RU2760105C1 - System, machine-readable media and method for core analysis by images - Google Patents
System, machine-readable media and method for core analysis by images Download PDFInfo
- Publication number
- RU2760105C1 RU2760105C1 RU2021106490A RU2021106490A RU2760105C1 RU 2760105 C1 RU2760105 C1 RU 2760105C1 RU 2021106490 A RU2021106490 A RU 2021106490A RU 2021106490 A RU2021106490 A RU 2021106490A RU 2760105 C1 RU2760105 C1 RU 2760105C1
- Authority
- RU
- Russia
- Prior art keywords
- image
- core
- images
- rocks
- description
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
Description
ОБЛАСТЬ ТЕХНИКИ FIELD OF TECHNOLOGY
Техническое решение относится к области вычислительной техники, а именно к способам и системам обработки данных керна, изображений керна.The technical solution relates to the field of computer technology, namely to methods and systems for processing core data, core images.
УРОВЕНЬ ТЕХНИКИLEVEL OF TECHNOLOGY
Ключевым способом получения информации о характеристиках залегающих пород и наличии в них извлекаемых углеводородов является колонковое бурение разведывательных скважин с последующим анализом керна, добытого из них. Керн представляет собой цилиндрический образец несколько дециметров в диаметре и несколько метров в длину. Обычно он состоит из 3-5 широких слоев породы, чередующихся узкими прослойками (слойками) включений. Будучи добытым из коллектора углеводоров, в состав керна могут входить различные нефтеносные осадочные породы, например, несцементированный песок, известняк, доломит, песчаник, алевролит, а также слои глины, образующие природные границы резервуара.A key way to obtain information about the characteristics of the underlying rocks and the presence of recoverable hydrocarbons in them is core drilling of exploration wells, followed by analysis of the core extracted from them. The core is a cylindrical sample several decimeters in diameter and several meters in length. Usually it consists of 3-5 broad layers of rock, alternating with narrow interlayers (layers) of inclusions. Recovered from a hydrocarbon reservoir, the core can include various oil-bearing sedimentary rocks, such as unconsolidated sand, limestone, dolomite, sandstone, siltstone, and clay layers that form the natural reservoir boundaries.
Керн требуется извлекать и перевозить неповрежденным, чтобы он сохранял свои изначальные физико-механические свойства: в первую очередь пористость (сквозную и общую) и связанную с ним газо- и гидропроницаемость (они определяют принципиальную возможность осуществлять нефтедобычу из пласта). Другим важным аспектом является точное указание изначальной ориентации керна (верх/низ), его привязка к определенной скважине и глубине, без которых дальнейшие исследования становятся бессмысленными. После извлечения, маркировки и первичного осмотра, добытый образец породы доставляют в кернохранилище для проведения детальных лабораторных испытаний. Там заранее приглашенные специалисты подрядных сервисных организаций (обычно отраслевых НИИ) сначала проводят качественные литологические исследования на макроскопическом масштабе, а затем количественные петрографические измерения уже на микроуровне.The core must be removed and transported intact so that it retains its original physical and mechanical properties: first of all, porosity (through and total) and associated gas and hydraulic permeability (they determine the fundamental possibility of oil production from the reservoir). Another important aspect is the exact indication of the initial orientation of the core (top / bottom), its binding to a specific borehole and depth, without which further research becomes meaningless. After extraction, marking and initial inspection, the extracted rock sample is delivered to the core storage for detailed laboratory tests. There, specialists from contracting service organizations (usually industry research institutes), invited in advance, first carry out qualitative lithological studies at the macroscopic scale, and then quantitative petrographic measurements at the micro level.
В первую очередь керн распиливают на несколько частей, полируют и целиком фотографируют при дневном и ультрафиолетовом (УФ) свете. Последнее делают для визуальной идентификации нефти: при дневном свете нефтяные включения (особенно для образцов с крупными порами/трещинами и высокой насыщенностью) видны как темные маслянистые пятна на поверхности; в УФ свете нефть обычно фотолюминисцирует бело-синим, а иногда коричнево-желтым в зависимости от ее сорта. Даже если в образце нефть сразу не обнаруживают, для него по-прежнему идентифицируют фации (слои, имеющие общие характеристики), определяют степень раздробленности пластов и идентифицируют литотипы пород, слагающих керн. Эта информация, впоследствии используется для построения модели месторождения.First of all, the core is cut into several parts, polished and photographed entirely in daylight and ultraviolet (UV) light. The latter is done for visual identification of oil: in daylight, oil inclusions (especially for samples with large pores / cracks and high saturation) are visible as dark oily spots on the surface; Under UV light, oil usually photoluminesces blue-white and sometimes brown-yellow, depending on the grade. Even if oil is not immediately detected in a sample, facies (layers with common characteristics) are still identified for it, the degree of fragmentation of the reservoirs is determined, and the lithotypes of the rocks composing the core are identified. This information is subsequently used to build a field model.
На втором этапе из интересующих зон керна подготавливают шлифы и проводят точечные петрографические измерения с помощью оптического/электронного микроскопа. Также выполняют ряд химических тестов. В частности, изучают:At the second stage, thin sections are prepared from the core zones of interest and point petrographic measurements are carried out using an optical / electron microscope. A number of chemical tests are also performed. In particular, they study:
1) Морфологию и размер зерен, соотношения между структурными элементами фации;1) Morphology and grain size, relationships between structural elements of the facies;
2) Химический состав пород;2) Chemical composition of rocks;
3) Фильтрационно-емкостные свойства пластов (пористость, проницаемость).3) Filtration and reservoir properties of formations (porosity, permeability).
Обычно из скважины извлекают для анализа сразу ~40 образцов породы длиной ~10 метров каждый. Ручной анализ 1 метра керна длится ~15 минут, что для 400 метров материала, добытого только из одной скважины, составляет 100 человеко-часов или 12,5 трудодней. Обычно разбором привезенной породы одновременно занимаются несколько человек, на что, с учетом логистики, а также времени на фотосъемку, суммарно уходит почти одна неделя.Usually, ~ 40 rock samples, each ~ 10 meters long, are removed from the well for analysis. Manual analysis of 1 meter of core takes ~ 15 minutes, which is 100 man-hours or 12.5 workdays for 400 meters of material extracted from just one well. Usually, several people are engaged in the analysis of the brought breed at the same time, which, taking into account the logistics, as well as the time for photography, takes almost one week in total.
