基于深度学习的荧光自动录井系统及其检测方法技术方案

本发明专利技术公开了一种基于深度学习的荧光自动录井系统及其检测方法，系统由工业相机、紫光灯管、移动终端、云端服务器组成，所述工业相机用于拍摄岩屑样本图像，所述灯管用于照射岩屑样本，所述移动终端用于控制工业相机、紫光灯管以及发送与接收图像数据，所述云端服务器用于实现岩屑样本图像处理与分析。其效果是：一方面通过深度学习图像处理的语义分割技术，检测岩屑荧光颜色和亮度，进行荧光定量分析；另一方面将深度学习算法部署在云端服务器，方便荧光录井人员可以随时通过移动设备进行荧光录井工作，保证算法分析效率及精度，提高工作效率。作效率。作效率。

【技术实现步骤摘要】
基于深度学习的荧光自动录井系统及其检测方法


[0001]本专利技术涉及石油勘探和图像处理，语义分割、深度学习领域，具体涉及基于深度学习的荧光自动录井系统及其检测方法。

技术介绍

[0002]自录井技术发展至今，已形成岩屑录井、气测录井、荧光录井等一系列的现代化综合录井。其中荧光录井是石油勘探中初步寻找油气显示层段的最简便、直观、实用的一种有效方法。荧光录井技术目前仍作为钻井过程中检测石油的一种常用方法，它是通过荧光灯照射样品，用肉眼直接观察来描述荧光产状、颜色和强度，而后确定是否含油及级别(吴胜和，蔡正旗，施尚明.油矿地质学.北京：石油工业出版社，2011：22
‑
69)。这种方法只能定性解释，且有很大的局限性。
[0003]因此急需研发定量荧光录井系统，以较好地解决常规荧光录井肉眼观察无法识别的荧光且受人为因素影响等一些难题，实现定量解释,更有利于荧光波长处于400nm以下的轻质油的发现和识别。

