EP4208818A1 - Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche - Google Patents

Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche

Info

Publication number
EP4208818A1
EP4208818A1 EP21752574.0A EP21752574A EP4208818A1 EP 4208818 A1 EP4208818 A1 EP 4208818A1 EP 21752574 A EP21752574 A EP 21752574A EP 4208818 A1 EP4208818 A1 EP 4208818A1
Authority
EP
European Patent Office
Prior art keywords
geological
constituent
rock sample
geological constituent
rock
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
Application number
EP21752574.0A
Other languages
German (de)
English (en)
Inventor
Antoine BOUZIAT
Sylvain DESROZIERS
Mathieu Feraille
Vincent Clochard
Youri HAMON
Jean-Claude Lecomte
Abdoulaye KOROKO
Antoine LECHEVALLIER
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
IFP Energies Nouvelles IFPEN
Original Assignee
IFP Energies Nouvelles IFPEN
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by IFP Energies Nouvelles IFPEN filed Critical IFP Energies Nouvelles IFPEN
Publication of EP4208818A1 publication Critical patent/EP4208818A1/fr
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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 OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/24—Earth materials
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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
    • G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; 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

Definitions

  • the present invention relates to the field of the detection of geological constituents of a rock sample.
  • the characterization of a rock sample often requires the detection and counting of certain specific constituents present inside the sample, such as microfossils, nanofossils, plant debris, minerals, pollen grains, or analogues.
  • certain specific constituents present inside the sample such as microfossils, nanofossils, plant debris, minerals, pollen grains, or analogues.
  • this work can in particular be carried out by directly observing the rock sample with the naked eye, or by cutting a thin slice, called a "thin section", to observe it under an optical microscope. This makes it possible to categorize the rock more precisely and to estimate its physical properties, for applications in civil engineering, for the depollution of sites, for research into underground mineral or energy resources, etc.
  • microfossils As for microfossils, one can consult, in particular, the Manuel de micropaléontologie published in 2011 by Mathieu, Bellier and Granier (ISBN 978-2-916733-04-3), as well as the database of foraminifera on the site Such a database includes a very large amount of data. This database can therefore only be used by an expert, and not in an automated process.
  • microfossils For microfossils, one can refer in particular to: Beaufort, L, & Dollfus, D. (2004). Automatic recognition of coccoliths by dynamical neural networks. Marine Micropaleontology, 51 (1-2), 57-73. This method is also described in patent application WO2015132531 A1. However, such a method requires a large number of training images for the machine learning method. The patent application cites in particular the use of 10,000 images obtained by microscopy, and 100 images per morphological group. This large number of training images requires a very long preparation time and a very large number of preparatory operations: it is necessary to prepare the thin sections (in particular by cutting the rock, impregnation, and lapping) and carry out the observations medium of the microscope for each thin section.
  • patent application EP 36737154 describes a system and method for determining the type of microfossils by applying machine learning.
  • this method requires cutting the acquired images into a plurality of image data which requires user intervention.
  • the aim of the present invention is to detect, classify and count geological constituents of a rock sample, automatically, with a limited preparation time and a limited number of operations (by taking a single image per sample of rock).
  • the invention relates to a method for detecting and counting a geological constituent of a rock sample, by means of an automatic learning method of detection by location.
  • the invention relates to a method for detecting and counting at least one geological constituent of a rock sample from learning images, each geological constituent belonging to a class of geological constituent.
  • the following steps are implemented: a) Each geological constituent is surrounded on said learning images by means of a predefined geometric shape; b) Each predefined geometric shape on said learning images is associated with said class of said surrounded geological constituent; c) training an automatic detection-by-location learning algorithm to detect at least one geological constituent and to associate a class by means of said predefined geometric shapes and said associated classes of said learning images; d) An image of said rock sample is acquired; e) a localization detection model constructed from said automatic learning algorithm is applied to said acquired image of said sample of rock to surround at least one geological constituent by said predefined shape and to associate a class of geological constituent; and f) counting the number of geological constituents for each class for said acquired image of said rock sample.
  • said classes of geological constituent are chosen from among microfossils, nanofossils, plant debris, minerals, pollen grains and the subdivisions of these elements.
  • a color is associated for each class of geological constituent.
  • said machine learning algorithm uses an artificial neural network, preferably a convolutional neural network, a fully convolutional neural network or a region-based convolutional neural network.
  • said location-based detection model implements the following steps: i) generating at least one region of predefined geometric shape comprising a geological constituent and associating a class with each region of interest; ii) The position and/or at least one dimension of said region of interest is adjusted to surround said geological constituent.
  • said location detection model generates at least one predefined geometric shape to surround a geological constituent.
  • said predefined geometric shape is chosen from a square, a rectangle, an ellipse, a polygon, a circle.
  • said image of said rock sample is acquired from a thin section of said rock sample.
  • said image of said rock sample is acquired by means of an optical or electron microscope, with or without polarized light, a photograph, a tomography scanner with synchrotron, or a X-ray imaging.
  • said method comprises at least one additional step chosen from:
  • Portions of said acquired image of said rock sample comprising said at least one geological constituent are extracted and an image database is constructed of said at least one geological constituent with said portions extracted from said acquired image of said rock sample, or
  • a supervised classification method is applied to categorize said at least one geological constituent
  • At least one physical property of said rock is determined, or
  • the invention also relates to a method for exploiting a soil or a subsoil, in which the following steps are implemented: a) At least one geological constituent of a rock sample is detected by means of the detection method according to one of the preceding characteristics; and b) said soil or said subsoil is exploited according to said detection of said geological constituent of said at least one rock.
  • said exploitation of the ground or subsoil concerns the construction of a structure on said ground or in the subsoil, the storage of gas in the subsoil, or the exploitation of raw materials from said soil or said subsoil.
  • -soil preferably said raw materials being the rock itself, or a material, or a fluid contained in said soil or in said subsoil.
  • the invention relates to a method for determining the climate in a geographical area through the geological ages, in which the following steps are implemented: a) At least two rock samples are taken at different depths from a formation underground; b) At least one geological constituent is detected for each rock sample by means of the detection method according to one of the preceding characteristics; and c) said climate as well as the geological age in said geographical area are determined as a function of said at least one detected geological constituent.
  • FIG. 1 illustrates the steps of the detection method according to one embodiment of the invention.
  • Figure 2 illustrates a first variant of the predefined geometric shape used by the method according to the invention.
  • Figure 3 illustrates a second variant of the predefined geometric shape used by the method according to the invention.
  • FIG. 4 illustrates an image acquired from a rock sample as well as the geological constituents detected by means of the method according to one embodiment of the invention.
  • the present invention relates to a method for detecting and counting geological constituents of a rock sample.
  • a rock sample is a piece of rock, for example (non-limiting) taken by coring.
  • geological constituents is meant at least one constituent included within the rock.
  • Such a geological constituent of rock can be chosen from the following classes of geological constituent: microfossils, nanofossils, plant debris, minerals, pollen grains, or any subdivision of these elements: that is to say different types of microfossils, different types of nanofossils, different types of plant debris, different types of minerals, different types of pollen grains, or any analogous element.
  • the geological constituents can be of small dimensions, in particular of millimetric or even microscopic size.
  • the detection of geological constituents corresponds to the identification of geological constituents within the rock sample.
  • the method according to the invention also makes it possible to identify the class of geological constituents detected, and to count the number of geological constituents for each class.
  • the detection method according to the invention is based on the use of an image of the rock sample and on the implementation of an automatic learning algorithm to automate this detection.
  • the acquired image of the rock sample, and the set of learning images implemented for training the automatic learning algorithm can be of all types .
  • the image may be that of an entire rock sample.
  • the image may be that of a core taken from a subterranean formation.
  • the image may be that of a thin section of the sample of rock.
  • the samples observed can in particular be blades called "thin blades" of three types: blades of very thin materials of the order of 30 ⁇ m, thicker blades of the order of 100 ⁇ m, or polished sections whose thickness can go up to 10 mm. To be able to correctly observe these different types of samples under the microscope, it is important to have a flat surface and a very low roughness (almost smooth).
  • the image can be obtained in different ways, for example by means of an optical or electronic microscope, with or without polarized light, by means of a scanner, by means of a photograph, by means of a tomography with synchrotron, or by means of X-ray imaging or any analogous system.
  • the image can be obtained by a microscope from a thin section of the rock sample.
  • a microscope from a thin section of the rock sample.
  • the image can be obtained by a scanner of a core taken from an underground formation.
  • the detection method comprises the following steps:
  • the method according to the invention comprises the following steps:
  • Step 1 and the associated sub-steps 1.1 to 1.3 can be done offline, once and beforehand.
  • Steps 2 and 3, and the associated sub-steps 3.1 and 3.2, can be performed online, for each rock sample considered. In other words, if one wishes to detect the geological constituents of several rock samples (for example several thin sections of the same rock), one repeats steps 2 and 3 for each rock sample, the algorithm d machine learning that can be trained only once. The steps will be detailed later in the description.
  • the steps of the method can be limited to:
  • the method according to the invention can be implemented by means of a computer system, in particular a computer, in particular steps 1 .3, 2, and 3 (3.1 and 3.2).
  • Figure 1 illustrates, schematically and in a non-limiting manner, the steps of the detection method according to one embodiment of the invention.
  • the machine learning algorithm forms a detection model by localization, which has as input a rock sample image and as output the detection and classification of geological constituents.
  • the method according to the invention may comprise a prior step of acquisition of the learning images, this step being able to be implemented in the same way as step 2 of acquisition of the image of the sample Rock.
  • this preliminary step may consist of preparing thin sections and performing microscopy of these thin sections to form the learning images.
  • the machine learning algorithm can be a supervised classification machine learning algorithm, for example an artificial neural network, preferably a convolutional neural network (CNN).
  • CNN convolutional neural network
  • FCNN Fully Convolutional Neural Network
  • R-CNN Region-based Convolutional Neural Network