Главной проблемой для получения быстрого и точного отчета о литологических свойствах образца, является их достаточно общий описательный формат, обычно приводимый в виде текстового заключения эксперта по полученным фотографиям керна. Такое описание оказывается во многом субъективным, так как предполагает ручную разметку границ фаций и определение пород "на глаз" по их цвету и текстуре. Из-за этого один и тот же пласт может у разных специалистов иметь немного разнящийся литотип. Другим сдерживающим фактором является ограниченные возможности человеческого глаза различать близкие оттенки, по причине чего иногда упускаются похожие по цвету включения. Здесь также следует отметить, что в УФ свете люминесцировать может не только сама нефть, но и карбонаты в составе породы-коллектора, чей цвет может ранжироваться от оранжево-коричневого до, в редких случаях, фиолетового, что вносит дополнительные сложности в осуществление разметки. Наконец, между заключениями разных экспертов возможны терминологические разночтения, так как анализом керна обычно занимаются внешние подрядные организации, которые могут использовать свои собственные обозначения.The main problem for obtaining a quick and accurate report on the lithological properties of a sample is their rather general descriptive format, usually given in the form of a textual expert opinion on the obtained core photographs. This description turns out to be largely subjective, since it involves manual marking of facies boundaries and identification of rocks "by eye" by their color and texture. Because of this, the same layer may have a slightly different lithotype for different specialists. Another limiting factor is the limited ability of the human eye to distinguish close shades, which is why sometimes inclusions of similar color are missed. It should also be noted here that not only oil itself can luminesce in UV light, but also carbonates in the reservoir rock, whose color can range from orange-brown to, in rare cases, violet, which introduces additional difficulties in the implementation of marking. Finally, terminological discrepancies are possible between the opinions of different experts, since core analysis is usually performed by external contractors who can use their own designations.
Перечисленные выше проблемы, приводят к весьма долгому и не всегда достаточно точному литологическому анализу керна.The problems listed above lead to a very long and not always sufficiently accurate lithological analysis of the core.
Из уровня техники известна публикация заявки на патент КНР CN110119753 A "Method for recognizing lithology through reconstructed textures", CHANGJIANG GEOTECHNICAL ENG CORPORATION; CHANGJIANG INST SURVEY PLANNING DESIGN & RES CO LTD, которая раскрывает техническое решение, используемое для определения литологической структуры пород с выделения характерных черт на изображении образца породы. Техническое решение позволяет определить категорию породы по некоторым характерным признакам.The prior art discloses the publication of the PRC patent application CN110119753 A "Method for recognizing lithology through reconstructed textures", CHANGJIANG GEOTECHNICAL ENG CORPORATION; CHANGJIANG INST SURVEY PLANNING DESIGN & RES CO LTD, which discloses the technical solution used to determine the lithological structure of rocks by highlighting the characteristic features in the image of the rock sample. The technical solution allows you to determine the category of the breed by some characteristic features.
Из уровня техники известна публикация заявки на патент США US 20170286802А1, "Automated core description", Saudi Arabian Oil Co, которая раскрывает решение по автоматическому описанию образца керна с использованием цвета, зерна, ориентации и текстуры образцов.The prior art discloses the publication of US patent application US 20170286802A1, "Automated core description", Saudi Arabian Oil Co, which discloses a solution for the automatic description of a core sample using color, grain, orientation and texture of the samples.
Описанные технические решения не позволяют полностью автоматизировать процесс разметки/описания керна по изображению, имеют более низкую точность.The described technical solutions do not allow to fully automate the process of marking / describing the core from the image, they have a lower accuracy.
СУЩНОСТЬESSENCE
Технический результат - повышение эффективности и точности описания керна по изображениям, уменьшение ошибок при описании керна, повышение степени автоматизации процесса описания изображения керна с сохранением высокой точности результатов и уменьшении влияния человеческого фактора на итоги анализа.The technical result is an increase in the efficiency and accuracy of the description of the core from images, a decrease in errors in the description of the core, an increase in the degree of automation of the process of description of the core image while maintaining high accuracy of the results and reducing the influence of the human factor on the analysis results.
Способ компьютерной обработки и описания изображения керна включает следующие шаги: получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете; определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации; формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения; передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород (МК1), выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит; определяют области свечения на УФ изображениях керна; формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения; передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор (МК2), выполненный с возможностью определения нефтенасыщенности и карбонатности; определяют площадь разрушенности изображения ДС и формируют аналитические выводы о степени разрушенности; формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности.The method of computer processing and description of the core image includes the following steps: obtaining an image of the core in daylight (DS) and ultraviolet (UV) light; determining whole segments in the daylight image of the core (DS) using the watershed method based on the specified segmentation settings; form a vector of characteristics of the category of rocks for each previously defined segment of the image; the generated vectors of signs of the category of rocks are transmitted to the multiclass classifier of rocks (MK1), made with the ability to determine at least the following rocks - sandstone, siltstone, mudstone; determine the areas of luminescence on the UV images of the core; form vectors of signs of oil saturation and carbonate content for each specific area of the glow; the generated vectors of oil saturation and carbonate indicators are transmitted to a multiclass classifier (MK2), configured to determine oil saturation and carbonate content; determine the area of destruction of the image of the DS and form analytical conclusions about the degree of destruction; form a description of the images of the core based on the results of determining the category of rocks of the segments, determining the oil saturation and carbonate content of the glow areas in the UV and analytical conclusions about the degree of destruction.
В некоторых вариантах реализации настройки сегментации включают по крайней мере: стандартное отклонение для ядра Гаусса, величина структурирующего элемента для морфологии, коэффициент обрезки боковых областей на изображениях керна, значение коэффициента для бинаризации изображения.In some embodiments, the segmentation settings include at least: the standard deviation for the Gaussian kernel, the value of the structuring element for the morphology, the trimming factor of the side regions in the core images, the factor value for the binarization of the image.
В некоторых вариантах реализации при сегментации удаляют шумы с изображения при помощи фильтра Гаусса, используют оператор Собеля и метод Отсу для выделения трещин и граничных переходов между прослоями, маркируют объекты переднего плана с использованием методов морфологии.In some embodiments, the segmentation removes noise from the image using a Gaussian filter, uses the Sobel operator and the Otsu method to isolate cracks and boundary transitions between interlayers, and label foreground objects using morphology methods.
В некоторых вариантах реализации дополнительно обрезают края изображения.In some implementations, the edges of the image are further cropped.
В некоторых вариантах реализации (мультиклассовый) классификатор (МК1 и/или МК2) обучается с использованием методов Random Forest или Extra Trees или Decision Tree.In some implementations, a (multiclass) classifier (MK1 and / or MK2) is trained using Random Forest or Extra Trees or Decision Tree methods.
В некоторых вариантах реализации векторы (для МК1 и МК2) включают по крайней мере следующие признаки: lbp feature [1..24]; moments HU [1..7]; минимальная интенсивность пикселей изображения в сегменте; средняя интенсивность пикселей изображения в сегменте; максимальная интенсивность пикселей изображения в сегменте; контраст; различие; гомогенность; энергия; корреляция; квадратичная энергия (ASM).In some embodiments, vectors (for MK1 and MK2) include at least the following features: lbp feature [1..24]; moments HU [1..7]; minimum intensity of image pixels in a segment; average intensity of image pixels in a segment; maximum intensity of image pixels in a segment; contrast; difference; homogeneity; energy; correlation; quadratic energy (ASM).
В некоторых вариантах реализации некоторые шаги способа выполняются при помощи/с использованием GPU.In some implementations, some of the method steps are performed using / using a GPU.
В некоторых вариантах реализации техническое решение может быть реализовано в виде системы, включающей по крайней мере один процессор (CPU и/или GPU), ОЗУ и выполненной с возможностью выполнения/обработки/исполнения шагов/этапов описанного ранее способа компьютерной обработки и описания изображения керна.In some implementations, the technical solution can be implemented in the form of a system that includes at least one processor (CPU and / or GPU), RAM and is capable of performing / processing / executing steps / steps of the previously described method of computer processing and description of a core image.
