一种基于图像识别的录井岩性智能识别方法技术

本发明专利技术涉及一种基于图像识别的录井岩性智能识别方法，其中包括以下步骤：步骤一：构建基于神经网络的矿物类别智能识别方法；步骤二：应用上述智能识别方法识别石英、长石、岩屑一类矿物类别；步骤三：智能识别神经网络的强化学习与更新，根据诊断结果更新神经网络方法；步骤四：识别岩石颗粒边缘；步骤五：利用神经网络方法识别每个颗粒内部矿物类型；步骤六：根据岩石名称命名方法对每一个颗粒进行命名。本发明专利技术通过对岩性颗粒图像样本集学习，避免主观经验的影响和信息的丢失，且通过不断修正，不断扩大样本集空间，实现了岩性智能识别，可用于石油勘探开发过程中地层、储层等研究。

An intelligent identification method of logging lithology based on image recognition

【技术实现步骤摘要】
一种基于图像识别的录井岩性智能识别方法
本专利技术涉及图像识别和处理
，尤其是一种基于图像识别的录井岩性智能识别方法。
技术介绍
岩性识别主要是以岩石学、矿物学和地球化学为理论指导，利用岩石样品肉眼观察、镜下观察、化学成分分析等技术，以岩石颜色、结构、构造、矿物成分及其含量等特征条件等为依据对岩性准确定名的过程。岩性识别是石油勘探开发过程中对地层、储层等研究的前提工作，是储层评价的核心工作之一，也是求解储层参数的基础。目前在石油地质领域中，研究人员通过偏光显微镜观察岩石的光学特征和表面纹理特征，从而对不同岩石进行鉴别和成分分析，但在实际应用中由于岩石样本目标的颗粒众多，人工鉴定工作量大，时效性差，且难以对样本进行定量分析。
技术实现思路
本专利技术要解决的技术问题是：为了克服现有技术中之不足，本专利技术提供一种基于图像识别的录井岩性智能识别方法，通过对岩性颗粒图像样本集的学习，避免主观经验的影响和信息的丢失，避免浪费大量的人力和时间，并且通过不断的修正，不断扩大样本集空间，实现智能岩性识别。本专利技术解决其技术问题所采用的技术方案是：一种基于图像识别的录井岩性智能识别方法，包括以下步骤：步骤一：构建基于神经网络的矿物类别智能识别方法；步骤二：应用上述智能识别方法识别石英、长石、岩屑一类的矿物类别；步骤三：智能识别神经网络的强化学习与更新，根据诊断结果更新神经网络方法；步骤四：识别岩石颗粒边缘；步骤五：利用神经网络方法识别每个颗粒内部矿物类型；<br>步骤六：根据岩石名称命名方法对每一个颗粒进行命名。具体说，所述的步骤一包含：1)获取岩性颗粒样本集；2)岩性颗粒图像处理；3)拉普拉斯算子锐化；4)构建BP神经网络，进行样本集学习。进一步地，步骤2)的具体方法为：高斯滤波器利用高斯核的一个二维的卷积算子，用于图像去除噪声，二维的高斯函数如下：步骤3)的具体方法为：利用拉普拉斯算子锐化图像，提高清晰度、突出细节，步骤二中的具体应用方法为：对测试集中的每一个像素点，利用步骤一构建的方法进行石英、长石、岩屑一类矿物的判别。具体说，步骤三的具体方法为：1)工作人员根据实际的矿物分布状况对比神经网络识别结果论证识别结论的正确性；2)修正错误的识别结果；3)将进行修正过的识别结果对应图像点构建成新的样本集合；4)将更新后的样本集合再次训练神经网络方法；5)通过强化学习过程之后，更新神经网络智能诊断方法。具体说，步骤四的具体方法是：1)sobel方法检测颗粒边缘：索贝尔算子根据像素点上下、左右邻点灰度加权差，在边缘处达到极值这一现象检测边缘；对噪声具有平滑作用，提供较为精确的边缘方向信息；若梯度值G大于某一阈值，则认为该点(x，y)即为边缘点，2)凸函数算法确定每一个颗粒的边缘；设定搜索半径，以每一个边缘点[xi]为搜索中心，搜索半径范围内的所有边缘点，以该边缘点为中心，寻找能满足[xi-1]+[xi+1]＜2[xi]的点；3)以满足2)条件的点为新的搜索中心，重复2)步骤，直到完成该颗粒的边缘搜索，进行下一个颗粒边缘点搜索。步骤五的具体应用方法为：对测试集中的每一个像素点，利用步骤四检测完毕的颗粒边缘内部像素点进行石英、长石、岩屑一类矿物的判别。步骤六的具体应用方法为：根据每一个颗粒边缘内部矿物类型识别结果，统计每种矿物类型的像素点个数，进而计算体积含量，并根据岩石学命名方法，对每一个颗粒进行命名，将结果推送给工作人员，与钻井曲线对比，指导钻井工作。本专利技术的有益效果是：本专利技术鉴于现有的岩性识别方法，基于当前主流图像智能识别领域，首先通过高斯(guass)滤波前处理岩性颗粒图像，利用拉普拉斯算子锐化图像，然后通过sobel方法判别岩性颗粒的边界，通过凸函数获取岩性颗粒边界，通过神经网络方法识别边界内每个像素的类别归属，统计颗粒内石英、长石、岩屑的含量，最终确定录井岩性类型，从而避免了特征提取过程中损失的大量有效信息和人的主观判断对识别结果的影响。附图说明下面结合附图和实施例对本专利技术进一步说明。图1为本专利技术的工作流程图。图2为原始岩性颗粒图像。图3为高斯滤波器处理后的图像。图4为经边缘增强后的岩性颗粒图像。图5为sobel算法边缘检测后的图像。图6为凸函数确定的某一颗粒边缘内部图像。具体实施方式现在结合附图对本专利技术作进一步详细的说明。这些附图均为简化的示意图，仅以示意方式说明本专利技术的基本结构，因此其仅显示与本专利技术有关的构成。如图1～图6所示的一种基于图像识别的录井岩性智能识别方法，包括以下步骤：1)从实验室采集到原始岩性颗粒图像；2)将采集到按原始岩性颗粒图像按已知岩性情况进行分类；3)将已分类的数据集每类取2/3做训练数据集，1/3做测试数据集；4)利用高斯(guass)滤波处理岩性颗粒图像5)用拉普拉斯算子锐化图像；6)采用样本集训练神经网络方法；7)设计测试程序，将测试数据集输入神经网络，测试训练准确度，打印模型识别准确率，当准确率达到一定数值时即可停止训练；8)将识别结果推送给工作人员；9)工作人员根据实际的岩性状况对比神经网络识别结果论证识别结论的正确性修正错误的识别结果；将进行修正过的识别结果构建成新的岩性颗粒图像样本集合；将更新后的岩性颗粒图像样本集合再次训练神经网络方法；通过强化学习过程之后，更新神经网络智能诊断方法。10)采用sobel方法判别颗粒边缘11)采用凸函数方法获得单个岩性颗粒边界12)识别岩性颗粒边界内每个像素所属类别；13)统计每个岩性颗粒内石英、长石、岩屑含量；14)确定每个岩性颗粒的名称。本专利技术鉴于现有的岩性识别方法，基于当前主流图像智能识别领域，首先通过高斯(guass)滤波前处理岩性颗粒图像，利用拉普拉斯算子锐化图像，然后通过sobel方法判别岩性颗粒的边界，通过凸函数获取岩性颗粒边界，通过神经网络方法识别边界内每个像素的类别归属，统计颗粒内石英、长石、岩屑的含量，最终确定录井岩性类型，从而避免了特征提取过程中损失的大量有效信息和人的主观判断对识别结果的影响，构建出一种基于图像识别的录井岩性智能识别方法。以上述依据本专利技术的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项专利技术技术思想的范围内，进行多样的变更以及修改。本项专利技术的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。本文档来自技高网...