  • Convolutional neural network, fully convolutional neural network, and region-based convolutional neural network are particularly suitable for image processing.
  • the machine learning algorithm can be of any type, including a non-convolutional neural network, a random forest method, a support vector machine (SVM) method. , or a method of Gaussian processes.
  • SVM support vector machine
  • the machine learning algorithm can be an unsupervised classification algorithm.
  • each geological constituent is surrounded on the training images by means of a predefined geometric shape.
  • the predefined geometric shape delimits portions of the training images that include a geological constituent.
  • the same predefined geometric shape can be used for all the geological constituents, and only the dimensions of the predefined geometric shape vary from one geometric shape to another according to the dimensions of the geological constituents.
  • this step can be implemented by a user.
  • the predefined geometric shape can be chosen from a square, a rectangle, an ellipse, a polygon, a circle, or any similar shape.
  • the predefined geometric shape can be an ellipse. Indeed, such a shape makes it possible to surround the geological constituent as closely as possible, which facilitates the detection of the geological constituents.
  • Figure 2 illustrates, schematically and in a non-limiting manner, two portions of a training image.
  • the figure on the left is the portion of the training image.
  • This portion 1 of the learning image comprises a geological constituent 2.
  • the figure on the right is the portion of the learning image on which the predefined geometric shape 3 has been represented, here a rectangle, which surrounds the geological constituent 2.
  • Figure 3 illustrates, schematically and in a non-limiting way, two portions of a learning image.
  • the figure on the left is the portion of the training image.
  • This portion 1 of the learning image comprises a geological constituent 2.
  • the figure on the right is the portion of the learning image on which the predefined geometric shape 3 has been represented, here an ellipse, which surrounds the geological constituent 2.
  • each predefined geometric shape of each learning image is associated with a class of geological constituent.
  • the class of the geological constituent surrounded by the predefined geometric shape is identified (for example: microfossil, nanofossil, minerals, or the type of nanofossil, the type of minerals, the type of plant debris, etc.), and the class of the identified geological constituent is associated with the predefined geometric shape.
  • the learning algorithm makes it possible to detect and classify the geological constituents.
  • this step can be implemented by a user.
  • a color can be associated with each class of geological constituent.
  • the predefined geometric shape may be of the color corresponding to the class of geological constituent identified. In this way, the visualization of the different classes of geological constituent is facilitated.
  • a parameter can be associated with each class of geological constituent.
  • the parameter corresponding to the class of geological constituent can be associated with the predefined geometric shape.
  • the automatic learning algorithm of detection by location is trained by means of the learning images according to the predefined geometric shapes and their associated geological constituent classes.
  • each detected object is characterized by a geometric shape described by its coordinates and at least one descriptor, such as in particular at least one dimension, as well as by a class.
  • the training of the learning algorithm makes it possible to build a detection model by location of the geological constituents.
  • the training of the automatic learning algorithm can be implemented in particular by one of the following methods:
  • the method consists of applying a neural network to an entire image. This can divide the image into a grid of 19x19 regions and can predict five boxes locating the objects of interest per cell of the grid. A classification is also predicted for each of the boxes. A total of 1805 boxes are predicted per image but many do not contain an object or are redundant between them. A filter is finally applied to all the predictions to keep only the relevant boxes. These boxes represent the objects of interest in the image.
  • This "one-step” method improves the inference performance of detection.
  • This step involves acquiring an image of the rock sample to be analyzed.
  • image acquisition methods adapted to the method according to the invention: optical or electronic microscope, polarized or not, photography, scanner, tomography with synchrotron, X-ray imaging, etc.
  • this step may include a sub-step of preparing a thin section from the sample of rock to be analyzed.
  • the geological constituents of the rock sample are automatically detected, classified and counted, by means of the acquired image of the rock sample, and by means of a detection model by location constructed from machine learning algorithm.
  • a localization detection model formed from the machine learning algorithm is applied to the acquired image of the rock sample.
  • a single acquired image of the rock sample is sufficient to detect the geological constituents.
  • this step and the previous one can be implemented for several thin sections of the same rock, in order to improve the representativeness of the detection. and counting the geological constituents of the rock.
  • the localization detection model formed by the automatic learning algorithm obtained in step 1.3 is applied to the image acquired of the rock sample in step 2.
  • the predefined geometric shape is identical to the predefined geometric shape used in step 1.1; only the dimensions of the predefined geometric shape vary from one geological constituent to another to adapt to the dimensions of the geological constituent.
  • a new image can be formed which includes the acquired image of the rock sample, on which the predefined geometric shapes are superimposed.
  • the color or the parameter can also be assigned to each predefined geometric shape identified on the acquired image of the rock sample.
  • the visualization and counting of the different classes of geological constituent of the acquired image of the rock sample is facilitated.
  • the number of geological constituents is automatically counted for each class of geological constituent for the acquired image of the rock sample.
  • Figure 4 illustrates, for a non-limiting illustrative example, in its left part, an image 4 acquired from a rock sample, and in its right part the image 9 of image 4 with the predefined geometric shapes surrounding the constituents geological.
  • This acquired image 4 was obtained by microscopy of a thin section of the rock sample.
  • Image 9 was obtained by the detection and counting method according to the invention.
  • the machine learning algorithm was trained with 15 training images.
  • a convolutional neural network and the “two-step” method were implemented.
  • the geological constituents are identified by rectangles (predefined geometric shape) 5, 6, 7 and 8. Each type of rectangle corresponds to a class of foraminifer (which is a type of microfossils).
  • the method according to the invention makes it possible to determine the following distribution:
  • the method according to the invention makes it possible to automatically detect and count the geological constituents of an image of a rock sample.
  • the method according to the invention may comprise at least one of the following additional steps:
  • the proportion of the volume of the rock sample occupied by the geological constituents is determined from the detection of the geological constituent, in other words from the acquired image, and/or
  • the morphological and/or textural characteristics (for example the shape, the dimensions, the presence of streaks, etc.) of the geological constituents are estimated, for example by means of image processing, and/or
  • Portions of the acquired image of the rock sample comprising a geological constituent are extracted, and a database of images of the geological constituents is constructed from the portions extracted from the acquired image of the rock sample , and or
  • a supervised classification method is applied to more finely categorize the geological constituents from the detection of the geological constituent. For example, one can determine the subspecies to which each detected microfossil belongs. This step may require having previously trained an artificial neural network to carry out this categorization, from a dedicated image database, and independently of the learning algorithm of the detection and counting method according to the invention, and/or
  • At least one physical property of the rock is determined, in fact, the detection and counting of the geological constituents makes it possible to determine the physical properties in particular the porosity, the compaction, the mechanical resistance, or the permeability according to the type and the shape of detected geological constituents, and/or
  • a deformation of the geological constituent is determined, which took place between the moment of the deposit of the geological constituent and the moment of the analysis of the rock sample. For example, one can analyze the shape of the geological constituent and compare its shape with other geological constituents belonging to the same class. These steps can be carried out automatically, preferably using computer means, such as a computer.
  • the invention relates to a method for exploiting the ground or subsoil.
  • the following steps are implemented: a) detecting at least one geological constituent of a rock sample by means of the detection method according to any one of the variants or combinations of variants described previously; and b) The soil and/or subsoil is mined according to the geological constituents of the rock sample detected in the previous step.
  • the first step makes it possible in particular to determine the physical properties of the rock to be analyzed, the exploitation being implemented according to these physical properties.
  • the method may comprise a preliminary step of taking a sample of rock from the soil or subsoil.
  • the operation may relate in particular to the field of the construction of buildings or engineering structures, or the field of the exploitation of raw materials, or the field of gas storage, or the field of risk determination, or the field of site depollution, etc.
  • the constitution of the rocky outcrops and/or the subsoil is determined by the categorization of the rock, and the construction is carried out by adapting in particular the foundations, the structure of the construction according to the categorization of the rock.
  • the rock to be categorized can be taken from the ground or from the subsoil in a shallow manner.
  • the constitution of rocky outcrops and/or the subsoil is determined by the detection of the geological constituents of the rock, and the exploitation of raw materials is carried out (the raw materials can be the rock itself, a material, for example a metal, or a fluid, for example hydrocarbons, present in the subsoil), by allowing including determining the appropriate areas (i.e. drilling areas, areas to be excavated for mines or quarries, etc. with the aim of recovering raw materials), determining the methods and tools to use (e.g. enhanced oil recovery, drilling tools, nature of explosive devices for mines or quarries, etc.).
  • the rock to categorize can be taken from deep underground, can result from drill cuttings, or can come from a rock outcrop, etc.
  • the constitution of the subsoil is determined by the categorization of the rock, and the gas storage is carried out in the subsoil in an appropriate zone, i.e. i.e. in an underground area capable of storing the gas without leakage.
  • the constitution of a rocky outcrop (cliff) is determined by the categorization of the rock, and a consolidation operation is carried out if there is a risk of subsidence or landslide of the rock. outcrop.
  • this process makes it possible to implement the exploitation of the soil and/or the subsoil, in a simple and rapid manner, without calling on an expert geologist.
  • the process also makes it possible to process very large quantities of rock more quickly.
  • the invention also relates to a method for determining the climate in a geographical area through the geological ages, in which the following steps are implemented: a) At least two rock samples are taken at different depths from an underground formation, rock samples that may come from the same succession of rock deposits; b) At least one geological constituent is detected for each rock sample by means of the detection method according to any one of the variants or combinations of variants described previously; and c) determining said climate as well as the geological age in the geographical area as a function of said at least one detected geological constituent.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Chemical & Material Sciences (AREA)
  • Medical Informatics (AREA)
  • Databases & Information Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Food Science & Technology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Medicinal Chemistry (AREA)
  • Remote Sensing (AREA)
  • Geology (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Analysing Materials By The Use Of Radiation (AREA)
  • Image Analysis (AREA)