В некоторых вариантах реализации техническое решение может быть реализовано в виде машиночитаемого носителя, содержащего машиночитаемые инструкции для выполнения при помощи процессора или иного вычислителя/обработчика способа компьютерной обработки и описания изображения керна.In some embodiments, the technical solution may be implemented in the form of a computer-readable medium containing computer-readable instructions for executing by a processor or other calculator / processor a method for computer processing and description of a core image.
В некоторых вариантах реализации система компьютерной обработки и описания изображения керна, включает по крайней мере один процессор, оперативную память и машиночитаемые инструкции, выполняемые упомянутыми процессорами с использованием оперативной памяти, причем машиночитаемые инструкции содержат шаги способа компьютерной обработки и описания изображения керна.In some embodiments, a computer processing and description system for a core image includes at least one processor, random access memory, and computer-readable instructions executed by said processors using random-access memory, the computer-readable instructions comprising the steps of a computer processing and description of a core image.
В некоторых вариантах реализации машиночитаемый носитель содержит инструкции способа компьютерной обработки и описания изображения керна.In some embodiments, the computer-readable medium comprises computer processing method instructions and descriptions of a core image.
КРАТКОЕ ОПИСАНИЕ ФИГУРBRIEF DESCRIPTION OF THE FIGURES
На фиг. 1 показано распределение значимости признаков, используемых в классификаторах.FIG. 1 shows the distribution of the significance of the features used in the classifiers.
На фиг. 2 показан иллюстративный пример блок-схемы способа компьютерной обработки и описания изображения керна.FIG. 2 shows an illustrative example of a block diagram of a method for computer processing and description of a core image.
На фиг. 3а показан иллюстративный пример последовательности действий для обогащения данных слоя атрибутом/характеристикой «Степень разрушенности».FIG. 3a shows an illustrative example of a sequence of actions for enriching layer data with the Destruction Degree attribute / characteristic.
На фиг. 3б показан иллюстративный пример словесного описания степени разрушенности слоя с указанием интервалов разрушенности.FIG. 3b shows an illustrative example of a verbal description of the degree of destruction of the layer with indication of intervals of destruction.
На фиг. 4 показан иллюстративный пример системы для реализации описанного технического решения.FIG. 4 shows an illustrative example of a system for implementing the described technical solution.
ПОДРОБНОЕ ОПИСАНИЕDETAILED DESCRIPTION
Используемые в настоящем описании настоящего технического решения термины «модуль», «компонент», «элемент» и подобные используются для обозначения компьютерных сущностей, которые могут являться аппаратным обеспечением/оборудованием (например, устройством, инструментом, аппаратом, аппаратурой, составной частью устройства, например, процессором, микропроцессором, интегральной схемой, печатной платой, в том числе электронной печатной платой, макетной платой, материнской платой и т.д., микрокомпьютером и так далее), программным обеспечением (например, исполняемым программным кодом, скомпилированным приложением, программным модулем, частью программного обеспечения или программного кода и так далее) и/или микропрограммой (в частности, прошивкой). Так, например, компонент может быть процессом, выполняющемся на процессоре (процессором), объектом, исполняемым кодом, программным кодом, файлом, программой/приложением, функцией, методом, (программной) библиотекой, подпрограммой, сопрограммой и/или вычислительным устройством (например, микрокомпьютером или компьютером) или комбинацией программных или аппаратных компонентов. В некоторых вариантах реализации нейросетевой модуль может быть реализован программно и/или аппаратно в виде SoC содержащего микропроцессор и/или нейронный процессор (англ. Neural Processing Unit, NPU или ИИ-ускоритель англ. AI accelerator), которой представляет специализированный класс микропроцессоров и сопроцессоров (часто являющихся специализированной интегральной схемой), используемый для аппаратного ускорения работы алгоритмов искусственных нейронных сетей, компьютерного зрения, распознавания по голосу, машинного обучения и других методов искусственного интеллекта.Used in the present description of the present technical solution, the terms "module", "component", "element" and the like are used to refer to computer entities that can be hardware / equipment (for example, a device, tool, apparatus, hardware, part of a device, for example , processor, microprocessor, integrated circuit, printed circuit board, including electronic printed circuit board, development board, motherboard, etc., microcomputer and so on), software (for example, executable program code, compiled application, software module, part of software or program code, and so on) and / or firmware (in particular, firmware). So, for example, a component can be a process running on a processor (processor), an object, executable code, program code, file, program / application, function, method, (software) library, subroutine, coroutine, and / or computing device (for example, microcomputer or computer) or a combination of software or hardware components. In some implementations, a neural network module can be implemented in software and / or hardware in the form of a SoC containing a microprocessor and / or a neural processor (Neural Processing Unit, NPU or AI accelerator), which is a specialized class of microprocessors and coprocessors ( often an application specific integrated circuit), used for hardware acceleration of algorithms for artificial neural networks, computer vision, voice recognition, machine learning, and other artificial intelligence methods.
Ниже будут даны определения некоторых для терминов.Some of the terms will be defined below.
Моменты изображения (англ. image moments) в компьютерном зрении, обработке изображений и смежных областях - некоторые частные средневзвешенные (момент) интенсивностей пикселей изображения, или функция таких моментов.Moments of the image (eng. Image moments) in computer vision, image processing and related areas - some particular weighted average (moment) of the intensities of the pixels of the image, or a function of such moments.
Способ компьютерной обработки и описания изображения керна включает следующие шаги:The method of computer processing and description of the core image includes the following steps:
получают изображение керна в дневном (ДС) и ультрафиолетовом (УФ) свете, глубину взятия пробы, начало и конец изображений относительно интервала отбора керна в метрах;get an image of the core in daylight (DS) and ultraviolet (UV) light, the depth of sampling, the beginning and end of the images relative to the interval of coring in meters;
В некоторых вариантах реализации дополнительно получают информацию о скважине из которой производился отбор керна.In some embodiments, additional information is obtained about the well from which the coring was performed.
В некоторых вариантах реализации данные (из лаборатории) (изображения/фотографии керна в ДС и УФ) поступают в виде набора графических файлов (например, в формате -JPG). В некоторых вариантах реализации набор файлов связан с определенной скважиной и проектом (пользователь, загружающий фотографии, понимает к какому проекту и скважине относятся полученные фото и выбирает этот проект и скважину в пользовательском интерфейсе перед загрузкой данных), а также с интервалом отбора керна (интервалом долбления).In some embodiments, the data (from the laboratory) (images / photos of the core in DS and UV) comes in the form of a set of graphic files (for example, in the -JPG format). In some implementations, a set of files is associated with a specific well and project (the user who uploads the photos understands which project and well the received photos belong to and selects this project and the well in the user interface before loading the data), as well as with the coring interval (slotting interval ).
В некоторых вариантах реализации каждый файл (или порция полученных данных) содержит изображение (фотографию) одного метра керна (или меньше - остаток).In some embodiments, each file (or portion of the acquired data) contains an image (photograph) of one meter of core (or less, the remainder).
