弱光条件下的钻井液岩屑图像进行增强，使钻井液岩屑图像中的岩屑更加清晰，同时转换为增强后的钻井液岩屑图像，将增强后的钻井液岩屑图像先经过卷积运算转换为高维的特征表示后，将高维特征表示输入到Transformer编码器和卷积神经网络中提取特征，再将这两种特征通过平均加权合进行融合以输出最终的融合特征，融合特征经过进一步处理得到标量值，即为最终的钻井液岩屑颗粒的数量。本发明提高了图像的清晰度和对比度，增加了特征的多样性和丰富性，提高了岩屑颗粒计数的准确性，实现了图像特征的有效提取，减少了计算量。
Description
技术领域
本发明涉及计算机视觉和图像处理双领域，尤其涉及一种基于弱光图像增强的钻井液岩屑计数方法。
背景技术
钻井液岩屑计数作为石油工业中的关键技术，旨在监测和控制钻井液中岩屑的数量，以确保钻井过程的顺利进行、提高效率和保障操作的安全性，为实现这一目标，涉及到多个领域的技术和概念：
计算机视觉是钻井液岩屑计数的基础，通过采集图像数据，将计算机视觉技术用于对图像进行分析，从中提取岩屑的特征，提取包括预处理、图像增强和分割等步骤，以确保对岩屑的准确检测，图像处理技术通过弱光图像增强网络，改善图像的质量，使岩屑更为清晰可见，为后续的岩屑检测和计数提供了更有力的基础。
机器学习和深度学习技术也是关键的组成部分，通过构建大规模的带标签数据集，模型可以被训练以自动识别和计数图像中的岩屑。深度学习算法，尤其是卷积神经网络CNN，能够学习复杂的图像特征，提高岩屑检测的准确性。
钻井液岩屑计数是石油工业中一个重要而复杂的研究领域，涉及到多个方面的工程和科学问题，背景和意义在于深入理解和掌握钻井液中岩屑的特性，以优化钻井工艺，提高生产效率，保障环境可持续性，直接关系到钻井液的基本性能，具有重要的工程和科学价值，岩屑计数对岩屑在钻井液中的悬浮和输送能力有着直接的影响，通过准确解岩屑计数可以调整钻井液的流动性；确保岩屑得以悬浮并顺利输送到地面；防止井眼塌陷等问题的发生；提高钻井作业的成功率。
岩屑计数的研究还对井壁的稳定性和井眼质量至关重要，通过控制岩屑计数，可以预防井壁的塌陷和井眼的不稳定，为井下作业提供安全的工作环境，有助于确保井眼质量、减少事故和提高井下作业效率；在环境保护方面，岩屑计数的研究也是起到了关键作用，钻井液的处理和排放涉及到岩屑的计数，准确监测和控制岩屑计数有助于开发环保型的钻井液，减少对周围环境的不良影响。
岩屑计数的研究对于实现自动化和智能化的钻井过程具有重要意义，通过实时监测和调整岩屑计数实现对钻井过程的自动化和智能化控制，提高钻井的稳定性和效率。
发明内容
本发明的目的在于为解决在弱光条件下的岩屑颗粒计数难题，设计一种基于弱光图像增强的钻井液岩屑计数方法，不仅能提高岩屑检测的准确性和效率，更为石油工业中的钻井过程带来了更为先进和智能的监测手段。
一种基于弱光图像增强的钻井液岩屑计数方法，包括以下步骤：
S1: 通过弱光图像增强网络对弱光条件下的钻井液岩屑图像进行处理，将弱光钻井液岩屑图像转换为增强后的钻井液岩屑图像；
S2: 利用Transformer编码器与卷积神经网络计算增强后的钻井液岩屑图像中的岩屑数量。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S1包括以下子步骤：
S11：将弱光钻井液岩屑图像输入到步长为1，卷积核为的卷积层中，输入和输出的空间尺寸相对保持不变，每个卷积核的感受野都覆盖相邻的像素，保留输入数据的细节，得到与输入图像尺寸一致的特征图，卷积步骤的公式为：
；
其中，代表输入的弱光钻井液岩屑图像，/>代表卷积核；
其中，代表输出特征图中的位置坐标，i代表行索引，j代表列索引；
其中，代表双重求和符号，/>代表卷积核在输入图像的水平和垂直方向的偏移，/>代表图像/>在位置/>处的像素值；
其中，代表卷积核/>在位置/>处的权重值，代表在位置/>处的特征图值；
S12：通过RELU非线性激活函数对特征图进行非线性映射，增强特征的表达能力，RELU非线性激活函数的运算公式为：
；
其中，代表输入,/>代表输出特征图，/>代表如果/>大于0，输出为/>，否则输出为0；
S13：通过步长为2，卷积核为的池化层将输出特征图的尺寸减小为原来尺寸的一半，保留特征图的主要特征，为特征图的特征表示；
S14：重复4次S11-S13步骤,在重复步骤中每一次S13得到的输出都作为下一次S11的输入，最后再得到特征图的4个特征表示；
S15：将5个特征表示分别进行归一化，映射到均值为0，方差为1的正态分布，归一化的公式为：
；