Abstract

Pour cela, l'invention concerne un procédé de détection et de comptage d'un constituant géologique (cge) d'une image acquise d'un échantillon de roche (IER), au moyen d'une méthode d'apprentissage automatique (ALG) de détection par localisation.

Description

PROCEDE DE DETECTION ET DE COMPTAGE D’AU MOINS UN CONSTITUANT
GEOLOGIQUE D’UN ECHANTILLON DE ROCHE
Domaine technique
La présente invention concerne le domaine de la détection de constituants géologiques d’un échantillon de roche.
La caractérisation d’un échantillon rocheux nécessite souvent de détecter et de compter certains constituants spécifiques, présents à l’intérieur de l'échantillon, comme par exemple des microfossiles, des nanofossiles, des débris végétaux, des minéraux, des grains de pollen, ou analogues. Pour un spécialiste, ce travail peut notamment être réalisé en observant directement l’échantillon rocheux à l’œil nu, ou en découpant une fine tranche, qu’on appelle « lame mince », pour l’observer au microscope optique. Cela permet de catégoriser plus précisément la roche et d’estimer ses propriétés physiques, pour des applications en génie civil, pour la dépollution des sites, pour des recherches de ressources minérales ou énergétiques souterraines, etc.
De plus, dans le cas où ces constituants géologiques sont des microfossiles (micropaléontologie) ou des éléments végétaux (palynologie) dans des roches sédimentaires, ce type d’analyse permet d’estimer à la fois l’âge, l’environnement (marin, côtier, continental...) et le contexte climatique au moment du dépôt du sédiment. Appliqué sur plusieurs échantillons de la même succession sédimentaire, c’est alors un moyen de reconstituer l’évolution du climat dans une zone géographique à travers les âges géologiques (paléo-climatologie).
Technique antérieure
La détection et le comptage de certains constituants géologiques est traditionnellement réalisé manuellement par un expert humain, ce qui nécessite une formation adéquate et est souvent très fastidieux.
Pour ce qui est des microfossiles, on peut consulter, notamment le Manuel de micropaléontologie publié en 2011 par Mathieu, Bellier et Granier (ISBN 978-2-916733-04-3), ainsi que la base de données des foraminifères sur le site Une telle base de données comporte un très grand nombre de données. Cette base n’est donc exploitable que par un expert, et pas dans un procédé automatisé.
Pour ce qui est des minéraux, un ouvrage comparable est l’atlas de pétrographie publié en 2001 par McKenzie et Guilford chez Dunod (ISBN 978-2-100054-59-6).
En ce qui concerne, les pollens, on peut consulter l’ouvrage de Paleopalynology de Alfred Traverse publié en 2007 (ISBN 978-1 -4020-5610-9).
Afin de rendre ces analyses à la fois plus accessibles et plus rapides, l’automatisation de la détection et du comptage par des méthodes numériques a été considérée. Cela peut être réalisé par des systèmes experts, des techniques de seuillage plus ou moins avancées, diverses méthodes d’analyse et de traitement d’images, et surtout par des méthodes d’apprentissage automatique, notamment basées sur des réseaux de neurones artificiels.
Pour les microfossiles, on peut se référer notamment à : Beaufort, L, & Dollfus, D. (2004). Automatic recognition of coccoliths by dynamical neural networks. Marine Micropaleontology, 51 (1 -2), 57-73. Cette méthode est également décrite dans la demande de brevet WO2015132531 A1 . Toutefois, une telle méthode nécessite un grand nombre d’images d’apprentissage pour la méthode d’apprentissage d’automatique. La demande de brevet cite notamment l’utilisation de 10000 images obtenues par microscopie, et 100 images par groupe morphologique. Ce grand nombre d’images d’apprentissage nécessite un temps très important de préparation et un nombre d’opérations préparatoires très important : il faut préparer les lames minces (notamment par découpe de la roche, imprégnation, et rodage) et réaliser les observations au moyen du microscope pour chaque lame mince. Ensuite, pour chaque image, il faut manuellement repérer les constituants considérés, ce qui nécessite un travail conséquent pour un expert. De plus, cette méthode nécessite des images prises dans plusieurs conditions : avec des polarisations différentes et en lumière naturelle, ce qui implique la nécessité d’acquérir plusieurs images d’un même échantillon, ce qui nécessite plus de temps et du matériel adapté.
En ce qui concerne une méthode d’apprentissage automatique appliquée aux minéraux, on peut se référer au document : Thompson, S., Fueten, F., & Bockus, D. [2001] Minerai identification using artificial neural networks and the rotating polarizer stage. Computers & Geosciences, 27(9), 1081 -1089. De la même manière, cette méthode nécessite un grand nombre d’images d’apprentissage (au moins plusieurs centaines, voire plusieurs milliers), ce qui soulève les mêmes inconvénients que ceux précédemment cités. Une autre méthode est décrite dans le document : Carvalho, L. E., Fauth, G., Fauth, S. B., Krahl, G., Moreira, A. C., Fernandes, C. P., & Von Wangenheim, A. (2020). Automated Microfossil Identification and Segmentation Using a Deep Learning Approach. Marine Micropaleontology, 101890. https://doi.Org/10.1016/j.marmicro.2020.1018900. Il s’agit d’une méthode de détection de foraminifères sur des sections de carottes scannées, et basée sur une méthode de segmentation des images. Cette méthode nécessite également un grand nombre d’images d’apprentissage.
En outre, la demande de brevet EP 36737154 décrit un système et une méthode pour déterminer le type de microfossiles en appliquant un apprentissage automatique. Toutefois, cette méthode nécessite de découper les images acquises en une pluralité de données d’image qui requiert une intervention d’un utilisateur.
Résumé de l’invention
La présente invention a pour but de détecter, de classer et de compter des constituants géologiques d’un échantillon de roche, de manière automatique, avec un temps de préparation limité et un nombre d’opérations limité (en prenant une seule image par échantillon de roche). Pour cela, l’invention concerne un procédé de détection et de comptage d’un constituant géologique d’un échantillon de roche, au moyen d’une méthode d’apprentissage automatique de détection par localisation.
L’invention concerne un procédé de détection et de comptage d’au moins un constituant géologique d’un échantillon de roche à partir d’images d’apprentissage, chaque constituant géologique appartenant à une classe de constituant géologique. Pour ce procédé, on met en oeuvre les étapes suivantes : a) On entoure sur lesdites images d’apprentissage chaque constituant géologique au moyen d’une forme géométrique prédéfinie ; b) On associe à chaque forme géométrique prédéfinie sur lesdites images d’apprentissage ladite classe dudit constituant géologique entouré ; c) On entraîne un algorithme d’apprentissage automatique de détection par localisation pour détecter au moins un constituant géologique et pour associer une classe au moyen desdites formes géométriques prédéfinies et desdites classes associées desdites images d’apprentissage ; d) On acquiert une image dudit échantillon de roche ; e) On applique un modèle de détection par localisation construit à partir de ledit algorithme d’apprentissage automatique à ladite image acquise dudit échantillon de roche pour entourer au moins un constituant géologique par ladite forme prédéfinie et pour associer une classe de constituant géologique ; et f) On compte le nombre de constituants géologiques pour chaque classe pour ladite image acquise dudit échantillon de roche.
Selon un mode de réalisation, lesdites classes de constituant géologique sont choisies parmi les microfossiles, les nanofossiles, les débris végétaux, les minéraux, les grains de pollen et les subdivisions de ces éléments.
Conformément à une mise en oeuvre, pour chaque classe de constituant géologique, on associe une couleur.
Selon une caractéristique, ledit algorithme d’apprentissage automatique utilise un réseau de neurones artificiel, de préférence un réseau de neurones convolutif, un réseau de neurones entièrement convolutif ou un réseau de neurones convolutif basé sur des régions.
Selon une option de réalisation, ledit modèle de détection par localisation met en oeuvre les étapes suivantes : i) On génère au moins une région de forme géométrique prédéfinie comprenant un constituant géologique et on associe une classe à chaque région d’intérêt ; ii) On ajuste la position et/ou au moins une dimension de ladite région d’intérêt pour entourer ledit constituant géologique.
Selon une option de réalisation, ledit modèle de détection par localisation génère au moins une forme géométrique prédéfinie pour entourer un constituant géologique.
Avantageusement, ladite forme géométrique prédéfinie est choisie parmi un carré, un rectangle, une ellipse, un polygone, un cercle.
Conformément à un mode de réalisation, on acquiert ladite image dudit échantillon de roche à partir d’une lame mince dudit échantillon de roche.
Selon une mise en oeuvre, on acquiert ladite image dudit échantillon de roche au moyen d’un microscope optique ou électronique, à lumière polarisée ou non, d’une photographie, d’un scanner d'une tomographie avec synchrotron, ou d'une imagerie par rayons X.
Selon un aspect, ledit procédé comporte au moins une étape supplémentaire choisie parmi :
