【技术实现步骤摘要】
一种岩屑类型识别方法、装置、电子设备及存储介质
[0001]本专利技术涉及石油工程领域，具体而言，本专利技术涉及一种岩屑类型识别方法、装置、电子设备及存储介质。
技术介绍
[0002]在油气勘探中，通过岩屑录井识别地层岩性是一种常用的方法，岩屑类型识别鉴定传统的做法是采用人工方式对岩屑进行采集分析，现场人工识别耗时且工作量大，严重依赖现场工程师经验、主观性影响较大，仅通过传统岩屑描述方法已无法满足目前岩屑录井工作需求。
技术实现思路
[0003]本专利技术所要解决的技术问题是提供了一种岩屑类型识别方法、装置、电子设备及计算机存储介质，旨在解决上述至少一个技术问题。
[0004]第一方面，本专利技术解决上述技术问题的技术方案如下：一种岩屑类型识别方法，该方法包括：
[0005]获取待识别岩屑图像；
[0006]将待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到待识别岩屑图像的识别结果；
[0007]其中，岩屑类型识别模型是通过以下方式训练得到的：
[0008]获取训...
【技术保护点】
【技术特征摘要】
1.一种岩屑类型识别方法，其特征在于，包括以下步骤：获取待识别岩屑图像；将所述待识别岩屑图像输入至预先训练好的岩屑类型识别模型，得到所述待识别岩屑图像的识别结果；其中，所述岩屑类型识别模型是通过以下方式训练得到的：获取训练样本，所述训练样本中包括多个类型的样本图像，每张所述样本图像对应一个分类标注结果，多个所述类型包括粗砂岩、粉砂岩、粉砂质泥岩、煤、泥岩、泥岩灰岩、石灰岩、细砂岩和中砂岩；将所述训练样本输入至ResNet34分类网络模型，得到每张所述样本图像的预测分类结果；根据各张所述样本图像的预测分类结果和分类标注结果，确定所述ResNet34分类网络模型的总损失值；在所述总损失值满足预设的模型训练结束条件时，将训练结束时的所述ResNet34分类网络模型作为所述岩屑类型识别模型，若所述总损失值不满足所述模型训练结束条件，调整所述ResNet34分类网络模型的模型参数，根据调整后的模型参数对所述ResNet34分类网络模型进行迭代训练，直到所述总损失值满足所述模型训练结束条件。2.根据权利要求1所述的方法，其特征在于，所述方法还包括：分别对每张所述样本图像进行以下处理，得到多张第三图像，所述以下处理包括：对每张所述样本图像裁剪至设定尺寸，得到多张第一图像；对每张所述第一图像进行水平翻转，得到多张第二图像；对每张所述第二图像进行图像像素亮度归一化处理，得到多张第三图像；所述将所述训练样本输入至ResNet34分类网络模型，得到每张所述样本图像的预测分类结果，包括：分别将每张所述第一图像、每张所述第二图像和每张所述第三图像输入至所述ResNet34分类网络模型，得到每张图像的预测分类结果。3.根据权利要求1所述的方法，其特征在于，所述ResNet34分类网络模型包括特征提取层和ReLU激活函数，所述将所述训练样本输入至ResNet34分类网络模型，得到每张所述样本图像的预测分类结果，包括：对于每张所述样本图像，通过所述特征提取层提取所述样本图像的图像特征；对于每张所述样本图像，将所述样本图像的图像特征输入至所述ReLU激活函数，得到所述样本图像的预测分类结果。4.根据权利要求3所述的方法，其特征在于，所述特征提取层包括依次串联的第一卷积模块、第一残差模块、第二残差模块、第三残差模块和第四残差模块；所述第一卷积模块包括64个7*7的卷积核，所述第一残差模块包括3个串联第二卷积模块，每个所述第二卷积模块包括64个3*3的卷积核；所述第二残差模块包括串联的第三卷积模块和第四卷积模块，所述第三卷积模块包括串联的第一单元和第二单元，所述第一单元包括128个3*3的卷积核，所述第二单元包括128个3*3的卷积核，所述第四卷积模块包括3个第一卷积单元，每个所第一卷积单元包括64个3*3的卷积核和64个3*3的卷积核；
所述第三残差模块包括第五卷积模块和第六卷积模块，所述第五卷积模块包括串联的第三单元和第四单元，所述第三单元包括256个3*3的卷积核，所述第四单元包括256个3*3的卷积核，所述第六卷积模块包括5个第二卷积单元，每个所述第二卷积单元包括256个3*3的卷积核和256个3*3的卷积核；所述第四残差模块包括第七卷积模块和第八卷积模块，所述第七卷积模块包括串联的...
【专利技术属性】
技术研发人员：丁燕，崔猛，汪海阁，伍东，赵飞，史肖燕，崔奕，于洋，汪文智，
申请(专利权)人：中国石油集团工程技术研究院有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。