其中，代表最终的输出,/>代表输入,/>代表输入/>的均值,/>代表输入/>的方差；
其中，代表常数，用于防止除零错误，/>代表尺度参数，/>代表偏移参数；
S16：将归一化的5个特征表示连接到颜色通道维度中，使用步长为1，卷积核为的卷积层合并所有的输出，连接特征公式为：
；
其中代表输出特征，/>代表之前得到的5个特征图，代表使用/>卷积核进行卷积，公式默认步长为1；
S17：将结果输入到全连接层中展平成一维向量，线性变换映射到维度为1024的特征空间，将1024维特征映射到一个维度为1的输出，得到增强后的钻井液岩屑图像。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S2包括以下子步骤：
S21：利用卷积核为，步长为3的卷积层将输入的增强后的钻井液岩屑图像切割成规律的块状图像，通过线性映射将每个分块图像转换为高维特征表示；
S22：使用Transformer编码器捕捉输入的高维特征表示的全局关系，获取最终的输出特征；
S23：利用卷积神经网络对S21输出的高维特征表示进行局部特征的非线性映射；
S24：将S22输出的特征与S23输出的特征通过加权平均融合进行融合，输出最终的融合特征，融合公式为：
；
其中,代表最终融合的特征,/>代表Transformer编码器提取的特征,/>代表卷积神经网络提取的特征,/>代表融合的权重，设置/>=0.5；
S25：通过全连接层和RELU非线性激活函数处理融合特征，获取钻井液岩屑数量值。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S22包括以下子步骤：
S221：对Transformer编码器的输入特征进行层归一化，归纳统一每个样本的特征的统计分布性，层归一化公式为：
；
其中,代表归一化的输入特征维度，/>代表输入特征维度的元素,/>代表输出的均值；/>代表输出的标准差；
其中，和/>分别代表尺度参数和偏置参数,用于调整归一化后的结果；
S222：通过多头注意力机制将高维的特征表示映射为Q、K、V参量，计算参量关系确定在特定位置关注不同部分的输入数据，捕捉全局和局部的关联信息，通过输入的特征进行线性映射得到Q、K、V，得到Q、K和V的公式为：
；
其中，、/>、/>分别代表相应的输入特征的权重矩阵,/>代表输入特征；
S223：通过多层感知机中的两个全连接层和GELU非线性激活函数，对多头注意力机制的输出进行非线性映射，得到新的输出特征，GELU非线性激活函数运算公式为：
；
其中，代表输入,/>代表新的输出特征，/>代表累积分布函数，为标准正态分布的函数；
S224：重复10次S221-S223步骤，分别获得10个新的输出特征，在每个原始输入高维特征与新的输出特征之间使用残差连接，保持信息的传递，对输入特征的空间维度进行降采样，让信息在不同层次和维度充分传递和整合从而获取最终的输出特征，残差连接的公式为：
；
其中,代表最终的输出特征,/>代表原始输入高维特征,/>代表通过多头注意力机制得到的输出特征。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S23包括以下子步骤：
S231：第一层使用卷积核为，步长为2的卷积层对输入的高维特征进行卷积操作，产生具有小空间尺寸的特征图，随后在卷积核为/>，步长为2的池化层中执行最大池化操作，将特征图的空间尺寸减小一半，依次通过16个残差块；
S232：在残差块中，将空间特征图经过两个卷积核为卷积层，通过批量归一化和RELU非线性激活函数进行非线性变换，将空间特征图与卷积操作的输出相加生成下一个残差块的输入特征图；
S233:16个残差块最后获得的输出特征图经过平均池化和全连接层得到特征。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述平均池化将输入的特征图分为多个区域，每个区域的特征值取平均值输出。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S25包括以下子步骤：
S251：通过全连接层处理融合特征，使用RELU非线性激活函数增加非线性，全连接层公式为：
；
其中，代表全连接层的输出,/>代表融合的特征，/>代表全连接层，/> 和/>分别代表全连接层的权重和偏置，等同于/>；
S252：通过线性层将线性层的输出特征映射到输出维度为1的空间获得标量值，标量值为钻井液岩屑数量值，线性层的公式为：
；
其中，代表线性层的输出,/>代表线性层，/>和/>分别代表线性层的权重和偏置。