On extrait des portions de ladite image acquise dudit échantillon de roche comprenant ledit au moins un constituant géologique et on construit une base de données d’images dudit au moins un constituant géologique avec lesdites portions extraites de ladite image acquise dudit échantillon de roche, ou
- On détermine des caractéristiques morphologiques et/ou texturales dudit au moins un constituant géologique, ou
- On applique une méthode de classification supervisée pour catégoriser ledit au moins un constituant géologique,
- On détermine au moins une propriété physique de ladite roche, ou
- On détermine une déformation dudit au moins un constituant géologique.
L’invention concerne également un procédé d’exploitation d’un sol ou d’un sous-sol, dans lequel on met en oeuvre les étapes suivantes : a) On détecte au moins un constituant géologique d’un échantillon de roche au moyen du procédé de détection selon l’une des caractéristiques précédentes ; et b) On exploite ledit sol ou ledit sous-sol en fonction de ladite détection dudit constituant géologique de ladite au moins une roche.
Avantageusement, ladite exploitation du sol ou du sous-sol concerne la construction d’un ouvrage sur ledit sol ou dans le sous-sol, le stockage de gaz dans le sous-sol, ou l’exploitation de matières premières dudit sol ou dudit sous-sol, de préférence lesdites matières premières étant la roche elle-même, ou un matériau, ou un fluide contenu dans ledit sol ou dans ledit sous-sol.
En outre, l’invention concerne un procédé de détermination du climat dans une zone géographique à travers les âges géologiques, dans lequel on met en oeuvre les étapes suivantes : a) On prélève au moins deux échantillons de roche à différentes profondeurs d'une formation souterraine ; b) On détecte au moins un constituant géologique pour chaque échantillon de roche au moyen du procédé de détection selon l’une des caractéristiques précédentes ; et c) On détermine ledit climat ainsi que l’âge géologique dans ladite zone géographique en fonction dudit au moins un constituant géologique détecté.
D'autres caractéristiques et avantages du procédé selon l'invention, apparaîtront à la lecture de la description ci-après d'exemples non limitatifs de réalisations, en se référant aux figures annexées et décrites ci-après.
Liste des figures La figure 1 illustre les étapes du procédé de détection selon un mode de réalisation de l’invention.
La figure 2 illustre une première variante de la forme géométrique prédéfinie utilisée par le procédé selon l’invention.
La figure 3 illustre une deuxième variante de la forme géométrique prédéfinie utilisée par le procédé selon l’invention.
La figure 4 illustre une image acquise d’un échantillon de roche ainsi que les constituants géologiques détectés au moyen du procédé selon un mode de réalisation de l’invention.
Description des modes de réalisation
La présente invention concerne un procédé de détection et de comptage de constituants géologiques d’un échantillon de roche. On appelle échantillon de roche un morceau de roche, par exemple (non limitatif) prélevé par carottage. On entend par constituants géologiques au moins un constituant inclus au sein de la roche. Un tel constituant géologique de roche peut être choisi parmi les classes de constituant géologique suivantes : les microfossiles, les nanofossiles, les débris végétaux, les minéraux, les grains de pollen, ou toute subdivision de ces éléments : c’est-à-dire les différents types de microfossiles, différents types de nanofossiles, différents types de débris végétaux, différents types de minéraux, différents types de grains de pollen, ou tout élément analogue. De préférence, les constituants géologiques peuvent être de petites dimensions, notamment de taille millimétrique voire microscopique. La détection de constituants géologiques correspond au repérage des constituants géologiques au sein de l’échantillon de roche. Le procédé selon l’invention permet également d’identifier la classe des constituants géologiques détectés, et de compter le nombre de constituants géologiques pour chaque classe.
Le procédé de détection selon l’invention se base sur l’utilisation d’une image de l’échantillon de roche et sur la mise en oeuvre d’un algorithme d’apprentissage automatique (de l’anglais « machine learning ») pour automatiser cette détection.
Selon un mode de réalisation de l’invention, l’image acquise de l’échantillon de roche, et l’ensemble des images d’apprentissage mises en oeuvre pour l’entraînement de l’algorithme d’apprentissage automatique peuvent être de tous types.
Conformément à une mise en oeuvre de l’invention, l’image peut être celle d’un échantillon de roche entier. En variante, l’image peut être celle d’une carotte prélevée dans une formation souterraine. Alternativement, l’image peut être celle d’une lame mince de l’échantillon de roche. Les échantillons observés peuvent notamment être des lames dites « lames minces » de trois types : lames de matériaux de très faibles épaisseurs de l’ordre de 30 pm, lames plus épaisses de l’ordre de 100 pm, ou sections polies dont l’épaisseur peut aller jusqu’à 10 mm. Pour pouvoir observer correctement ces différents types d’échantillons au microscope, il est important de disposer d’une surface plane et d’une très faible rugosité (quasiment lisse).
De plus, l’image peut être obtenue de différente manière, par exemple au moyen d’un microscope optique ou électronique, à lumière polarisée ou non, au moyen d’un scanner, au moyen d’une photographie, au moyen d’une tomographie avec synchrotron, ou au moyen d'une imagerie par rayons X ou tout système analogue.
Selon un premier mode de réalisation préféré de l’invention, l’image peut être obtenue par un microscope à partir d’une lame mince de l’échantillon de roche. Ainsi, on peut détecter et compter plus facilement les constituants géologiques de petites dimensions, appelés également constituants géologiques microscopiques.
Selon un deuxième mode de réalisation préféré de l’invention, l’image peut être obtenue par un scanner d’une carotte prélevée dans une formation souterraine.
Selon l’invention, le procédé de détection comprend les étapes suivantes :
1 - Entrainement de l’algorithme d’apprentissage automatique
2 - Acquisition de l’image de l’échantillon de roche
3 - Détection et comptage des constituants géologiques de l’échantillon de roche
De manière un peu plus détaillée, le procédé selon l’invention comprend les étapes suivantes :
1 - Entrainement de l’algorithme d’apprentissage automatique
1.1 - Entourage des constituants géologiques des images d’apprentissage
1 .2- Association d’une classe
1 .3- Entraînement de l’algorithme d’apprentissage automatique
2- Acquisition de l’image de l’échantillon de roche
3 - Détection et comptage des constituants géologiques de l’échantillon de roche
3.1 - Détection par localisation et association d’une classe
3.2 - Comptage des constituants géologiques L’étape 1 et les sous-étapes associées 1.1 à 1.3 peuvent être réalisées hors ligne, une seule fois et au préalable. Les étapes 2 et 3, et les sous étapes associées 3.1 et 3.2, peuvent être réalisées en ligne, pour chaque échantillon de roche considéré. En d’autres termes, si l’on souhaite détecter les constituants géologiques de plusieurs échantillons de roches (par exemple plusieurs lames minces d’une même roche), on répète les étapes 2 et 3 pour chaque échantillon de roche, l’algorithme d’apprentissage automatique pouvant être entraîné qu’une seule fois. Les étapes seront détaillées dans la suite de la description.
Selon un mode de réalisation, pour lequel l’algorithme d’apprentissage automatique est déjà entraîné (ce qui implique que le modèle de détection par localisation est déjà construit), les étapes du procédé peuvent être limitées à :
2- Acquisition de l’image de l’échantillon de roche
3 - Détection et comptage des constituants géologiques de l’échantillon de roche
3.1 - Détection par localisation et association d’une classe
3.2 - Comptage des constituants géologiques
Le procédé selon l’invention peut être mis en oeuvre au moyen d’un système informatique, notamment un ordinateur, en particulier les étapes 1 .3, 2, et 3 (3.1 et 3.2).
La figure 1 illustre, schématiquement et de manière non limitative, les étapes du procédé de détection selon un mode de réalisation de l’invention. Dans un premier temps, on réalise les étapes hors ligne Off à partir des images d’apprentissage IAP. Pour chaque image d’apprentissage, on entoure ENT les constituants géologiques au moyen d’une forme prédéfinie. Ensuite, on associe ASS à chaque forme prédéfinie une classe. On entraîne ensuite l’algorithme d’apprentissage automatique ALG de détection par localisation. En ligne Onl, on acquiert une image de l’échantillon de roche 1ER. En appliquant le modèle MOD résultant de l’algorithme d’apprentissage automatique ALG à l’image acquise d’échantillon de roche 1ER, on détecte et on compte les constituants géologiques cge de l’échantillon de roche avec leur classe cia associée.
1 - Entraînement de l’algorithme d’apprentissage automatigue
Il s’agit lors de cette étape d’entraîner l’algorithme d'apprentissage automatique afin de pouvoir automatiser la détection, le classement, et le comptage des constituants géologiques à partir des images d’apprentissage, par exemple à partir d’au moins 10 images d’apprentissage. A la fin de cette étape, l’algorithme d’apprentissage automatique forme un modèle de détection par localisation, qui a pour entrée une image d’échantillon de roche et en sortie la détection et le classement des constituants géologiques.
