结合图像识别与光谱分析的含水岩石智能岩性识别方法技术

本发明专利技术提供了结合图像识别与光谱分析的含水岩石智能岩性识别方法，包括步骤1：获取原始随钻岩屑图像与岩石红外光谱数据；步骤2：对原始岩屑图像进行图像预处理；步骤3：进行岩屑样品图像特征提取并进行归一化处理；步骤4：使用Filter法对含水岩石光谱数据进行特征选择并进行归一化处理；步骤5：基于二重迁移特征融合卷积神经网络，结合岩屑样品图像特征与岩石光谱数据构建岩屑特征分析模型；步骤6：结合岩屑特征与岩石光谱数据建立岩性模板库；步骤7：进行岩性判别。本发明专利技术能更准确地在录井过程中进行岩性识别，提高油气资源的勘探开发效率。提高油气资源的勘探开发效率。提高油气资源的勘探开发效率。

【技术实现步骤摘要】
结合图像识别与光谱分析的含水岩石智能岩性识别方法


[0001]本专利技术涉及油气钻井测量领域，尤其涉及结合图像识别与光谱分析的含水岩石智能岩性识别方法。

技术介绍

[0002]在油气资源的勘探开采过程中，岩屑录井作为一种重要的录井技术，能够直观、及时地评价地下岩石的岩性、含油气性并建立地层剖面，为地质油藏及钻井工程提供可靠的基础资料。岩屑录井的质量严重影响了油气显示识别与储层评价的准确性，进而也影响了后续的资源开发进程。
[0003]随着钻井技术的全面发展，硬度高且耐磨性好的PDC钻头已经成为一种广泛使用的钻井破岩工具。但由于PDC钻头对岩石的高破碎程度，使得钻井过程中产生的岩屑颗粒极为细小，再难以通过肉眼进行辨认，“远观颜色，近看岩性”的传统人工描述岩屑的方法变得越来越难以奏效，使得油气资源勘探效率大大降低。