本发明有益效果：通过弱光图像增强网络，有效强化了弱光条件下的钻井液岩屑图像，提高了图像的清晰度和对比度，使得岩屑颗粒更加清晰可见；采用了Transformer编码器和卷积神经网络相结合的方式提取特征，各自擅长于提取不同类型的特征，增加了特征的多样性和丰富性；通过平均加权的方式将两种特征融合，综合利用两种特征各自的优势，提高了岩屑颗粒计数的准确性，实现了图像特征的有效提取，减少了计算量；方法不仅适用于钻井液岩屑图像的计数，同样能应用于其他类似的图像计数问题，具有一定的通用性和可扩展性。
附图说明
图1为本发明的方法流程图。
图2为本发明的弱光图像增强网络结构图。
图3为本发明Transformer编码器与卷积神经网络的网络结构图。
具体实施方式
对本发明做进一步的描述，但本发明的保护范围不局限于以下所述。
如附图1所示，一种基于弱光图像增强的钻井液岩屑计数方法，包括以下步骤：
S1: 通过弱光图像增强网络对弱光条件下的钻井液岩屑图像进行处理，将弱光钻井液岩屑图像转换为增强后的钻井液岩屑图像；
S2: 利用Transformer编码器与卷积神经网络计算增强后的钻井液岩屑图像中的岩屑数量。
如附图2所示，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S1包括以下子步骤：
S11：将弱光钻井液岩屑图像输入到步长为1，卷积核为的卷积层中，输入和输出的空间尺寸相对保持不变，每个卷积核的感受野都覆盖相邻的像素，保留输入数据的细节，得到与输入图像尺寸一致的特征图，卷积步骤的公式为：
；
其中，代表输入的弱光钻井液岩屑图像，/>代表卷积核；
其中，代表输出特征图中的位置坐标，i代表行索引，j代表列索引；
其中，代表双重求和符号，/>代表卷积核在输入图像的水平和垂直方向的偏移，/>代表图像/>在位置/>处的像素值；
其中，代表卷积核/>在位置/>处的权重值，代表在位置/>处的特征图值；
S12：通过RELU非线性激活函数对特征图进行非线性映射，增强特征的表达能力，RELU非线性激活函数的运算公式为：
；
其中，代表输入,/>代表输出特征图，/>代表如果/>大于0，输出为/>，否则输出为0；
S13：通过步长为2，卷积核为的池化层将输出特征图的尺寸减小为原来尺寸的一半，保留特征图的主要特征，为特征图的特征表示；
S14：重复4次S11-S13步骤,在重复步骤中每一次S13得到的输出都作为下一次S11的输入，最后再得到特征图的4个特征表示；
S15：将5个特征表示分别进行归一化，映射到均值为0，方差为1的正态分布，归一化的公式为：
；
其中，代表最终的输出,/>代表输入,/>代表输入/>的均值,/>代表输入/>的方差；
其中，代表常数，用于防止除零错误，/>代表尺度参数，/>代表偏移参数；
S16：将归一化的5个特征表示连接到颜色通道维度中，使用步长为1，卷积核为的卷积层合并所有的输出，连接特征公式为：
；
其中代表输出特征，/>代表之前得到的5个特征图，代表使用/>卷积核进行卷积，公式默认步长为1；
S17：将结果输入到全连接层中展平成一维向量，线性变换映射到维度为1024的特征空间，将1024维特征映射到一个维度为1的输出，得到增强后的钻井液岩屑图像。
如附图3所示，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S2包括以下子步骤：
S21：利用卷积核为，步长为3的卷积层将输入的增强后的钻井液岩屑图像切割成规律的块状图像，通过线性映射将每个分块图像转换为高维特征表示；
S22：使用Transformer编码器捕捉输入的高维特征表示的全局关系，获取最终的输出特征；
S23：利用卷积神经网络对S21输出的高维特征表示进行局部特征的非线性映射；
S24：将S22输出的特征与S23输出的特征通过加权平均融合进行融合，输出最终的融合特征，融合公式为：
；
其中,代表最终融合的特征,/>代表Transformer编码器提取的特征,/>代表卷积神经网络提取的特征,/>代表融合的权重，设置/>=0.5；
S25：通过全连接层和RELU非线性激活函数处理融合特征，获取钻井液岩屑数量值。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S22包括以下子步骤：
S221：对Transformer编码器的输入特征进行层归一化，归纳统一每个样本的特征的统计分布性，层归一化公式为：
；
其中,代表归一化的输入特征维度，/>代表输入特征维度的元素,/>代表输出的均值；/>代表输出的标准差；