De plus, le procédé selon l’invention peut comprendre une étape préalable d’acquisition des images d’apprentissage, cette étape pouvant être mise en oeuvre de la même manière que l’étape 2 d’acquisition de l’image de l’échantillon de roche. Par exemple, cette étape préalable peut consister en la préparation de lames minces et en la réalisation de microscopie de ces lames minces pour former les images d’apprentissage.
Selon un mode de réalisation de l’invention, l’algorithme d’apprentissage automatique peut être un algorithme d’apprentissage automatique de classification supervisée, par exemple un réseau de neurones artificiel, de préférence un réseau de neurones convolutif (CNN de l’anglais « Convolutional Neural Network ») ou un réseau de neurones entièrement convolutif (FCNN de l’anglais « Fully Convolutional Neural Network ») ou un réseau de neurones convolutif basé sur des régions (R-CNN de l’anglais « Region-based Convolutional Neural Network »). Le réseau de neurones convolutif, le réseau de neurones entièrement convolutif et le réseau de neurones convolutif basé sur des régions sont particulièrement adaptés au traitement de l’image.
Alternativement, l’algorithme d’apprentissage automatique peut être de tout type, notamment un réseau de neurones non convolutif, une méthode de forêt aléatoire, une méthode de machine à vecteurs de support (de l’anglais « Support Vecteur Machine » ou SVM), ou une méthode de processus gaussiens.
En variante, l’algorithme d’apprentissage automatique peut être un algorithme de classification non supervisée.
1.1 - Entourage des constituants géologiques des images d’apprentissage
Lors de cette étape, on entoure sur les images d’apprentissage chaque constituant géologique au moyen d’une forme géométrique prédéfinie. La forme géométrique prédéfinie délimite des portions des images d’apprentissage qui comportent un constituant géologique. De préférence, on peut utiliser la même forme géométrique prédéfinie pour tous les constituants géologiques, et seules les dimensions de la forme géométrique prédéfinie varient d’une forme géométrique à l’autre en fonction des dimensions des constituants géologiques. De préférence, cette étape peut être mise en oeuvre par un utilisateur.
Selon un mode de réalisation, la forme géométrique prédéfinie peut être choisie parmi un carré, un rectangle, une ellipse, un polygone, un cercle, ou toute forme analogue. De préférence, la forme géométrique prédéfinie peut être une ellipse. En effet, une telle forme permet d’entourer au plus près le constituant géologique, ce qui facile la détection des constituants géologiques.
La figure 2 illustre, schématiquement et de manière non limitative, deux portions d’une image d’apprentissage. La figure de gauche est la portion de l’image d’apprentissage. Cette portion 1 de l’image d’apprentissage comprend un constituant géologique 2. La figure de droite est la portion de l’image d’apprentissage sur laquelle on a représenté la forme géométrique prédéfinie 3, ici un rectangle, qui entoure le constituant géologique 2.
La figure 3 illustre, schématiquement et de manière non limitative, deux portions d’une image d’apprentissage. La figure de gauche est la portion de l’image d’apprentissage. Cette portion 1 de l’image d’apprentissage comprend un constituant géologique 2. La figure de droite est la portion de l’image d’apprentissage sur laquelle on a représenté la forme géométrique prédéfinie 3, ici une ellipse, qui entoure le constituant géologique 2.
1 .2 - Association d’une classe
Lors de cette étape, on associe à chaque forme géométrique prédéfinie de chaque image d’apprentissage une classe de constituant géologique. En d’autres termes, on identifie la classe du constituant géologique entouré par la forme géométrique prédéfinie (par exemple : microfossile, nanofossile, minéraux, ou le type de nanofossile, le type de minéraux, le type de débris végétaux, etc.), et on associe à la forme géométrique prédéfinie la classe du constituant géologique identifié. Ainsi, l’algorithme d’apprentissage permet de détecter et de classer les constituants géologiques. De préférence, cette étape peut être mise en oeuvre par un utilisateur.
Selon un mode de réalisation, on peut associer à chaque classe de constituant géologique une couleur. Pour ce mode de réalisation, la forme géométrique prédéfinie peut être de la couleur correspondante à la classe de constituant géologique identifiée. De cette manière, la visualisation des différentes classes de constituant géologique est facilitée.
En variante, on peut associer à chaque classe de constituant géologique un paramètre. Pour cette variante de réalisation, on peut associer à la forme géométrique prédéfinie le paramètre correspondant à la classe de constituant géologique.
1 .3 - Entraînement de l’algorithme d’apprentissage Lors de cette étape, on entraîne l’algorithme d’apprentissage automatique de détection par localisation au moyen des images d’apprentissage en fonction des formes géométriques prédéfinies et de leurs classes de constituant géologique associée. En d’autres termes, chaque objet détecté est caractérisé par une forme géométrique décrite par ses coordonnées et au moins un descripteur, telle que notamment au moins une dimension, ainsi que par une classe. L’entraînement de l’algorithme d’apprentissage permet de construire un modèle de détection par localisation des constituants géologiques.
L’entraînement de l’algorithme d’apprentissage automatique peut être mis en oeuvre notamment par une des méthodes suivantes :
La méthode décrite notamment dans le document : « J. Redmon, A. Farhadi [2018] YOLOv3: An Incremental Improvement. Eprint arXiv, cs.CV, 1804.02767 ». Il s’agit d’une méthode dite « en une étape » de détection d’objets en temps réel dans des images. La méthode consiste à appliquer un réseau de neurones à une image entière. Celle-ci peut diviser l’image en une grille de 19x19 régions et peut prédire cinq boîtes localisant les objets d’intérêt par cellule de la grille. Une classification est également prédite pour chacune des boîtes. Au total, 1805 boîtes sont prédites par image mais beaucoup ne contiennent pas d’objet ou sont redondantes entre elles. Un filtrage est finalement appliqué à l’ensemble des prédictions pour ne conserver que les boîtes pertinentes. Ces boîtes représentent les objets d’intérêt dans l’image. Cette méthode « en une étape » permet d’améliorer la performance d’inférence de la détection.
La méthode décrite notamment dans le document : « S. Ren, K. He, R. Girshick, J. Sun [2015] Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks. Eprint arXiv, cs.CV, 1506.01497 ». Il s’agit d’une méthode dite « en deux étapes » qui repose sur une unique architecture neuronale utilisée lors de deux tâches successives : o Application du réseau de neurones et d’une couche neuronale « Region Proposal Layer » (pouvant être traduit par « couche de proposition de région ») pour générer un ensemble de propositions (par exemple 2000) de régions d’intérêt à partir d’une image. Ces régions comportent les objets à détecter et sont filtrées pour éliminer les régions non pertinentes et redondantes. o Application du réseau de neurones et d’une couche « Spatial Pooling » (pouvant être traduit par « mise en commun de l’espace ») pour classifier chaque région d’intérêt et ajuster la position et/ou au moins une dimension de la région d’intérêt à partir de l’image utilisée dans l’étape précédente. Cette méthode « en deux étapes » permet d’améliorer la précision de la détection.
2 - Acquisition de l’imaqe de l’échantillon de roche
Il s’agit lors de cette étape d’acquérir une image de l’échantillon de roche à analyser. Pour cela, on peut mettre en oeuvre, une des méthodes d’acquisition d’image adaptée au procédé selon l’invention : microscope optique ou électronique, polarisé ou non, photographie, scanner, tomographie avec synchrotron, imagerie par rayons X, etc. De plus, on peut acquérir une image directement de l’échantillon de roche ou à partir d’une lame mince de l’échantillon de roche.
Selon un mode de réalisation de l’invention, lorsque le procédé de détection selon l’invention met en oeuvre des images de lame mince, cette étape peut comporter une sous-étape de préparation d’une lame-mince à partir de l’échantillon de roche à analyser.
3 - Détection et comptaqe des constituants qéoloqiques de l’échantillon de roche
Lors de cette étape, on détecte, on classe et on compte automatiquement les constituants géologiques de l’échantillon de roche, au moyen de l’image acquise de l’échantillon de roche, et au moyen d’un modèle de détection par localisation construit à partir de l’algorithme d’apprentissage automatique. Ainsi, on applique un modèle de détection par localisation formé à partir de l’algorithme d’apprentissage automatique à l’image acquise de l’échantillon de roche. Une seule image acquise de l’échantillon de roche suffit pour détecter les constituants géologiques.
Pour le mode de réalisation, pour lequel on met en oeuvre le procédé pour des lames minces de roche, on peut mettre en oeuvre cette étape et la précédente pour plusieurs lames minces d’une même roche, afin d’améliorer la représentativité de la détection et du comptage des constituants géologiques de la roche.
3.1 - Détection par localisation et association d’une classe