技术实现思路

[0004]为解决
技术介绍
中的问题，本专利技术提供了结合图像识别与光谱分析的含水岩石智能岩性识别方法。该方法通过将图像特征识别与光谱分析方法相结合，运用二重迁移特征融合卷积神经网络构建了一种综合岩性特征判定模型，更准确地在录井过程中进行岩性识别，提高油气资源的勘探开发效率。
[0005]光谱检测技术因为其检测快速、准确以及无损检测的特点，得到了广泛的运用,在地下的含水岩石根据岩性不同，其含水特征也有所不同，通过对钻井过程中采集的含水岩石光谱数据进行光谱分析，可以在录井过程中对岩性进行辅助判别。
[0006]结合图像识别与光谱分析的含水岩石智能岩性识别方法的具体步骤如下：
[0007]步骤1：获取原始随钻岩屑图像与岩石红外光谱数据。将采集到的岩屑颗粒样本经光学放大镜放大以后，由高分辨率摄像机进行拍摄并将拍摄得到的图像保存在计算机中。红外光谱数据由对岩屑样本进行吸收光谱测量或在钻井过程中随钻采集。
[0008]步骤2：对原始岩屑图像进行图像预处理。以一个函数集合为{Um}，m＝0,1,2.....n，的正交小波包对图像低频部分和高频部分都进行分解。小波包算法：设于是再将相应的分解系数跟阈值比较并进行量化，分解算法为：
[0009]通过求
[0010][0011][0012]其中，g
n
为小包波分解函数，d为待分解信号，μ为图像均值，a、b为设置的分解系数，t是图像点，j、n、k是用来表示序号及分解层数。
[0013]最后进行图像重构，重构算法为：
[0014]通过求
[0015][0016]其中h、g是设置的重构系数，l、k用来表示分解层数。
[0017]通过处理过的系数合成新的图像，去除原始图像中含有的噪声。岩屑图像在经小波包去噪后，使用Laplace算子对图像进行锐化处理，来使图像更加清晰并突出细节。在经锐化处理后，设置权值公式为：
[0018]Gray＝0.3*R+0.59*G+0.11*B
[0019]其中，Gray为图像灰度，R、G、B为红绿蓝三原色。
[0020]通过均值法将图像转化为灰度图，方便后续图像特征提取。
[0021]步骤3：进行岩屑样品图像特征提取并进行归一化处理。步骤三基于局部灰度统计量来进行纹理特征提取，设立以[f(i,j)]M
×
N
为图像窗口，L为灰度等级，h(l)为窗口区域的归一化直方图。采用的纹理特征如下：
[0022]灰度均值μ：
[0023]峰度KUR：
[0024]偏度KUP：
[0025]能量均值比PMR：PMR＝σ/μ
[0026]对比度CNT：
[0027]直方图熵A
H
:
[0028]直方图不变矩特征f1,f2,f3：将h(l)的k阶中心矩归一化：求得三个具有位移和比例不变性的直方图不变矩特征f1,f2,f3：
[0029]f1＝η2/η1,f2＝η2/(η1η3),
[0030]其中M、N为图像的行数和列数，σ是标准差，h(l)是窗口区域，w决定函数横向的伸缩，E是矩，由人为设置，η是将h(l)的k阶中心矩归一化后的值。
[0031]步骤4：使用Filter法对含水岩石光谱数据进行特征选择并进行归一化处理。红外
吸收光谱法基于朗伯比尔定律：
[0032][0033]即吸光度A与透射率T成反比，与溶液厚度b和浓度c成正比，k为摩尔吸光系数，它与吸收物质的性质及入射光的波长λ有关。地下岩石在地下水的渗透作用下有着一定的含水特征，根据岩性的不同，其含水特征也不同，通过对含水岩石的红外光谱进行光谱分析，可以判别出其含水特征的特点并与其岩性联系起来。
[0034]选用Filter型的依赖性度量法进行特征选择，通过分析不同岩性的岩石在不同含水特征下的近红外光谱数据，找到光谱特征变量与其含水特征之间的联系，为后续模型建立提供基础数据。提取峰面积、峰高、半高宽、左肩宽度、右肩宽度、左右肩宽比共计6个初始特征变量，特征变量归一化公式如下：
[0035][0036]该归一化公式是将原始数据矩阵的各元素减去该元素所在列的最小值后再除以该列元素的极差。
[0037]步骤5：基于二重迁移特征融合卷积神经网络，结合岩屑样品图像特征与岩石光谱数据构建岩屑特征分析模型。运用二重迁移特征融合学习方法，进行了两次特征抽取学习，其一是基于预训练的深度迁移学习框架(DDC)，其二是直接在目标数据集上训练的卷积神经网络(CNN)，将两个特征融合为一个新特征，训练了一个新的分类器。
[0038]该方法的具体训练算法流程为：
[0039]输入：样本数据集D
f
与目标数据集D
t
这两个数据集中的标签样本。
[0040]输出：目标数据集D
t
样本的类别。
[0041]Ⅰ：在样本数据集D
f
上预训练k个基础源模型网络；
[0042]Ⅱ：根据基于预训练的DDC深度迁移学习方法对Ⅰ中得到的基础源模型网络分别在目标数据集D
t
上进行网络适配学习，获得k个通用特征提取器G
fk
；
[0043]Ⅲ：将目标数据集D
t
样本x
i
(i＝1,2...n)输入到Ⅱ得到的网络模型中，经过通用特征提取器时输出得到通用特征向量
[0044]Ⅳ：对Ⅲ所得到的通用特征进行降维处理，得到低维的通用特征
[0045]Ⅴ
：在目标数据集D
t
上预训练一个深度CNN模型，得到一个特殊特征提取器G
t
；
[0046]VI：将目标数据集D
t
样本x
i
(i＝1,2...n)输入到Ⅱ得到的网络模型，经过特殊特征提取器输出得到特殊特征向量G
t
(x
i
)；
[0047]Ⅶ
：将Ⅲ中降维得到的通用特征向量和步骤六中的特殊特征向量按本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.结合图像识别与光谱分析的含水岩石智能岩性识别方法，其特征在于，包括以下步骤：步骤1：获取原始随钻岩屑图像与岩石红外光谱数据；将采集到的岩屑颗粒样本经光学放大镜放大以后，由高分辨率摄像机进行拍摄并将拍摄得到的图像保存在计算机中，对岩屑样本进行吸收光谱测量，或在钻井过程中随钻采集，以获得红外光谱数据；步骤2：对原始岩屑图像进行图像预处理；步骤3：进行岩屑样品图像特征提取并进行归一化处理；步骤4：对含水岩石光谱数据进行特征选择并进行归一化处理；步骤5：构建岩屑特征分析模型；构建岩屑特征分析模型是基于二重迁移特征融合卷积神经网络得到的，在构建岩屑特征分析模型时结合岩屑样品图像特征与岩石光谱数据，运用二重迁移特征融合学习方法，进行了两次特征抽取学习，其一是基于预训练的深度迁移学习框架，其二是直接在目标数据集上训练的卷积神经网络，将两个特征融合为一个新特征，训练了一个新的分类器；步骤6：结合岩屑特征与岩石光谱数据建立岩性模板库；步骤7：进行岩性判别。2.根据权利要求1所述的结合图像识别与光谱分析的含水岩石智能岩性识别方法，其特征在于，其中所述的步骤2中对原始岩屑图像进行图像预处理的方式包括，锐化处理和转化为灰度图，其算法如下：以一个函数集合为{U
m
}，m＝0,1,2.....n，的正交小波包对图像低频部分和高频部分都进行分解，小波包算法：设于是再将相应的分解系数跟阈值比较并进行量化，分解算法为：通过求求求其中，g
n
为小包波分解函数，d为待分解信号，μ为图像均值，a、b为设置的分解系数，t是图像点，j、n、k是用来表示序号及分解层数；最后进行图像重构，重构算法为：通过求求其中h、g是设置的重构系数，l、k用来表示分解层数；通过处理过的系数合成新的图像，去除原始图像中含有的噪声，岩屑图像在经小波包去噪后，使用Laplace算子对图像进行锐化处理，来使图像更加清晰并突出细节，在经锐化处理后，设置权值公式为：
Gray＝0.3*R+0.59*G+0.11*B其中，Gray为图像灰度，R、G、B为红绿蓝三原色；最后通过均值法将图像转化为灰度图。3.根据权利要求1所述的结合图像识别与光谱分析的含水岩石智能岩性识别方法，其特征在于，其中所述的步骤3中，进行岩屑样品图像特征提取并进行归一化处理的算法如下：基于局部灰度统计量来进行纹理特征提取，设立以[f(i,j)]
M<...

【专利技术属性】
技术研发人员：杨毅，毛敏，曹阳，陈伟，姬建飞，
申请(专利权)人：中法渤海地质服务有限公司，
类型：发明
国别省市：