其中，和/>分别代表尺度参数和偏置参数,用于调整归一化后的结果；
具体而言，归一化后的特征在统计上更为稳定，有助于模型更好地学习到特征之间的关系，提高模型对输入数据的处理能力；
S222：通过多头注意力机制将高维的特征表示映射为Q、K、V参量，计算参量关系确定在特定位置关注不同部分的输入数据，捕捉全局和局部的关联信息，通过输入的特征进行线性映射得到Q、K、V，得到Q、K和V的公式为：
；
其中，、/>、/>分别代表相应的输入特征的权重矩阵,/>代表输入特征；
S223：通过多层感知机中的两个全连接层和GELU非线性激活函数，对多头注意力机制的输出进行非线性映射，得到新的输出特征，GELU非线性激活函数运算公式为：
；
其中，代表输入,/>代表新的输出特征，/>代表累积分布函数，为标准正态分布的函数；
S224：重复10次S221-S223步骤，分别获得10个新的输出特征，在每个原始输入高维特征与新的输出特征之间使用残差连接，保持信息的传递，对输入特征的空间维度进行降采样，让信息在不同层次和维度充分传递和整合从而获取最终的输出特征，残差连接的公式为：
；
其中,代表最终的输出特征,/>代表原始输入高维特征,/>代表通过多头注意力机制得到的输出特征。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S23包括以下子步骤：
S231：第一层使用卷积核为，步长为2的卷积层对输入的高维特征进行卷积操作，产生具有小空间尺寸的特征图，随后在卷积核为/>，步长为2的池化层中执行最大池化操作，将特征图的空间尺寸减小一半，依次通过16个残差块；
S232：在残差块中，将空间特征图经过两个卷积核为卷积层，通过批量归一化和RELU非线性激活函数进行非线性变换，将空间特征图与卷积操作的输出相加生成下一个残差块的输入特征图；
S233:16个残差块最后获得的输出特征图经过平均池化和全连接层得到特征。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述平均池化将输入的特征图分为多个区域，每个区域的特征值取平均值输出。
进一步的，一种基于弱光图像增强的钻井液岩屑计数方法，所述步骤S25包括以下子步骤：
S251：通过全连接层处理融合特征，使用RELU非线性激活函数增加非线性，全连接层公式为：
；
其中，代表全连接层的输出,/>代表融合的特征，/>代表全连接层，/> 和/>分别代表全连接层的权重和偏置，等同于/>；
S252：通过线性层将线性层的输出特征映射到输出维度为1的空间获得标量值，标量值为钻井液岩屑数量值，线性层的公式为：
；
其中，代表线性层的输出,/>代表线性层，/>和/>分别代表线性层的权重和偏置。
实施例1，以简化的钻井液岩屑计数方法为例，结合附图1对本发明的步骤进行说明。
一种基于弱光图像增强的钻井液岩屑计数方法：
步骤1：通过弱光图像增强图像网络处理弱光条件下的岩屑图像，使岩屑更清晰可见，并将图像转换为增强后的弱光钻井液岩屑图像；
步骤2：通过卷积运算将增强后的图像转换为高维特征表示；
步骤3：高维特征表示输入到Transformer编码器和卷积神经网络中，分别用于提取全局和局部的特征；
步骤4：Transformer编码器通过自注意力机制捕捉全局关系，卷积神经网络专注于提取局部特征；
步骤5：两种提取的特征通过平均加权合进行融合，产生综合的特征表示；
步骤6：融合特征经过进一步处理，得到标量值，代表最终的钻井液岩屑颗粒的数量。
本方案通过一种基于弱光图像增强的钻井液岩屑计数方法，通过弱光图像增强网络，有效强化了弱光条件下的钻井液岩屑图像，提高了图像的清晰度和对比度，使得岩屑颗粒更加清晰可见；采用了Transformer编码器和卷积神经网络相结合的方式提取特征，各自擅长于提取不同类型的特征，增加了特征的多样性和丰富性；通过平均加权的方式将两种特征融合，综合利用两种特征各自的优势，提高了岩屑颗粒计数的准确性，实现了图像特征的有效提取，减少了计算量；方法不仅适用于钻井液岩屑图像的计数，同样能应用于其他类似的图像计数问题，具有一定的通用性和可扩展性。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (7)
1.一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，包括以下步骤：
S1: 通过弱光图像增强网络对弱光条件下的钻井液岩屑图像进行处理，将弱光钻井液岩屑图像转换为增强后的钻井液岩屑图像；
S2: 利用Transformer编码器与卷积神经网络计算增强后的钻井液岩屑图像中的岩屑数量。