Lors de cette étape, on applique le modèle de détection par localisation formé par l’algorithme d’apprentissage automatique obtenu à l’étape 1.3 à l’image acquise de l’échantillon de roche à l’étape 2. Ainsi, on entoure automatiquement par le modèle de détection au moins un constituant géologique de l’image acquise de l’échantillon de roche par une forme géométrique prédéfinie, et on associe automatiquement une classe de constituant géologique à la forme géométrique prédéfinie. De préférence, la forme géométrique prédéfinie est identique à la forme géométrique prédéfinie utilisée à l’étape 1.1 ; seules les dimensions de la forme géométrique prédéfinie varient d’un constituant géologique à l’autre pour s’adapter aux dimensions du constituant géologique. A la fin de cette étape, on peut former une nouvelle image qui comporte l’image acquise de l’échantillon de roche, sur laquelle sont superposées les formes géométriques prédéfinies.
Pour le mode de réalisation pour lequel on associe une couleur ou un paramètre à une classe, lors de cette étape, on peut attribuer également la couleur ou le paramètre à chaque forme géométrique prédéfinie identifiée sur l’image acquise de l’échantillon de roche. Dans le cadre de l’association d’une couleur, la visualisation et le comptage des différentes classes de constituant géologique de l’image acquise de l’échantillon de roche est facilitée.
3.2 - Comptage des constituants géologiques
Lors de cette étape, on compte, de manière automatique, le nombre de constituants géologiques pour chaque classe de constituant géologique pour l’image acquise de l’échantillon de roche. En d’autres termes, on compte le nombre de formes géométriques prédéfinies identifiées à l’étape 3.1 pour chaque classe de constituant géologique pour l’image acquise de l’échantillon de roche à l’étape 2. Ainsi, on peut obtenir une répartition des constituants géologiques pour un échantillon de roche à analyser.
La figure 4 illustre, pour un exemple illustratif non limitatif, dans sa partie gauche, une image 4 acquise d’un échantillon de roche, et dans sa partie droite l’image 9 de l’image 4 avec les formes géométriques prédéfinies entourant les constituants géologiques. Cette image acquise 4 a été obtenue par microscopie d’une lame mince de l’échantillon de roche. L’image 9 a été obtenue par le procédé de détection et de comptage selon l’invention. Pour le procédé de détection selon l’invention, l’algorithme d’apprentissage automatique a été entraîné avec 15 images d’apprentissage. De plus, on a mis en oeuvre un réseau de neurones convolutif et la méthode « en deux étapes ». Sur l’image 9, les constituants géologiques sont identifiés par des rectangles (forme géométrique prédéfinie) 5, 6, 7 et 8. Chaque type de rectangle correspond à une classe de foraminifère (qui est un type de microfossiles). Le procédé selon l’invention permet de déterminer la répartition suivante :
Six foraminifères de la classe correspondant aux rectangles référencés 5, Dix foraminifères de la classe correspondant aux rectangles référencés 6, Un foraminifère de la classe correspondant au rectangle référencé 7, et Six foraminifères de la classe correspondant aux rectangles référencés 8.
Ainsi, le procédé selon l’invention permet bien de détecter et compter automatiquement les constituants géologiques d’une image d’un échantillon de roche.
De plus, le procédé selon l’invention peut comporter au moins une des étapes supplémentaires suivantes :
- On détermine la proportion du volume de l’échantillon de roche occupée par les constituants géologiques à partir de la détection du constituant géologique, en d’autres termes à partir de l’image acquise, et/ou
- On estime des caractéristiques morphologiques et/ou texturales (par exemple la forme, les dimensions, la présence de stries, etc.) des constituants géologiques, par exemple au moyen d’un traitement d’image, et/ou
- On extrait des portions de l’image acquise de l’échantillon de roche comprenant un constituant géologique, et on construit une base de données d’images des constituants géologiques à partir des portions extraites de l’image acquise de l’échantillon de roche, et/ou
- On applique une méthode de classification supervisée pour catégoriser plus finement les constituants géologiques depuis la détection du constituant géologique. Par exemple, on peut déterminer la sous-espèce à laquelle appartient chaque microfossile détecté. Cette étape peut nécessiter d’avoir préalablement entrainé un réseau de neurones artificiel à effectuer cette catégorisation, à partir d’une base d’images dédiée, et de manière indépendante de l’algorithme d’apprentissage du procédé de détection et de comptage selon l’invention, et/ou
- On détermine au moins une propriété physique de la roche, en effet, la détection et le comptage des constituants géologiques permet de déterminer des propriétés physiques notamment la porosité, la compaction, la résistance mécanique, ou la perméabilité en fonction du type et de la forme des constituants géologiques détectés, et/ou
- On détermine une déformation du constituant géologique, qui a eu lieu entre le moment du dépôt du constituant géologique et le moment de l’analyse de l’échantillon de roche. Par exemple, on peut analyser la forme du constituant géologique et comparer sa forme avec d’autres constituants géologiques appartenant à la même classe. Ces étapes peuvent être réalisées automatiquement, de préférence grâce à des moyens informatiques, tels qu’un ordinateur.
En outre, l’invention concerne un procédé d’exploitation du sol ou du sous-sol. Pour ce procédé, on met en oeuvre les étapes suivantes : a) On détecte au moins un constituant géologique d’un échantillon de roche au moyen du procédé de détection selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et b) On exploite le sol et/ou le sous-sol en fonction des constituants géologiques de l’échantillon de roche détectés à l’étape précédente.
La première étape permet notamment de déterminer les propriétés physiques de la roche à analyser, l’exploitation étant mise en oeuvre en fonction de ces propriétés physiques.
Pour ce procédé d’exploitation du sol ou du sous-sol, le procédé peut comprendre une étape préalable de prélèvement d’un échantillon de roche du sol ou du sous-sol.
L’exploitation peut concerner notamment le domaine de la construction de bâtiments ou d’ouvrages d’art, ou le domaine de l’exploitation de matières premières, ou le domaine du stockage de gaz, ou le domaine de la détermination des risques, ou le domaine de la dépollution des sites, etc.
Dans le domaine de la construction, on détermine la constitution des affleurements rocheux et/ou du sous-sol par la catégorisation de la roche, et on réalise la construction en adaptant notamment les fondations, la structure de la construction en fonction de la catégorisation de la roche. Pour ces applications, la roche à catégoriser peut être prélevée sur le sol ou dans le sous-sol de manière peu enfouie.
Dans le domaine d’exploitation de matières premières (par exemple pour les carrières, les mines, la récupération des hydrocarbures, etc.), on détermine la constitution des affleurements rocheux et/ou du sous-sol par la détection des constituants géologiques de la roche, et on réalise l’exploitation de matières premières (les matières premières peuvent être la roche elle- même, un matériau, par exemple un métal, ou un fluide, par exemple des hydrocarbures, présents dans le sous-sol), en permettant notamment de déterminer les zones adéquates (c’est-à-dire les zones de forage, les zones à creuser pour les mines ou les carrières, etc. dans le but de récupérer des matières premières), de déterminer les méthodes et les outils à utiliser (par exemple la récupération assistée des hydrocarbures, les outils de forage, la nature des engins explosifs pour les mines ou les carrières, etc.). Pour ces applications, la roche à catégoriser peut être prélevée en profondeur dans le sous-sol, peut résulter de débris de forage, ou peut provenir d’un affleurement rocheux, etc.
Dans le domaine du stockage de gaz, par exemple du CO2, on détermine la constitution du sous-sol par la catégorisation de la roche, et on réalise le stockage de gaz dans le sous-sol dans une zone adéquate, c’est-à-dire dans une zone souterraine apte à stocker le gaz sans fuite.
Dans le domaine de la détermination des risques, on détermine la constitution d’un affleurement rocheux (falaise) par la catégorisation de la roche, et on réalise une opération de consolidation s’il existe un risque d’affaissement ou d’éboulement de l’affleurement rocheux.
Ainsi, ce procédé permet de mettre en oeuvre l’exploitation du sol et/ou du sous-sol, de manière simple et rapide, sans faire appel à un géologue expert. Le procédé permet également de traiter plus rapidement de très importantes quantités de roches.
L’invention concerne également un procédé de détermination du climat dans une zone géographique à travers les âges géologiques, dans lequel on met en oeuvre les étapes suivantes : a) On prélève au moins deux échantillons de roche à différentes profondeurs d'une formation souterraine, les échantillons de roche pouvant provenir d’une même succession de dépôts rocheux ; b) On détecte au moins un constituant géologique pour chaque échantillon de roche au moyen du procédé de détection selon l’une quelconque des variantes ou des combinaisons de variantes décrites précédemment ; et c) On détermine ledit climat ainsi que l’âge géologique dans la zone géographique en fonction dudit au moins un constituant géologique détecté.
Comme il va de soi, l’invention ne se limite pas aux seules formes de réalisation décrites ci- dessus à titre d’exemple, elle embrasse au contraire toutes les variantes de réalisation.

