【技术实现步骤摘要】
一种基于机器学习的页岩异常孔缝识别方法
[0001]本专利技术涉及图像处理
,具体涉及一种基于机器学习的页岩异常孔缝识别方法。
技术介绍
[0002]随着人工智能技术越来越成熟,近年来,以深度学习为代表的智能识别方法在地质和岩石行业有了广泛的应用,页岩图像中孔缝类型的自动识别对于研究页岩孔缝及流体渗流的变化规律具有重要作用,根据从图像中提取的轮廓特征,将现有的孔缝类型分为有机质孔,有机质缝,无机质孔,无机质缝,但在实际应用中,由于人工操作失误或仪器故障等原因,图像制样过程中会产生异常孔缝,若不对异常孔缝进行单独识别处理,将会对孔隙度和渗透率的计算结果产生较大误差。
[0003]目前对图像异常孔缝类检测的方法主要有两种,一类是采用阈值分割的方法,对不同亮度的图像划分不同的阈值提取孔隙,并通过孔隙的颜色,形状和纹理等信息进行具体分类,这类方法的局限性在于需要人为设定分类标准,只适用于特定样本。另一类是采用语义分割的方法,通过将样本和标签数据传入到指定的网络框架中进行训练,选取训练效果最佳的模型来对孔隙进行自动识别,有较好的泛化能力,但是标签数据中缺少异常孔隙标签,人工打点需要具有一定专业知识且特别费时,同时语义分割是对像素点进行分类,可能导致同一轮廓出现多种分类结果,使得这类识别算法的准确率不高。
技术实现思路
[0004]针对现有技术中的上述不足,本专利技术提供的一种基于机器学习的页岩异常孔缝识别方法解决了现有图像孔隙自动分割准确率不高的问题。
[0005]为了达到上述专利技术目的 ...
【技术保护点】
【技术特征摘要】
1.一种基于机器学习的页岩异常孔缝识别方法,其特征在于,包括以下步骤:S1、将岩石图片和标签图片进行预处理,得到训练集和测试集;S2、采用训练集和测试集训练DeepLabv3+模型,得到训练完成的DeepLabv3+模型;S3、采用训练完成的DeepLabv3+模型对待识别图片进行识别,得到像素点分类结果数组;S4、对待识别图片进行分割,得到图片上所有的孔缝轮廓集合;S5、根据孔缝轮廓集合和像素点分类结果数组,找到异常孔缝轮廓。2.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法,其特征在于,所述步骤S1包括以下分步骤:S11、将岩石图片和标签图片进行切割,得到尺寸为512*512的岩石图片和标签图片;S12、对512*512的标签图片进行标记,得到标记图片;S13、将512*512的岩石图片和标记图片划分为训练集和测试集。3.根据权利要求2所述的基于机器学习的页岩异常孔缝识别方法,其特征在于,所述步骤S12具体为:对512*512的标签图片中分布在R(120
‑
255)、G(0
‑
100)、B(0
‑
100)的红色像素点像素值标记为1;对512*512的标签图片中分布在R(200
‑
255)、G(200
‑
255)、B(0
‑
150)的黄色像素点像素值标记为2;对512*512的标签图片中分布在R(0
‑
100)、G(200
‑
255)、B(200
‑
255)的蓝色像素点像素值标记为3;对512*512的标签图片中分布在R(0
‑
100)、G(120
‑
255)、B(0
‑
100)的绿色像素点像素值标记为4;对512*512的标签图片中其他的像素点像素值标记为0。4.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法,其特征在于,所述步骤S2中训练DeepLabv3+模型的损失函数为:其中,L为损失函数,y
t
为对应图片的DeepLabv3+模型预测结果数组,y
hat
为对应图片的标签图片样本数组,c为类别标记值,β为调节因子,“==”为计算数组中与c值相等的结果,sum()为统计数组中为类别c的像素点个数。5.根据权利要求1所述的基于机器学习的页岩异常孔缝识别方法,其特征在于,所述步骤S2中训练DeepLabv3+模型的权重公式为:其中,θ
i+1
为第i+1次训练的权重,θ
i
为第i次训练的权重,lr为学习率,为第i次训练的真实标签值,h
i
为第i次训练的DeepLabv3+模型实际输出值,x
i
为第i次训练的DeepLabv3+模型输入的样本数据。
6.根据权利要求1所述...
【专利技术属性】
技术研发人员:陈雁,杨志平,邓伟,闫天宇,李鹏旗,严兆,李洋冰,马立涛,
申请(专利权)人:西南石油大学,
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。