В некоторых вариантах реализации вместе с изображением керна в дневном (ДС) и ультрафиолетовом (УФ) свете получают (принимают, передают) размер кровли в метрах и см, размер подошвы в метрах и сантиметрах применительно к каждому изображенияIn some embodiments, together with the image of the core in daylight (DS) and ultraviolet (UV) light, the size of the roof is obtained (received, transmitted) in meters and cm, the size of the foot in meters and centimeters is applied to each image.
В некоторых вариантах реализации данные могут указываться в названии соответствующего файла изображения керна, например, «3203_40_3204_40_DAL.jpg» -образец керна на данной фотографии содержит сведения с 3203.40 по 3204.40 метр глубины в дневном свете, «1900 00 1900 90 DAL.jpg» - образец керна на данной фотографии содержит сведения с 1900.00 по 1900.90 сантиметров глубины в дневном свете (не полный метр).In some implementations, the data can be indicated in the name of the corresponding core image file, for example, "3203_40_3204_40_DAL.jpg" - the core sample in this photo contains information from 3203.40 to 3204.40 meters of depth in daylight, "1900 00 1900 90 DAL.jpg" - sample the core in this photo contains information from 1900.00 to 1900.90 centimeters of depth in daylight (not a full meter).
Далее при получении (загрузке пакета) изображений/фотографий по одной скважине и одному интервалу отбора, данные (например, из имени) будут автоматически интерпретированы как глубина данного образца и далее будут размещены на линейке (виртуальной линейке) глубины в соответствующем месте по метражу, в привязке к интервалу отбора, скважине и проекту.Further, when receiving (uploading a package) images / photographs for one well and one sampling interval, the data (for example, from the name) will be automatically interpreted as the depth of this sample and will then be placed on the ruler (virtual ruler) of the depth in the appropriate place by meter, in reference to the sampling interval, well and project.
В некоторых вариантах реализации глубины взятия образца автоматически привязываются к интервалу отбора керна по метражу.In some embodiments, sampling depths are automatically tied to a metering interval.
В некоторых вариантах реализации изображения керна получают из внешних источников данных, например баз данных, архивов или напрямую из подключенного оборудования.In some implementations, core images are obtained from external data sources such as databases, archives, or directly from connected equipment.
определяют цельные сегменты на изображении керна в дневном свете (ДС) с использованием метода водораздела на основании заданных настроек сегментации;determining whole segments in the daylight image of the core (DS) using the watershed method based on the specified segmentation settings;
В некоторых вариантах реализации для определения сегментов используют часть между началом и концом изображений относительно интервала отбора керна в метрах.In some implementations, the portion between the start and end of the images relative to the coring interval in meters is used to define the segments.
До начала использования метода водораздела (WaterShed) осуществляют следующие шаги:Before using the WaterShed method, follow these steps:
1. выполняют размытие изображения фильтром Гаусса;1. Blur the image with a Gaussian filter;
2. определяют границы на размытом изображении с использованием фильтра Собеля;2. define the boundaries on a blurred image using the Sobel filter;
3. определяют порог бинаризации с использованием метода Отсу (Оцу);3. determine the binarization threshold using the Otsu (Otsu) method;
4. формируют маску используя метод бинаризации по порогу;4. form a mask using the threshold binarization method;
5. выполняют замыкание бинарного изображения (маски) структурным элементом.5. closure of the binary image (mask) with a structural element is performed.
6. на бинаризированном изображении (маске) удаляют небольшие внутренние «дырки»;6. on the binarized image (mask), remove small internal "holes";
7. удаляют боковые области маски, которые не будут подвергаться сегментации.7. remove the side areas of the mask that will not be segmented.
8. формируют матрицу дистанций путем определения расстояние от ненулевых (т.е. не фоновых) точек до ближайшей нулевой (т.е. фоновой) точки на размытом изображении;8. form a matrix of distances by determining the distance from non-zero (ie, non-background) points to the nearest zero (ie, background) point on the blurred image;
9. на матрице дистанций определяют точки, максимально удаленные от фоновых точек;9. on the distance matrix, determine the points that are most distant from the background points;
Затем методу водораздела подают размытое изображение после обработки фильтром Собеля (изображение с границами), в качестве начальных точек, от которых начинал работать метод (маркеры) подаются найденные точки на шаге 9, а в качестве маски, то есть области, в которой будет происходить сегментация (остальные области будут игнорироваться) подают маску, полученную на шаге 7.Then the watershed method is fed a blurred image after processing with the Sobel filter (an image with boundaries), the points found in step 9 are given as the starting points from which the method (markers) began to work, and as a mask, that is, the area in which segmentation will occur (the rest of the areas will be ignored) feed the mask obtained in step 7.
В некоторых вариантах реализации в качестве структурного элемента используется диск, а параметры диска (диаметр) задаются пользователем или определяются в автоматическом режиме.In some embodiments, a disk is used as a structural element, and the parameters of the disk (diameter) are set by the user or are determined automatically.
Параметры сегментации:Segmentation parameters:
1. стандартное отклонение для ядра Гаусса (чем больше, тем сильнее сглаживание);1. the standard deviation for the Gaussian kernel (the larger, the stronger the smoothing);
2. величина структурирующего элемента (диска) для морфологии (чем больше значение, тем более «толстые» границы/трещины выделяются для определения цельных сегментов);2. the size of the structuring element (disk) for morphology (the higher the value, the more “thick” boundaries / cracks are highlighted to define solid segments);
3. величина окна для метода Отсу (Оцу);3. window size for the Otsu (Otsu) method;
4. значение коэффициента (от 0% до 50%) для обрезки боковых областей на изображениях керна.4. the value of the coefficient (from 0% to 50%) for trimming the side regions in the images of the core.
5. значение коэффициента при методе Отсу для бинаризации изображения (чем больше, тем менее детализировано изображение - меньше сегментов). В некоторых вариантах реализации значение коэффициента определяется при выполнении методом Отсу.5. The value of the coefficient for the Otsu method for binarization of the image (the larger, the less detailed the image - fewer segments). In some implementations, the value of the coefficient is determined using the Otsu method.
В случае ДС - в маску не попадают разрушенные области, так что по ним в дальнейшем будет определяться/вычисляться степень/площадь разрушения. В случае с УФ (будет описано далее) в маску не попадают черные области без свечения.In the case of DS - the destroyed areas do not fall into the mask, so that the degree / area of destruction will be determined / calculated from them in the future. In the case of UV (will be described later), the black areas without glow do not fall into the mask.
В некоторых вариантах реализации параметры могут задаваться пользователем.In some implementations, the parameters can be set by the user.
В некоторых вариантах реализации параметры могут предварительно быть заданы (например, в конфигурационных файлах или иным образом).In some implementations, parameters may be predefined (eg, in configuration files or otherwise).
формируют вектор признаков категории пород для каждого определенного ранее сегмента изображения ДС керна;form a vector of features of the category of rocks for each previously defined segment of the core DS image;
Для задачи определения породы были используют по крайней мере следующие признаки основанные на: матрице смежности, локальных бинарных паттернах, глобальном описание изображения.For the task of determining the breed, at least the following features were used based on: adjacency matrix, local binary patterns, global image description.
Матрица смежности - матрица частот пар пикселей определенной яркости, расположенных на изображении определенным образом относительно друг друга (https://en.wikipedia.org/wiki/Co-occurrence_matrix).Adjacency matrix - a matrix of frequencies of pairs of pixels of a certain brightness located on the image in a certain way relative to each other (https://en.wikipedia.org/wiki/Co-occurrence_matrix).