2.根据权利要求1所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述步骤S1包括以下子步骤：
S11：将弱光钻井液岩屑图像输入到步长为1，卷积核为的卷积层中，输入和输出的空间尺寸相对保持不变，每个卷积核的感受野都覆盖相邻的像素，保留输入数据的细节，得到与输入图像尺寸一致的特征图，卷积步骤的公式为：
；
其中，代表输入的弱光钻井液岩屑图像，/>代表卷积核；
其中，代表输出特征图中的位置坐标，i代表行索引，j代表列索引；
其中，代表双重求和符号，/>代表卷积核在输入图像的水平和垂直方向的偏移，/>代表图像/>在位置/>处的像素值；
其中，代表卷积核/>在位置/>处的权重值，代表在位置/>处的特征图值；
S12：通过RELU非线性激活函数对特征图进行非线性映射，增强特征的表达能力，RELU非线性激活函数的运算公式为：
；
其中，代表输入,/>代表输出特征图，/>代表如果/>大于0，输出为，否则输出为0；
S13：通过步长为2，卷积核为的池化层将输出特征图的尺寸减小为原来尺寸的一半，保留特征图的主要特征，为特征图的特征表示；
S14：重复4次S11-S13步骤,在重复步骤中每一次S13得到的输出都作为下一次S11的输入，最后再得到特征图的4个特征表示；
S15：将5个特征表示分别进行归一化，映射到均值为0，方差为1的正态分布，归一化的公式为：
；
其中，代表最终的输出,/>代表输入,/>代表输入/>的均值,/>代表输入/>的方差；
其中，代表常数，用于防止除零错误，/>代表尺度参数，/>代表偏移参数；
S16：将归一化的5个特征表示连接到颜色通道维度中，使用步长为1，卷积核为的卷积层合并所有的输出，连接特征公式为：
；
其中代表输出特征，/>代表之前得到的5个特征图，/>代表使用/>卷积核进行卷积，公式默认步长为1；
S17：将结果输入到全连接层中展平成一维向量，线性变换映射到维度为1024的特征空间，将1024维特征映射到一个维度为1的输出，得到增强后的钻井液岩屑图像。
3.根据权利要求1所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述步骤S2包括以下子步骤：
S21：利用卷积核为，步长为3的卷积层将输入的增强后的钻井液岩屑图像切割成规律的块状图像，通过线性映射将每个分块图像转换为高维特征表示；
S22：使用Transformer编码器捕捉输入的高维特征表示的全局关系，获取最终的输出特征；
S23：利用卷积神经网络对S21输出的高维特征表示进行局部特征的非线性映射；
S24：将S22输出的特征与S23输出的特征通过加权平均融合进行融合，输出最终的融合特征，融合公式为：
；
其中,代表最终融合的特征,/>代表Transformer编码器提取的特征,/>代表卷积神经网络提取的特征,/>代表融合的权重，设置/>=0.5；
S25：通过全连接层和RELU非线性激活函数处理融合特征，获取钻井液岩屑数量值。
4.根据权利要求3所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述步骤S22包括以下子步骤：
S221：对Transformer编码器的输入特征进行层归一化，归纳统一每个样本的特征的统计分布性，层归一化公式为：
；
其中,代表归一化的输入特征维度，/>代表输入特征维度的元素,/>代表输出的均值；/>代表输出的标准差；
其中，和/>分别代表尺度参数和偏置参数,用于调整归一化后的结果；
S222：通过多头注意力机制将高维的特征表示映射为Q、K、V参量，计算参量关系确定在特定位置关注不同部分的输入数据，捕捉全局和局部的关联信息，通过输入的特征进行线性映射得到Q、K、V，得到Q、K和V的公式为：
；
其中，、/>、/>分别代表相应的输入特征的权重矩阵,/>代表输入特征；
S223：通过多层感知机中的两个全连接层和GELU非线性激活函数，对多头注意力机制的输出进行非线性映射，得到新的输出特征，GELU非线性激活函数运算公式为：
；
其中，代表输入,/>代表新的输出特征，/>代表累积分布函数，为标准正态分布的函数；
S224：重复10次S221-S223步骤，分别获得10个新的输出特征，在每个原始输入高维特征与新的输出特征之间使用残差连接，保持信息的传递，对输入特征的空间维度进行降采样，让信息在不同层次和维度充分传递和整合从而获取最终的输出特征，残差连接的公式为：
；
其中,代表最终的输出特征,/>代表原始输入高维特征,/>代表通过多头注意力机制得到的输出特征。