技术实现思路

[0004]本专利技术的目的在于克服现有技术的不足，对此提出一种基于深度学习的荧光自动录井系统及其检测方法，将深度学习图像处理的语义分割技术运用于荧光录井中，满足定量荧光录井需求。同时也充分利用人工智能给人类带来的便利，降低了人力资源的消耗。
[0005]为了实现上述目的，本专利技术所采用的具体技术方案如下：
[0006]本专利技术提供一种基于深度学习的荧光自动录井系统及其检测方法，其关键在于：由相机模组、荧光灯管、移动终端、云端服务器组成，所述相机模组用于拍摄岩屑样本图像，所述荧光灯管用于照射岩屑样本，所述移动终端用于控制工业相机、紫光灯管以及发送与接收图像数据，所述云端服务器用于实现岩屑样本图像处理与分析。
[0007]本专利技术首先提供一种基于深度学习的荧光自动录井系统，其由相机模组、紫光灯管、移动终端、云端服务器组成，所述相机模组用于拍摄岩屑样本图像，所述紫光灯管用于照射岩屑样本，所述移动终端用于控制相机模组、紫光灯管以及发送与接收图像数据，所述云端服务器用于实现岩屑样本图像处理与分析。
[0008]优选地，所述相机模组，具有曝光、增益、饱和度和锐度参数的调节功能。具体地，所述相机模组采用迈德威视MV
‑
SUA1600C工业摄像头。
[0009]在一个实施方式中，所述紫光灯管采用365nm波长紫光灯管。
[0010]优选地，所述的移动终端为手机或平板电脑，通过无线或有线例如USB与相机模组进行通信。操作人员能在移动终端上调整相机模组的开关以及相机参数，比如：曝光时间、模拟增益、饱和度以及锐度等。
[0011]在一个实施方式中，所述云端服务器，内置有基于深度学习的荧光检测算法，通过处理与分析图片，进行荧光检测。优选地，所述基于深度学习的荧光检测算法采用
Deeplabv3算法。
[0012]更具体地，所述用Deeplabv3算法为：在原Deeplabv3网络结构中，采用Resnet作为主干特征提取网络，并加入高效通道注意力模块、注意力类别特征模块。
[0013]其中，所述高效通道注意力模块为：首先在有效特征层A上使用全局平均池化操作获取特征向量A1，再对特征向量A1使用k大小的一维卷积核进行卷积，并经过Sigmoid激活函数得到最终的特征向量A2，最后将有效特征层A与特征向量A2对应位置元素进行乘积，得到最终的有效特征层B；其中k通过通道维度c的映射自适应地确定，用公式表示为
[0014][0015]其中γ＝2，b＝1；
[0016]所述注意力类别特征模块具体为，在加入了高效通道注意力模块的主干特征提取网络，完成特征提取后的有效特征层M上，计算属于类别的像素的平均概率再将计算结果与属于该类别的所有像素概率值相乘获得特征层，并把特征层连接到有效特征层M中，最后通过ASPP结构进行加强特征提取得到最终有效特征。
[0017]作为进一步描述，所述的部署在云端服务器中的改进后的Deeplabv3算法，主要进行了如下改进：
[0018]①
在原Deeplabv3网络结构中，采用Resnet作为主干特征提取网络，并加入高效通道注意力模块(ECANet)。即首先在有效特征层A上使用全局平均池化操作获取特征向量A1，再对特征向量A1使用k大小的一维卷积核进行卷积，并经过Sigmoid激活函数得到最终的特征向量A2，最后将有效特征层A与特征向量A2对应位置元素进行乘积，得到最终的有效特征层B；其中k通过通道维度c的映射自适应地确定，用公式表示为其中γ＝2，b＝1。该结构有效地实现了跨通道交互，用于辅助基础网络提高分割性能，提升了原模型的精度；
[0019]②
在原Deeplabv3网络结构中，在主干特征提取网络完成特征提取后，加入注意力类别特征模块(ACFNet)，即在加入了高效通道注意力模块的Resnet主干特征提取网络，完成特征提取后的有效特征层M上，计算属于类别的像素的平均概率再将计算结果与属于该类别的所有像素概率值相乘获得特征层，将特征层连接到有效特征层M中，最后通过ASPP结构进行加强特征提取；
[0020]最终对神经网络的输出结果进行整理，其中将图像像素点数据分成三类，分别为非岩屑样本的背景、未产生明显荧光的岩屑样本、产生明显荧光的岩屑样本。所选择的检测指标为所有岩屑样本中产生明显荧光的岩屑样本所占比例，即通过下述公式1计算出该图像中岩屑荧光在整个岩屑样本中的占比，以反映出该岩屑样本的荧光量：
[0021][0022]其中，N
w
×
h
是图像的像素点总数，N
f
是产生明显荧光的岩屑样本的像素点总数，N
b
是非岩屑样本的像素点总数。
[0023]结合上述系统，本专利技术还提供了一种基于深度学习的岩屑荧光检测方法，主要包括以下步骤：
[0024]S1：在进行荧光检测时，移动终端会通过有线或无线的方式例如USB获取相机模组拍摄的岩屑图像，或者获取移动终端本地相册中的岩屑图像；
[0025]S2：将岩屑图像通过网络发送给云端服务器。
[0026]S3：通过部署在云端服务器中的改进后的Deeplabv3算法，分析岩屑样本区域，生成预测结果；
[0027]S4：服务器返回预测结果，发送给移动终端进行展示。
[0028]本专利技术在现有荧光录井技术的基础上，充分运用了人工智能技术，一方面通过深度学习图像处理的语义分割技术，检测岩屑荧光颜色和亮度，进行荧光定量分析。另一方面将深度学习算法部署在云端服务器，方便荧光录井人员可以随时通过移动设备进行荧光录井工作，保证算法分析效率及精度，提高工作效率。因此本专利技术提供的智能定量荧光录井系统，能够较好地解决常规荧光录井肉眼观察无法识别的荧光且受人为因素影响等一些难题，实现定量解释,更有利于荧光波长处于400nm以下的轻质油的发现和识别。
附图说明
[0029]图1为本专利技术的系统原理框图。
[00本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的荧光自动录井系统，其特征在于：由相机模组、紫光灯管、移动终端、云端服务器组成，所述相机模组用于拍摄岩屑样本图像，所述紫光灯管用于照射岩屑样本，所述移动终端用于控制相机模组、紫光灯管以及发送与接收图像数据，所述云端服务器用于实现岩屑样本图像处理与分析。2.根据权利要求1所述的基于深度学习的荧光自动录井系统，其特征在于：所述相机模组，具有曝光、增益、饱和度和锐度参数的调节功能。3.根据权利要求1所述的基于深度学习的荧光自动录井系统，其特征在于：所述紫光灯管采用365nm波长紫光灯管。4.根据权利要求1所述的基于深度学习的荧光自动录井系统，其特征在于：所述的移动终端为手机或平板电脑，通过无线或有线例如USB与相机模组进行通信。5.根据权利要求1所述的基于深度学习的荧光自动录井系统，其特征在于：所述云端服务器，内置有基于深度学习的荧光检测算法，通过处理与分析图片，进行荧光检测。6.根据权利要求5所述的基于深度学习的荧光自动录井系统，其特征在于：所述基于深度学习的荧光检测算法采用Deeplabv3算法。7.根据权利要求6所述的基于深度学习的荧光自动录井系统，其特征在于：所述用Deeplabv3算法为：在原Deeplabv3网络结构中，采用Resnet作为主干特征提取网络，并加入高效通道注意力模块、注意力类别特征模块。8.根据权利要求7所述的基于深度学习的荧光自动录井系统，其特征在于：所述高效通道注意力模块为：首先在有效特征层A上使用全局平均池化操作获取特征向量A1，再对特征向量A1使用k大小的一维卷积核进行卷积，并经过Sigmoid激活函数得到最终的特征向量A2，最后...

【专利技术属性】
技术研发人员：陈现军，郭书生，白林坤，赵训杰，董振国，
申请(专利权)人：中海石油中国有限公司海南分公司，
类型：发明
国别省市：