На основании этой матрицы определяются дополнительные характеристики/признаки, которые описывают текстуру изображения: контраст (англ. contrast), различие (англ. dissimilarity), гомогенность (англ. homogeneity), энергия (англ. energy), корреляция (англ. correlation), квадратичная энергия (англ. ASM).Based on this matrix, additional characteristics / features are determined that describe the texture of the image: contrast, dissimilarity, homogeneity, energy, correlation, quadratic energy (eng. ASM).
Локальные бинарные паттерны представляют собой описание окрестности пикселя изображения в двоичной форме. Оператор ЛБП, применяется к пикселю изображения, использует восемь пикселей окрестности, принимая центральный пиксель в качестве порога. Пиксели, которые имеют значения больше, чем центральный пиксель (или равное ему), принимают значения 1, а те, которые меньше центрального, принимают значения 0. Таким образом получается восьмиразрядный бинарный код, который описывает окрестность пикселя. Затем определяется/вычисляется/формируется гистограмма распределения полученных восьмиразрядных кодов и использовалась в качестве вектора признаков. Для крайних пикселей гистограмма, не определяется/формируется. Они учитываются при работе с соседними пикселями, но сами центрами не становятся.Local binary patterns represent a description of the neighborhood of an image pixel in binary form. The LBP operator, applied to a pixel in an image, uses eight pixels of the neighborhood, taking the center pixel as a threshold. Pixels that have a value greater than (or equal to) the central pixel take on the
Формируется 24 (двадцать четыре) lbp [1..24] признака на основе локальных бинарных паттернов, так как рассматривается вокруг пикселя окрестность радиуса 3 (три) и по периметру этой окружности рассматривают 24 точки, которые дают характеристику области. Затем сводят это к гистограмме (распределение повторений) с количеством разделений 24, таким образом объект описывают 24 признака (количество тех или иных найденных локальных бинарных шаблонов).24 (twenty four) lbp [1..24] features are formed based on local binary patterns, since a neighborhood of radius 3 (three) is considered around the pixel and 24 points are considered along the perimeter of this circle, which characterize the area. Then this is reduced to a histogram (distribution of repetitions) with the number of divisions 24, thus the object is described by 24 features (the number of certain local binary patterns found).
Глобальное описание изображенияGlobal image description
Для сегментов изображения вычислялась максимальная, средняя и минимальная интенсивности в области, а также моменты интенсивностей пикселей (MOMENTS HU) изображения.For image segments, the maximum, average and minimum intensities in the region were calculated, as well as the moments of pixel intensities (MOMENTS HU) of the image.
Формируют признаки на основании моментов изображений.Features are formed based on the moments of the images.
В некоторых вариантах реализации в качестве моментов изображений используют MOMENTS HU (Rotation invariants, https://en.wikipedia.org/wiki/Image_moment).In some implementations, MOMENTS HU (Rotation invariants, https://en.wikipedia.org/wiki/Image_moment) are used as image moments.
В некоторых вариантах реализации формируют признаки [1..7] с использованием упомянутых Moments HU (Rotation invariants/инварианты вращения).In some embodiments, features [1..7] are generated using the above Moments HU (Rotation invariants).
Представленные признаки определяют/вычисляют для всех сегментов, полученных после обработки и сегментации изображений методом водораздела.The presented features are determined / calculated for all segments obtained after image processing and segmentation by the watershed method.
В некоторых вариантах реализации формируют вектор категории пород, включающий по крайней мере следующие признаки (или их подмножество):In some embodiments, a breed category vector is generated that includes at least the following features (or a subset of them):
• lbp feature 1… lbp feature 24 (локальные бинарные паттерны);• lbp feature 1… lbp feature 24 (local binary patterns);
• moments HU 1… moments HU 7;•
• минимальная интенсивность пикселей изображения в области (сегменте);• minimum intensity of image pixels in the area (segment);
• средняя интенсивность пикселей изображения в области (сегменте);• average intensity of image pixels in the area (segment);
• максимальная интенсивность пикселей изображения в области (сегменте);• maximum intensity of image pixels in the area (segment);
• контраст (contrast);• contrast (contrast);
• различие (dissimilarity);• difference (dissimilarity);
• гомогенность (homogeneity);• homogeneity;
• энергия (energy);• energy (energy);
• корреляция (correlation);• correlation;
• квадратичная энергия (ASM).• Quadratic Energy (ASM).
В некоторых вариантах реализации вектор категории пород формируют для каждого сегмента (признаки, используемые в векторе, определяются для каждого сегмента раздельно).In some embodiments, the breed category vector is generated for each segment (the features used in the vector are defined for each segment separately).
передают сформированные векторы признаков категории пород в мультиклассовый классификатор пород, выполненный с возможностью определения по крайней мере следующих пород - песчаник, алевролит, аргиллит;the generated vectors of signs of the category of rocks are transmitted to a multiclass classifier of rocks, made with the ability to determine at least the following rocks - sandstone, siltstone, mudstone;
В некоторых вариантах реализации в качестве классификатора используется ранее обученный классификатор, например RandomForestClassifier или ExtraTreesClassifier или DecisionTreeClassifier.In some implementations, a previously trained classifier, such as RandomForestClassifier or ExtraTreesClassifier or DecisionTreeClassifier, is used as the classifier.
В некоторых вариантах реализации для оценки классификатора используется кросс валидация на основе StratifiedKFold.In some implementations, StratifiedKFold cross-validation is used to evaluate the classifier.
При использовании моделей/классификаторов на базе машинного обучения, существует вероятность, что модель/классификатор будет игнорировать классы, которые составляют меньшинство. В некоторых вариантах реализации данные обучающей выборки балансируются перед обучением.When using machine learning based models / classifiers, there is a chance that the model / classifier will ignore the minority classes. In some implementations, the training sample data is balanced before training.
В некоторых вариантах реализации балансировка производится с учетом разного географического расположения скважин, из которых берется проба. Одной из сложностей при обработке выборки было то, что данные были получены при съемке на разное оборудование и при разных условиях, необходимо было заложить в модель возможность предсказывать тип породы по изображениям с учетом различных условий съемки, представленных в выборке.In some implementations, balancing is performed taking into account the different geographic locations of the wells from which the sample is taken. One of the difficulties in processing the sample was that the data were obtained during surveying with different equipment and under different conditions; it was necessary to put into the model the ability to predict the type of rock from images, taking into account different shooting conditions presented in the sample.
В некоторых вариантах реализации балансировка осуществляется следующим образом:In some implementations, balancing is done as follows:
1) выбираются изображения ДС с типом породы из необходимых (песчаник, аргиллит, алевролит);1) images of DS with the type of rock are selected from among the necessary ones (sandstone, mudstone, siltstone);
2) отбрасывают изображения небольшого размера (например, где общая площадь изображения меньше 1 млн. пикселей, но не ограничиваясь);2) discard images of small size (for example, where the total image area is less than 1 million pixels, but not limited to);
3) определяют/вычисляют гистограмму распределения выбранных изображений по месторождениям и скважинам;3) determine / calculate the histogram of the distribution of the selected images by fields and wells;
4) определяют максимальное количество примеров для каждого класса и выбирают минимум, причем для классов с большим количеством примеров осуществляют перемешивание;4) determine the maximum number of examples for each class and select the minimum, and for classes with a large number of examples, mixing is carried out;
5) равномерно выбирают примеры из каждой скважины, пока не будет сформирована выборка необходимого размера.5) evenly select samples from each well until a sample of the required size is formed.