5.根据权利要求3所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述步骤S23包括以下子步骤：
S231：第一层使用卷积核为，步长为2的卷积层对输入的高维特征进行卷积操作，产生具有小空间尺寸的特征图，随后在卷积核为/>，步长为2的池化层中执行最大池化操作，将特征图的空间尺寸减小一半，依次通过16个残差块；
S232：在残差块中，将空间特征图经过两个卷积核为卷积层，通过批量归一化和RELU非线性激活函数进行非线性变换，将空间特征图与卷积操作的输出相加生成下一个残差块的输入特征图；
S233:16个残差块最后获得的输出特征图经过平均池化和全连接层得到特征。
6.根据权利要求5所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述平均池化将输入的特征图分为多个区域，每个区域的特征值取平均值输出。
7.根据权利要求3所述的一种基于弱光图像增强的钻井液岩屑计数方法，其特征在于，所述步骤S25包括以下子步骤：
S251：通过全连接层处理融合特征，使用RELU非线性激活函数增加非线性，全连接层公式为：
；
其中，代表全连接层的输出,/>代表融合的特征，/>代表全连接层，/> 和/>分别代表全连接层的权重和偏置，等同于/>；
S252：通过线性层将线性层的输出特征映射到输出维度为1的空间获得标量值，标量值为钻井液岩屑数量值，线性层的公式为：
；
其中，代表线性层的输出,/>代表线性层，/>和/>分别代表线性层的权重和偏置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353650.8A CN117952869B (zh) | 2024-03-27 | 2024-03-27 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410353650.8A CN117952869B (zh) | 2024-03-27 | 2024-03-27 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117952869A true CN117952869A (zh) | 2024-04-30 |
| CN117952869B CN117952869B (zh) | 2024-06-18 |
Family
ID=90803379
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410353650.8A Active CN117952869B (zh) | 2024-03-27 | 2024-03-27 | 一种基于弱光图像增强的钻井液岩屑计数方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117952869B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
| CN112696186A (zh) * | 2019-10-18 | 2021-04-23 | 中国石油化工股份有限公司 | 一种用于自动识别钻井岩屑的方法及系统 |
| CN112884084A (zh) * | 2021-04-02 | 2021-06-01 | 湖南国天电子科技有限公司 | 一种雷达目标分类方法、装置、设备及可读存储介质 |
| CN113012152A (zh) * | 2021-04-27 | 2021-06-22 | 深圳大学 | 一种图像篡改链检测方法、装置及电子设备 |
| CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
| CN114743022A (zh) * | 2022-04-29 | 2022-07-12 | 常州大学 | 一种基于Transformer神经网络的图像分类方法 |
| CN114820828A (zh) * | 2022-05-19 | 2022-07-29 | 国网山东省电力公司聊城供电公司 | 一种基于Vision Transformer的图像压缩感知重构方法及系统 |
| CN115272940A (zh) * | 2022-08-23 | 2022-11-01 | 西南石油大学 | 一种基于神经网络的岩屑颗粒智能计量方法及系统 |
| CN115359428A (zh) * | 2022-08-29 | 2022-11-18 | 安徽大学 | 一种多模态人群计数模型 |