Claims

Revendications
1. Procédé de détection et de comptage d’au moins un constituant géologique (cge) d’un échantillon de roche à partir d’images d’apprentissage (IAP), chaque constituant géologique appartenant à une classe de constituant géologique (cia), caractérisé en ce qu’on met en oeuvre les étapes suivantes : a) On entoure (ENT) sur lesdites images d’apprentissage (IAP) chaque constituant géologique (cge) au moyen d’une forme géométrique prédéfinie ; b) On associe (ASS) à chaque forme géométrique prédéfinie (cge) sur lesdites images d’apprentissage (IAP) ladite classe dudit constituant géologique entouré ; c) On entraîne un algorithme d’apprentissage automatique (ALG) de détection par localisation pour détecter au moins un constituant géologique (cge) et pour associer une classe (cia) au moyen desdites formes géométriques prédéfinies et desdites classes associées desdites images d’apprentissage (IAP) ; d) On acquiert une image dudit échantillon de roche (1ER) ; e) On applique un modèle de détection par localisation (MOD) construit à partir dudit algorithme d’apprentissage automatique (ALG) à ladite image acquise dudit échantillon de roche (1ER) pour entourer au moins un constituant géologique (cge) par ladite forme prédéfinie et pour associer une classe de constituant géologique (cia) ; et f) On compte le nombre de constituants géologiques (cge) pour chaque classe (cia) pour ladite image acquise dudit échantillon de roche (1ER).
2. Procédé selon la revendication 1 , dans lequel lesdites classes (cia) de constituant géologique sont choisies parmi les microfossiles, les nanofossiles, les débris végétaux, les minéraux, les grains de pollen et les subdivisions de ces éléments.
3. Procédé selon l’une des revendications précédentes, dans lequel pour chaque classe (cia) de constituant géologique, on associe une couleur.
4. Procédé selon l’une des revendications précédentes, dans lequel ledit algorithme d’apprentissage automatique (ALG) utilise un réseau de neurones artificiel, de préférence un réseau de neurones convolutif, un réseau de neurones entièrement convolutif ou un réseau de neurones convolutif basé sur des régions.
5. Procédé selon l’une des revendications précédentes, dans lequel ledit modèle de détection par localisation met en oeuvre les étapes suivantes : i) On génère au moins une région de forme géométrique prédéfinie comprenant un constituant géologique et on associe une classe à chaque région ; ii) On ajuste la position et/ou au moins une dimension de ladite région pour entourer ledit constituant géologique.
6. Procédé selon l’une des revendications 1 à 4, dans lequel ledit modèle de détection par localisation génère au moins une forme géométrique prédéfinie pour entourer un constituant géologique.
7. Procédé selon l’une des revendications précédentes, dans lequel ladite forme géométrique prédéfinie est choisie parmi un carré, un rectangle, une ellipse, un polygone, un cercle.
8. Procédé selon l’une des revendications précédentes, dans lequel on acquiert ladite image dudit échantillon de roche (1ER) à partir d’une lame mince dudit échantillon de roche.
9. Procédé selon l’une des revendications précédentes, dans lequel on acquiert ladite image dudit échantillon de roche (1ER) au moyen d’un microscope optique ou électronique, à lumière polarisée ou non, d’une photographie, d’un scanner d'une tomographie avec synchrotron, ou d'une imagerie par rayons X.
10. Procédé selon l’une des revendications précédentes, dans lequel ledit procédé comporte au moins une étape supplémentaire choisie parmi :
- On extrait des portions de ladite image acquise dudit échantillon de roche comprenant ledit au moins un constituant géologique et on construit une base de données d’images dudit au moins un constituant géologique avec lesdites portions extraites de ladite image acquise dudit échantillon de roche, ou
- On détermine des caractéristiques morphologiques et/ou texturales dudit au moins un constituant géologique, ou
- On applique une méthode de classification supervisée pour catégoriser ledit au moins un constituant géologique,
- On détermine au moins une propriété physique de ladite roche, ou
- On détermine une déformation dudit au moins un constituant géologique.
11 . Procédé d’exploitation d’un sol ou d’un sous-sol, dans lequel on met en oeuvre les étapes suivantes : a) On détecte au moins un constituant géologique (cge) d’un échantillon de roche au moyen du procédé de détection selon l’une des revendications précédentes ; et b) On exploite ledit sol ou ledit sous-sol en fonction de ladite détection dudit constituant géologique (cge) de ladite au moins une roche.
12. Procédé d’exploitation d’un sol ou d’un sous-sol selon la revendication 11 , dans lequel ladite exploitation du sol ou du sous-sol concerne la construction d’un ouvrage sur ledit sol ou dans le sous-sol, le stockage de gaz dans le sous-sol, ou l’exploitation de matières premières dudit sol ou dudit sous-sol, de préférence lesdites matières premières étant la roche elle-même, ou un matériau, ou un fluide contenu dans ledit sol ou dans ledit sous- sol. Procédé de détermination du climat dans une zone géographique à travers les âges géologiques, dans lequel on met en oeuvre les étapes suivantes : a) On prélève au moins deux échantillons de roche à différentes profondeurs d'une formation souterraine ; b) On détecte au moins un constituant géologique (cge) pour chaque échantillon de roche au moyen du procédé de détection selon l’une des revendications 1 à 11 ; et c) On détermine ledit climat ainsi que l’âge géologique dans ladite zone géographique en fonction dudit au moins un constituant géologique (cge) détecté.
EP21752574.0A 2020-09-02 2021-08-16 Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche Pending EP4208818A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR2008909A FR3113735B1 (fr) 2020-09-02 2020-09-02 Procédé de détection et de comptage d’au moins un constituant géologique d’un échantillon de roche
PCT/EP2021/072698 WO2022048891A1 (fr) 2020-09-02 2021-08-16 Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche

Publications (1)

Publication Number Publication Date
EP4208818A1 true EP4208818A1 (fr) 2023-07-12

Family

ID=74125314

Family Applications (1)

Application Number Title Priority Date Filing Date
EP21752574.0A Pending EP4208818A1 (fr) 2020-09-02 2021-08-16 Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche

Country Status (5)

Country Link
US (1) US12524991B2 (fr)
EP (1) EP4208818A1 (fr)
CA (1) CA3187737A1 (fr)
FR (1) FR3113735B1 (fr)
WO (1) WO2022048891A1 (fr)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US12142024B2 (en) * 2021-12-28 2024-11-12 King Fahd University Of Petroleum And Minerals Automated bioturbation image classification using deep learning

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
FR3018354B1 (fr) 2014-03-05 2017-06-09 Total Sa Procede d'analyse d'echantillons sedimentaires avec reconnaissance automatique de nannofossiles
WO2018207885A1 (fr) 2017-05-10 2018-11-15 日本電気株式会社 Dispositif d'analyse, dispositif de datation de strate, procédé d'analyse, procédé de datation de strate et programme
CN209102420U (zh) * 2018-11-06 2019-07-12 谢山立 一种实验用地质抽取式取样装置
US10922574B1 (en) * 2018-12-10 2021-02-16 Zoox, Inc. Bounding box embedding for object identifying
US20220207079A1 (en) * 2019-05-09 2022-06-30 Abu Dhabi National Oil Company Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks
US11670073B2 (en) * 2020-08-25 2023-06-06 Saudi Arabian Oil Company System and method for detection of carbonate core features from core images

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TANG DAVID G ET AL: "Machine learning for point counting and segmentation of arenite in thin section", MARINE AND PETROLEUM GEOLOGY, ELSEVIER, AMSTERDAM, NL, vol. 120, 11 June 2020 (2020-06-11), XP086243921, ISSN: 0264-8172, [retrieved on 20200611], DOI: 10.1016/J.MARPETGEO.2020.104518 *

Also Published As

Publication number Publication date
US12524991B2 (en) 2026-01-13
CA3187737A1 (fr) 2022-03-10
US20230316713A1 (en) 2023-10-05
WO2022048891A1 (fr) 2022-03-10
FR3113735B1 (fr) 2025-02-14
FR3113735A1 (fr) 2022-03-04

Similar Documents

Publication Publication Date Title
EP4143567B1 (fr) Procede de detection d'au moins un constituant geologique d'un echantillon de roche
Vasuki et al. Semi-automatic mapping of geological Structures using UAV-based photogrammetric data: An image analysis approach
EP2846176B1 (fr) Procédé d'exploitation d'un gisement souterrain comprénant au moins un affleurement géologique au moyen d'une photogrammétrie
Prabhakaran et al. An automated fracture trace detection technique using the complex shearlet transform
FR3081232A1 (fr) Procede pour la detection d'objets geologiques dans une image sismique
Kazak et al. Machine-learning-assisted segmentation of focused ion beam-scanning electron microscopy images with artifacts for improved void-space characterization of tight reservoir rocks
Aghaee et al. A convolutional neural network for semi-automated lineament detection and vectorisation of remote sensing data using probabilistic clustering: A method and a challenge
Battulwar et al. Automatic extraction of joint orientations in rock mass using PointNet and DBSCAN
Marques et al. Deep learning application for fracture segmentation over outcrop images from UAV-based digital photogrammetry
Baranwal et al. Application of unmanned aerial vehicle (UAV) for damage assessment of a cultural heritage monument
WO2022048891A1 (fr) Procede de detection et de comptage d'au moins un constituant geologique d'un echantillon de roche
Nande et al. Automated reservoir characterization of carbonate rocks using deep learning image segmentation approach
Wang et al. Improved progressive triangular irregular network densification filtering algorithm for airborne LiDAR data based on a multiscale cylindrical neighborhood
Landauer et al. Archaeological site detection: latest results from a deep learning based Europe wide hillfort search
CA3157064A1 (fr) Procede de categorisation d'une roche a partir d'au moins une image
Cattapan et al. A method for segmentation of pebble images in the presence of shadows
Hesni et al. Automated delineation and morphometry of unclassified subglacial bedforms
Zhang et al. A benchmark dataset and baseline methods for rock microstructure interpretation in SEM images
Jang et al. Towards Species-Specific Coral Classification in Reef Monitoring Efforts
Zylshal et al. An object based image analysis approach to semi-automated karst morphology extraction
Sato et al. Automatic facies classification using convolutional neural network for three-dimensional outcrop data: Application to the outcrop of the mass-transport deposit
Anderson Mapping Relict Charcoal Hearths in the Northeast US Using Deep Learning Convolutional Neural Networks and LIDAR Data
Gomez Llerena Investigation of the Integrity of Tailings Dam Surfaces Using Aerial Imaging and Computer Vision
Llerena Investigation of the Integrity of Tailings Dam Surfaces Using Aerial Imaging and Computer Vision
Leonard et al. Robust automatic crater detection at all latitudes on Mars with Deep-learning

Legal Events

Date Code Title Description
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: UNKNOWN

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: THE INTERNATIONAL PUBLICATION HAS BEEN MADE

PUAI Public reference made under article 153(3) epc to a published international application that has entered the european phase

Free format text: ORIGINAL CODE: 0009012

STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: REQUEST FOR EXAMINATION WAS MADE

17P Request for examination filed

Effective date: 20230403

AK Designated contracting states

Kind code of ref document: A1

Designated state(s): AL AT BE BG CH CY CZ DE DK EE ES FI FR GB GR HR HU IE IS IT LI LT LU LV MC MK MT NL NO PL PT RO RS SE SI SK SM TR

DAV Request for validation of the european patent (deleted)
DAX Request for extension of the european patent (deleted)
STAA Information on the status of an ep patent application or granted ep patent

Free format text: STATUS: EXAMINATION IS IN PROGRESS

17Q First examination report despatched

Effective date: 20250714