Таким образом в обучающей выборке обязательно были экземпляры из различных скважин/месторождений.Thus, in the training sample, there were necessarily samples from various wells / fields.
В некоторых вариантах реализации каждый сегмент связывается (привязывается) с глубиной отбора и/или с расстоянием от начала интервала отбора керна. В некоторых вариантах реализации для определения размера сегмента используется пересчет интервала отбора в пиксели (с учетом разрешения изображения) и вычисления размера (высоты, ширины) сегмента в привязке к реальным размерам керна.In some embodiments, each segment is associated with a sampling depth and / or distance from the start of the coring interval. In some embodiments, the segment size is determined by recalculating the sampling interval into pixels (taking into account the image resolution) and calculating the size (height, width) of the segment in relation to the real dimensions of the core.
На выходе (после передачи вектора признаков) (мультиклассовый) классификатор определяет категорию породы и данный результат будет использоваться дальше.At the output (after the transmission of the feature vector) (multiclass) the classifier determines the breed category and this result will be used further.
определяют области свечения на УФ изображениях керна;determine the areas of luminescence on the UV images of the core;
Для определения областей свечения используют метод водораздела и предобработку, описанную ранее (шаг определяют цельные сегменты на изображении в дневном свете с использованием метода водораздела на основании заданных настроек сегментации). Таким образом определяются/получаются только яркие (по сравнению со всем изображением) области.To determine the glow areas, use the watershed method and preprocessing described earlier (the step is determined by the whole segments in the image in daylight using the watershed method based on the specified segmentation settings). Thus, only bright (compared to the whole image) areas are detected / obtained.
формируют векторы признаков нефтенасыщенности и карбонатности для каждой определенной области свечения;form vectors of signs of oil saturation and carbonate content for each specific area of the glow;
В некоторых вариантах реализации формируют вектор признаков нефтенасыщенности и карбонатности, включающий по крайней мере следующие признаки (или их подмножество):In some embodiments, a vector of oil saturation and carbonate features is generated, including at least the following features (or a subset of them):
• lbp feature 1… lbp feature 24 (локальные бинарные паттерны);• lbp feature 1… lbp feature 24 (local binary patterns);
• moments HU 1… moments HU 7 (с первого по седьмой моменты вычисленные методом Hu moments);•
• минимальная интенсивность пикселей изображения в области (сегменте);• minimum intensity of image pixels in the area (segment);
• средняя интенсивность пикселей изображения в области (сегменте);• average intensity of image pixels in the area (segment);
• максимальная интенсивность пикселей изображения в области (сегменте);• maximum intensity of image pixels in the area (segment);
• контраст (contrast);• contrast (contrast);
• различие (dissimilarity);• difference (dissimilarity);
• гомогенность (homogeneity);• homogeneity;
• энергия (energy);• energy (energy);
• корреляция (correlation);• correlation;
• квадратичная энергия (ASM).• Quadratic Energy (ASM).
В некоторых вариантах реализации векторы признаков нефтенасыщенности и карбонатности формируют для каждого сегмента (признаки, используемые в векторе, определяются для каждого сегмента раздельно).In some embodiments, vectors of oil saturation and carbonate indicators are generated for each segment (the features used in the vector are defined for each segment separately).
передают сформированные векторы признаков нефтенасыщенности и карбонатности в мультиклассовый классификатор, выполненный с возможностью определения нефтенасыщенности и карбонатности;the generated vectors of oil saturation and carbonate indicators are transmitted to a multiclass classifier adapted to determine the oil saturation and carbonate content;
В некоторых вариантах реализации в качестве классификатора используется ранее обученный классификатор, например RandomForestClassifier или ExtraTreesClassifier или DecisionTreeClassifier.In some implementations, a previously trained classifier, such as RandomForestClassifier or ExtraTreesClassifier or DecisionTreeClassifier, is used as the classifier.
В некоторых вариантах реализации для оценки классификатора используется кросс валидация на основе StratifiedKFold.In some implementations, StratifiedKFold cross-validation is used to evaluate the classifier.
При использовании моделей/классификаторов на базе машинного обучения, существует вероятность, что модель/классификатор будет игнорировать классы, которые составляют меньшинство. В некоторых вариантах реализации данные обучающей выборки балансируются перед обучением.When using machine learning based models / classifiers, there is a chance that the model / classifier will ignore the minority classes. In some implementations, the training sample data is balanced before training.
На выходе (после передачи вектора признаков) классификатор определяет нефтенасыщенность и/или карбонатность сегмента.At the output (after transmission of the feature vector), the classifier determines the oil saturation and / or carbonate content of the segment.
определяют площадь разрушенности с помощью попиксельного расчета изображения ДС и формируют аналитические выводы о степени разрушенностиdetermine the area of destruction using a pixel-by-pixel calculation of the DS image and form analytical conclusions about the degree of destruction
Степень разрушенности определяют с использованием результатов шага формирувания маску используя метод бинаризации по порогу для изображения ДС, так как в случае ДС - в маску не попадают разрушенные области. Таким образом все остальные области, которые не попали в маску являются областями разрушености/отсутствия керна. Далее определяют попиксельную площадь этих областей и определяют отношение площадей (общая площадь изображения к сумме площадей всех разрушенных областей).The degree of destruction is determined using the results of the step of forming the mask using the method of binarization by the threshold for the image of the DS, since in the case of DS, the destroyed areas do not fall into the mask. Thus, all other areas that did not fall into the mask are areas of destruction / absence of core. Next, the pixel-by-pixel area of these areas is determined and the ratio of the areas (the total area of the image to the sum of the areas of all destroyed areas) is determined.
В некоторых вариантах реализации степень разрушенности может быть одна из перечисленных: разрушен, частично разрушен, не разрушен.In some embodiments, the degree of destruction can be one of the following: destroyed, partially destroyed, not destroyed.
В некоторых вариантах реализации при анализе разрушенности определяют процентное представление отношения площадей (общая площадь изображения к сумме площадей разрушенных областей).In some embodiments, fracture analysis determines the percentage representation of the ratio of areas (total image area to the sum of areas of destroyed areas).
Рассматриваем области «разрешенные», определяют их попиксельную площадь и определяют отношение площадей (общая площадь изображения к сумме площадей всех разрушенных областей).We consider the areas "allowed", determine their per-pixel area and determine the ratio of the areas (the total area of the image to the sum of the areas of all destroyed areas).
формируют описание изображений керна на основании результатов определения категории пород сегментов, определения нефтенасыщенности и карбонатности областей свечения в УФ и аналитических выводах о степени разрушенности.form a description of the images of the core based on the results of determining the category of rocks of the segments, determining the oil saturation and carbonate content of the glow areas in the UV and analytical conclusions about the degree of destruction.