| CN115457464A (zh) * | 2022-09-06 | 2022-12-09 | 燕山大学 | 基于transformer和CNN的人群计数方法 |
| CN115526862A (zh) * | 2022-09-30 | 2022-12-27 | 燕山大学 | 基于CNN和transformer的跨模态人群计数方法 |
| CN115909036A (zh) * | 2022-12-06 | 2023-04-04 | 中山大学 | 局部-全局自适应引导增强的车辆重识别方法及系统 |
| CN115952834A (zh) * | 2022-12-29 | 2023-04-11 | 珠海市欧冶半导体有限公司 | 应用于Transformer的批量层归一化方法及装置 |
| CN116580440A (zh) * | 2023-05-24 | 2023-08-11 | 北华航天工业学院 | 基于视觉transformer的轻量级唇语识别方法 |
| CN116952938A (zh) * | 2023-04-18 | 2023-10-27 | 西南石油大学 | 一种通过钻井液气泡图像智能识别早期溢流的系统及方法 |
| CN117095201A (zh) * | 2023-07-26 | 2023-11-21 | 西南石油大学 | 一种基于图像的钻井液岩屑识别方法 |
-
2024
- 2024-03-27 CN CN202410353650.8A patent/CN117952869B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112696186A (zh) * | 2019-10-18 | 2021-04-23 | 中国石油化工股份有限公司 | 一种用于自动识别钻井岩屑的方法及系统 |
| CN111028163A (zh) * | 2019-11-28 | 2020-04-17 | 湖北工业大学 | 一种基于卷积神经网络的联合图像去噪与弱光增强方法 |
| CN112884084A (zh) * | 2021-04-02 | 2021-06-01 | 湖南国天电子科技有限公司 | 一种雷达目标分类方法、装置、设备及可读存储介质 |
| CN113012152A (zh) * | 2021-04-27 | 2021-06-22 | 深圳大学 | 一种图像篡改链检测方法、装置及电子设备 |
| CN114305484A (zh) * | 2021-12-15 | 2022-04-12 | 浙江大学医学院附属儿童医院 | 基于深度学习的心脏病心音智能分类方法、装置和介质 |
| CN114743022A (zh) * | 2022-04-29 | 2022-07-12 | 常州大学 | 一种基于Transformer神经网络的图像分类方法 |
| CN114820828A (zh) * | 2022-05-19 | 2022-07-29 | 国网山东省电力公司聊城供电公司 | 一种基于Vision Transformer的图像压缩感知重构方法及系统 |
| CN115272940A (zh) * | 2022-08-23 | 2022-11-01 | 西南石油大学 | 一种基于神经网络的岩屑颗粒智能计量方法及系统 |
| CN115359428A (zh) * | 2022-08-29 | 2022-11-18 | 安徽大学 | 一种多模态人群计数模型 |
| CN115457464A (zh) * | 2022-09-06 | 2022-12-09 | 燕山大学 | 基于transformer和CNN的人群计数方法 |
| CN115526862A (zh) * | 2022-09-30 | 2022-12-27 | 燕山大学 | 基于CNN和transformer的跨模态人群计数方法 |
| CN115909036A (zh) * | 2022-12-06 | 2023-04-04 | 中山大学 | 局部-全局自适应引导增强的车辆重识别方法及系统 |
| CN115952834A (zh) * | 2022-12-29 | 2023-04-11 | 珠海市欧冶半导体有限公司 | 应用于Transformer的批量层归一化方法及装置 |
| CN116952938A (zh) * | 2023-04-18 | 2023-10-27 | 西南石油大学 | 一种通过钻井液气泡图像智能识别早期溢流的系统及方法 |