【技术保护点】
1.一种基于图像识别的录井岩性智能识别方法，其特征是：包括以下步骤：/n步骤一：构建基于神经网络的矿物类别智能识别方法；/n步骤二：应用上述智能识别方法识别石英、长石、岩屑一类的矿物类别；/n步骤三：智能识别神经网络的强化学习与更新，根据诊断结果更新神经网络方法；/n步骤四：识别岩石颗粒边缘；/n步骤五：利用神经网络方法识别每个颗粒内部矿物类型；/n步骤六：根据岩石名称命名方法对每一个颗粒进行命名。/n

【技术特征摘要】
1.一种基于图像识别的录井岩性智能识别方法，其特征是：包括以下步骤：
步骤一：构建基于神经网络的矿物类别智能识别方法；
步骤二：应用上述智能识别方法识别石英、长石、岩屑一类的矿物类别；
步骤三：智能识别神经网络的强化学习与更新，根据诊断结果更新神经网络方法；
步骤四：识别岩石颗粒边缘；
步骤五：利用神经网络方法识别每个颗粒内部矿物类型；
步骤六：根据岩石名称命名方法对每一个颗粒进行命名。


2.如权利要求1所述的基于图像识别的录井岩性智能识别方法，其特征是：所述的步骤一包含：1)获取岩性颗粒样本集；2)岩性颗粒图像处理；3)拉普拉斯算子锐化；4)构建BP神经网络，进行样本集学习。


3.如权利要求2所述的基于图像识别的录井岩性智能识别方法，其特征是：步骤2)的具体方法为：利用高斯核的一个二维的卷积算子，用于图像去除噪声，二维的高斯函数如下：

。


4.如权利要求2所述的基于图像识别的录井岩性智能识别方法，其特征是：步骤3)的具体方法为：利用拉普拉斯算子锐化图像，提高清晰度、突出细节，

。


5.如权利要求1所述的基于图像识别的录井岩性智能识别方法，其特征是：步骤二中的具体应用方法为：对测试集中的每一个像素点，利用步骤一构建的方法进行石英、长石、岩屑一类矿物的判别。


6.如权利要求1所述的基于图像识别的录井岩性智能识别方法，其特征是：步骤三的具体方法为：1)工作人员根据实际的矿物分布状况对比神经网络识别结果论证识...

【专利技术属性】
技术研发人员：徐慧，祝鹏，雷翔宇，何岩峰，王相，窦祥骥，
申请(专利权)人：常州大学，
类型：发明
国别省市：江苏;32