Для формирования описания изображен керна каждый полученный сегмент изображения (с учетом привязки сегментов ДС и УФ к глубине отбора) в УФ свете принимается в качестве описываемого далее слоя, причем для каждого слоя описание формируется следующим образом:To form the description, each obtained image segment is depicted (taking into account the binding of the DS and UV segments to the sampling depth) in UV light is taken as the layer described below, and for each layer the description is formed as follows:
1. параметры нефтенасыщенности и карбонатности приняты взаимоисключающими, т.е. если слой нефтенасыщенный, то он не является карбонатным;1.The parameters of oil saturation and carbonate content are mutually exclusive, i.e. if the layer is oil-saturated, then it is not carbonate;
2. нефтенасыщенность либо карбонатность является первичным критерием для выделения отдельного слоя, далее к этому слою привязывается тип породы; если в один сегмент (слой) в УФ попадает несколько сегментов с породами в ДС свете, то к слою привязываются все попадающие в него типы пород.2. oil saturation or carbonate content is the primary criterion for identifying a separate layer, then the type of rock is tied to this layer; If several segments with rocks in DS light fall into one segment (layer) in the UV light, then all rock types falling into it are attached to the layer.
3. параметр разрушенности имеет минимальный вес, поэтому данная характеристика привязывается к итоговому слою, выделенному на основании п. 1 и п. 23.the parameter of destruction has a minimum weight, therefore this characteristic is tied to the final layer, selected on the basis of
4. Если слой с параметрами разрушенности целиком совпадает с результирующим слоем - степень разрушенности переносится как есть, 0 - 0, 1 - 1, 2 - 2.4. If the layer with the parameters of destruction completely coincides with the resulting layer - the degree of destruction is transferred as it is, 0 - 0, 1 - 1, 2 - 2.
5. Если в пределах результирующего слоя присутствует несколько слоев с разными степенями разрушенности (например, 0 - не разрушен и 1 - частично разрушен или любые другие комбинации) - результирующему слою ставим значение 1 - частично разрушен.5. If within the resulting layer there are several layers with different degrees of destruction (for example, 0 - not destroyed and 1 - partially destroyed or any other combinations) - set the resulting layer to 1 - partially destroyed.
Обогащают данных слоя атрибутом/характеристикой «Степень разрушенности» (фиг. 3а):The data of the layer is enriched with the attribute / characteristic "Degree of destruction" (Fig. 3a):
• если слой с параметрами разрушенности целиком совпадает с результирующим слоем - степень разрушенности устанавливается (переносится) как есть, 0 - 0, 1 - 1, 2-2;• if the layer with the parameters of destruction completely coincides with the resulting layer - the degree of destruction is set (transferred) as it is, 0 - 0, 1 - 1, 2-2;
• если в пределах результирующего слоя присутствует несколько слоев с разными степенями разрушенности (например, 0 - не разрушен и 1 - частично разрушен или любые другие комбинации) - результирующему слою устанавливается значение 1 -частично разрушен.• if within the resulting layer there are several layers with different degrees of destruction (for example, 0 - not destroyed and 1 - partially destroyed or any other combinations) - the resulting layer is set to 1 - partially destroyed.
Формируют словесное описание степени разрушенности слоя с указанием интервалов разрушенности (фиг. 3б).Form a verbal description of the degree of destruction of the layer indicating the intervals of destruction (Fig. 3b).
В некоторых вариантах реализации способ компьютерной обработки и описания изображения керна выполняется сервером и вызывается посредством API (например, REST).In some implementations, a method for computer processing and description of a core image is performed by a server and invoked through an API (eg, REST).
В некоторых вариантах реализации на основании сформированного описания керна формируют оптимальную программу исследований, размечают образцы для последующего изготовления, решают многочисленные задачи, которые стоят перед геологическими службами.In some embodiments, based on the generated description of the core, an optimal research program is formed, samples are marked for subsequent production, and numerous problems that geological services face are solved.
В некоторых вариантах реализации по наличию и глубине нефтенасыщенных и плотных интервалов (характер свечения, который оценивает способ) оперативно уточняются глубины интервалов испытаний и перспективность целевого интервала в целом.In some embodiments, according to the presence and depth of oil-saturated and dense intervals (the nature of the glow that evaluates the method), the depths of the test intervals and the prospects of the target interval as a whole are promptly specified.
Фиг. 4 представляет пример компьютерной системы общего назначения используемой для реализации описанного способа - персональный компьютер или сервер 20, содержащий центральный процессор 21, системную память 22 и системную шину 23, которая содержит разные системные компоненты, в том числе память, связанную с центральным процессором 21. Системная шина 23 реализована, как любая известная из уровня техники шинная структура, содержащая в свою очередь память шины или контроллер памяти шины, периферийную шину и локальную шину, которая способна взаимодействовать с любой другой шинной архитектурой. Системная память содержит постоянное запоминающее устройство (ПЗУ) 24, память с произвольным доступом (ОЗУ) 25. Основная система ввода/вывода (BIOS) 26, содержит основные процедуры, которые обеспечивают передачу информации между элементами персонального компьютера 20, например, в момент загрузки операционной системы с использованием ПЗУ 24.FIG. 4 shows an example of a general-purpose computer system used to implement the described method - a personal computer or
Персональный компьютер 20 в свою очередь содержит жесткий диск 27 для чтения и записи данных, привод магнитных дисков 28 для чтения и записи на сменные магнитные диски 29 и оптический привод 30 для чтения и записи на сменные оптические диски 31, такие как CD-ROM, DVD-ROM и иные оптические носители информации. Жесткий диск 27, привод магнитных дисков 28, оптический привод 30 соединены с системной шиной 23 через интерфейс жесткого диска 32, интерфейс магнитных дисков 33 и интерфейс оптического привода 34 соответственно. Приводы и соответствующие компьютерные носители информации представляют собой энергонезависимые средства хранения компьютерных инструкций, структур данных, программных модулей и прочих данных персонального компьютера 20.The
Настоящее описание раскрывает реализацию системы, которая использует жесткий диск 27, но следует понимать, что возможно применение иных типов компьютерных носителей информации, которые способны хранить данные в доступной для чтения компьютером форме (твердотельные накопители, флеш карты памяти, цифровые диски, память с произвольным доступом (ОЗУ) и т.п.), которые подключены к системной шине 23.The present description discloses an implementation of a system that uses a
Компьютер 20 имеет файловую систему 36, где хранится записанная операционная система 35, а также дополнительные программные приложения 37, другие программные модули 38 и данные программ 39. Пользователь имеет возможность вводить команды и информацию в персональный компьютер 20 посредством устройств ввода (клавиатуры 40, манипулятора «мышь» 42). Могут использоваться другие устройства ввода (не отображены): микрофон, джойстик, игровая консоль, сканер и т.п. Подобные устройства ввода по своему обычаю подключают к компьютерной системе 20 через интерфейс USB 46, который в свою очередь подсоединен к системной шине, но могут быть подключены иным способом, например, при помощи параллельного порта, игрового порта. Монитор 47 или иной тип устройства отображения также подсоединен к системной шине 23 через интерфейс, такой как видеоадаптер 48. В дополнение к монитору 47, персональный компьютер может быть оснащен другими периферийными устройствами вывода (не отображены).