| CN116580440A (zh) * | 2023-05-24 | 2023-08-11 | 北华航天工业学院 | 基于视觉transformer的轻量级唇语识别方法 |
| CN117095201A (zh) * | 2023-07-26 | 2023-11-21 | 西南石油大学 | 一种基于图像的钻井液岩屑识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| YUEHAI CHEN 等: "Counting Varying Density Crowds Through Density Guided Adaptive Selection CNN and Transformer Estimation", 《IEEE TRANSACTIONS ON CIRCUITS AND SYSTEMS FOR VIDEO TECHNOLOGY》, vol. 33, no. 3, 22 September 2022 (2022-09-22), pages 1055 - 1068 * |
| 肖克爽 等: "基于Transformer的人群计数方法", 《电脑知识与技术》, vol. 20, no. 4, 5 February 2024 (2024-02-05), pages 43 - 45 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117952869B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112070779B (zh) | 一种基于卷积神经网络弱监督学习的遥感影像道路分割方法 | |
| CN110210551B (zh) | 一种基于自适应主体敏感的视觉目标跟踪方法 | |
| CN110287849B (zh) | 一种适用于树莓派的轻量化深度网络图像目标检测方法 | |
| CN111461083A (zh) | 基于深度学习的快速车辆检测方法 | |
| CN112750122B (zh) | 基于双流边界感知神经网络的图像篡改区域定位方法 | |
| CN109800698A (zh) | 基于深度网络的图标检测方法 | |
| CN110751076B (zh) | 车辆检测方法 | |
| CN112541926B (zh) | 一种基于改进FCN和DenseNet的歧义像素优化分割方法 | |
| CN109871778B (zh) | 基于迁移学习的车道保持控制方法 | |
| CN115035371A (zh) | 基于多尺度特征融合神经网络的井壁裂缝识别方法 | |
| CN115272940B (zh) | 一种基于神经网络的岩屑颗粒智能计量方法及系统 | |
| CN112329780A (zh) | 一种基于深度学习的深度图像语义分割方法 | |
| CN114863266A (zh) | 一种基于深度时空模式交互网络的土地利用分类方法 | |
| CN112508851A (zh) | 一种基于cnn分类算法的泥岩岩性识别系统 | |
| CN116630352A (zh) | 一种基于双向级联像素差分网络的岩心测量方法及装置 | |
| CN108537825A (zh) | 一种基于迁移学习回归网络的目标跟踪方法 | |
| CN117593666B (zh) | 一种极光图像的地磁台站数据预测方法及系统 | |
| CN113361496B (zh) | 一种基于U-Net的城市建成区统计方法 | |
| CN117952869B (zh) | 一种基于弱光图像增强的钻井液岩屑计数方法 | |
| CN112766305B (zh) | 一种基于端到端度量网络的视觉slam闭环检测方法 | |
| CN117953369A (zh) | 一种融合孪生编解码和注意力机制的遥感影像变化检测方法 | |
| CN117993282A (zh) | 一种面向智能制造故障诊断的域适应性信息瓶颈联邦学习方法 | |
| CN115661482B (zh) | 一种基于联合注意力的rgb-t显著目标检测方法 | |
| CN116776928A (zh) | 一种用于时空数据建模的多头注意力时空图卷积模型 | |
| CN115497006B (zh) | 基于动态混合策略的城区遥感图像变化深度监测方法及系统 |
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 |