Персональный компьютер 20 способен работать в сетевом окружении, при этом используется сетевое соединение с другим или несколькими удаленными компьютерами 49. Удаленный компьютер (или компьютеры) 49 являются такими же персональными компьютерами или серверами, которые имеют большинство или все упомянутые элементы, отмеченные ранее при описании существа персонального компьютера 20, представленного на Фиг. 4. В вычислительной сети могут присутствовать также и другие устройства, например маршрутизаторы, сетевые станции, пиринговые устройства или иные сетевые узлы.The
Сетевые соединения могут образовывать локальную вычислительную сеть (LAN) 50 и глобальную вычислительную сеть (WAN). Такие сети применяются в корпоративных компьютерных сетях, внутренних сетях компаний и, как правило, имеют доступ к сети Интернет. В LAN- или WAN-сетях персональный компьютер 20 подключен к локальной сети 50 через сетевой адаптер или сетевой интерфейс 51. При использовании сетей персональный компьютер 20 может использовать роутер 54 или иные средства обеспечения связи с глобальной вычислительной сетью, такой как Интернет. Роутер 54, который является внутренним или внешним устройством, подключен к системной шине 23 посредством USB порта 46. Следует уточнить, что сетевые соединения являются лишь примерными и не обязаны отображать точную конфигурацию сети, т.е. в действительности существуют иные способы установления соединения техническими средствами связи одного компьютера с другим.Network connections can form a local area network (LAN) 50 and a wide area network (WAN). Such networks are used in corporate computer networks, internal networks of companies and, as a rule, have access to the Internet. In LAN or WAN networks, the
Claims (17)
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021106490A RU2760105C1 (en) | 2021-03-12 | 2021-03-12 | System, machine-readable media and method for core analysis by images |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
RU2021106490A RU2760105C1 (en) | 2021-03-12 | 2021-03-12 | System, machine-readable media and method for core analysis by images |
Publications (1)
Publication Number | Publication Date |
---|---|
RU2760105C1 true RU2760105C1 (en) | 2021-11-22 |
Family
ID=78719286
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
RU2021106490A RU2760105C1 (en) | 2021-03-12 | 2021-03-12 | System, machine-readable media and method for core analysis by images |
Country Status (1)
Country | Link |
---|---|
RU (1) | RU2760105C1 (en) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2797717C1 (en) * | 2022-06-29 | 2023-06-08 | Автономная некоммерческая организация высшего образования "Университет Иннополис" | Method for control and measurement of samples using optical means |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061079A1 (en) * | 2005-08-23 | 2007-03-15 | Hu Yuanxian G | Digital core workflow method using digital core image |
US20170286802A1 (en) * | 2016-04-01 | 2017-10-05 | Saudi Arabian Oil Company | Automated core description |
RU2656303C1 (en) * | 2017-03-06 | 2018-06-04 | Открытое акционерное общество "Сургутнефтегаз" | Method for construction of geological-hydrodynamic models of non-homogeneous reservoirs with thin interlensing of sand-silt and clay rocks |
RU2667342C1 (en) * | 2017-12-29 | 2018-09-18 | федеральное государственное автономное образовательное учреждение высшего образования "Казанский (Приволжский) федеральный университет" (ФГАОУ ВО КФУ) | Device for recording and digital processing of images of drill cores |
CN110119753A (en) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | A kind of method of reconstituted texture identification lithology |
WO2021115903A1 (en) * | 2019-12-12 | 2021-06-17 | IFP Energies Nouvelles | Method for categorizing a rock on the basis of at least one image |
-
2021
- 2021-03-12 RU RU2021106490A patent/RU2760105C1/en active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070061079A1 (en) * | 2005-08-23 | 2007-03-15 | Hu Yuanxian G | Digital core workflow method using digital core image |
US20170286802A1 (en) * | 2016-04-01 | 2017-10-05 | Saudi Arabian Oil Company | Automated core description |
RU2656303C1 (en) * | 2017-03-06 | 2018-06-04 | Открытое акционерное общество "Сургутнефтегаз" | Method for construction of geological-hydrodynamic models of non-homogeneous reservoirs with thin interlensing of sand-silt and clay rocks |
RU2667342C1 (en) * | 2017-12-29 | 2018-09-18 | федеральное государственное автономное образовательное учреждение высшего образования "Казанский (Приволжский) федеральный университет" (ФГАОУ ВО КФУ) | Device for recording and digital processing of images of drill cores |
CN110119753A (en) * | 2019-01-08 | 2019-08-13 | 长江岩土工程总公司(武汉) | A kind of method of reconstituted texture identification lithology |
WO2021115903A1 (en) * | 2019-12-12 | 2021-06-17 | IFP Energies Nouvelles | Method for categorizing a rock on the basis of at least one image |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
RU2797717C1 (en) * | 2022-06-29 | 2023-06-08 | Автономная некоммерческая организация высшего образования "Университет Иннополис" | Method for control and measurement of samples using optical means |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trier et al. | Using deep neural networks on airborne laser scanning data: Results from a case study of semi‐automatic mapping of archaeological topography on Arran, Scotland | |
CN103577475B (en) | A kind of picture mechanized classification method, image processing method and its device | |
Nagao et al. | A structural analysis of complex aerial photographs | |
CN111316294A (en) | Inferring petrophysical properties of hydrocarbon reservoirs using neural networks | |
Kumar et al. | Detection of disaster-affected cultural heritage sites from social media images using deep learning techniques | |
US20220207079A1 (en) | Automated method and system for categorising and describing thin sections of rock samples obtained from carbonate rocks | |
CN111145176A (en) | Method and system for automatically identifying lymph node staining pathological image of gastric cancer based on deep neural network | |
Byun et al. | A deep convolutional neural network for rock fracture image segmentation | |
CN113344050B (en) | Lithology intelligent recognition method and system based on deep learning | |
Tsai et al. | Comprehensive, quantitative crack detection algorithm performance evaluation system | |
US11670073B2 (en) | System and method for detection of carbonate core features from core images | |
Alzubaidi et al. | Automatic fracture detection and characterization from unwrapped drill-core images using mask R–CNN | |
US10371857B1 (en) | System and method for well log analysis | |
Fabijańska et al. | DeepVarveNet: Automatic detection of glacial varves with deep neural networks | |
CN109657728B (en) | Sample production method and model training method | |
RU2760105C1 (en) | System, machine-readable media and method for core analysis by images | |
CN116468690B (en) | Subtype analysis system of invasive non-mucous lung adenocarcinoma based on deep learning | |
CN107330899A (en) | A kind of dividing method and device of biochip reflected light image | |
CN106055636A (en) | Portable intelligent identification method for rock | |
US20230154208A1 (en) | Method of Detecting at Least One Geological Constituent of a Rock Sample | |
Tepljakov et al. | Deep learning for detection of pavement distress using nonideal photographic images | |
CN115113281A (en) | Method, device, equipment and storage medium for determining marker well and marker layer thereof | |
CN114140703A (en) | Intelligent recognition method and system for forest pine wood nematode diseases | |
Andaru et al. | Intelligent Detection of SEM Mineralogy Using Dynamic Segmentation Algorithm in Geothermal Sedimentary Reservoir: Case Study with Quantification of Quartz Overgrowth | |
CN112149624B (en) | Traffic identification image processing method and device |