System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于石油勘探开发领域岩石物理参数表征,具体涉及一种基于深度学习的页岩孔隙类型检测与分类方法及系统。
技术介绍
1、全球科技正朝着数字化、信息化、智能化方向迅速发展,油气勘探开发智能化已经成为行业前沿热点和发展趋势,有望大幅度提高油气勘探开发作业效率和质量,降低成本和风险,提升复杂油气藏的勘探开发水平。随着储层非均质性的增强,储层的岩石结构参数和属性参数也随之变得更加多样和复杂,常规的岩石物理实验手段难以对页岩油、页岩气等纳米级孔隙结构的岩石物性参数进行精细表征。页岩孔隙是油气赋存和运移的重要通道,研究页岩孔隙对页岩油气资源评价和勘探开发具有重要意义。近些年,数字岩心技术发展越来越广泛,为复杂岩性和非常规的岩石物理研究提供了一种新的有效手段。在数字岩心的基础上,采用深度学习算法,对页岩油的孔隙类型进行自动识别,探索非常规储层数字岩心智能表征的新方法和新技术。而传统的页岩孔隙类型识别一般分为两种方法,一种是依靠人工肉眼检测,上述方法过于依赖操作人员的主观意识,且处理效率低;另一种方法是依靠传统图像处理方法,但其算法泛化性能不强,针对不同类型的页岩扫描电镜图片需要用不同的图像处理方法,鲁棒性差。
技术实现思路
1、为了克服上述现有技术的缺点,本专利技术的目的在于提供一种基于深度学习的页岩孔隙类型检测与分类方法及系统,用以解决人工肉眼检测过于依赖操作人员的主观意识,且处理效率低;依靠传统图像处理方法,其算法泛化性能不强,针对不同类型的页岩扫描电镜图片需要用不同的图像处理方法,鲁棒
2、为了达到上述目的,本专利技术采用以下技术方案予以实现:
3、本专利技术提供了一种基于深度学习的页岩孔隙类型检测与分类方法,包括以下步骤:
4、获取页岩扫描电镜sem图像;
5、基于页岩扫描电镜sem图像,利用预先训练的页岩孔隙类型识别模型进行页岩孔隙检测与分类,得到目标的类型及其边界框的位置;
6、基于目标的类型及其边界框的位置采用非极大值抑制法预测最优的目标对象。
7、本专利技术进一步,所述非极大值抑制法根据分类器的类别分类概率做排序,通过迭代形式,以最大得分的边界框与其他边界框进行iou操作,选出iou大于预设值的边界框,去除小于预设值的边界框,重复进行直至标记完所有大于预设值的边界框,得到预测最优的目标对象。
8、本专利技术进一步,所述页岩孔隙类型检测与分类模型的构建方法包括:
9、s1:制作页岩扫描电镜sem图像孔隙数据集,所述页岩扫描电镜sem图像孔隙数据集将数据分为有机孔隙、无机孔隙两类;
10、s2:基于页岩扫描电镜sem图像,利用k-means算法生成先验框,并根据损失函数做边界框的回归和目标所属类别的分类;
11、s3:构建主干特征提取网络用以提取输入图像的特征;
12、s4:主干特征提取网络先在coco数据集上预训练,进行特征提取,获得预训练权重,在页岩扫描电镜sem图像孔隙数据集上基于yolov3深度卷积神经网络模型进行微调训练,得到预先训练的所述页岩孔隙类型检测与分类模型。
13、本专利技术进一步,所述s2中,所述k-means算法中的模型采用adam优化器优化求解模型;
14、所述k-means算法在页岩扫描电镜sem图像孔隙数据集内进行聚类分析;所述k-means算法统计目标框的长和宽,通过观察选择k个初始聚类中心点,逐一计算所有数据对象到各个聚类中心点的距离,之后将数据对象分配给距离最短的集合。
15、本专利技术进一步,所述s3中,所述主干特征提取网络分为5个stage,每一级输入的特征图尺寸为上一级输入的特征图尺寸的1/2;所述5个stage的数量比为1:2:8:8:4。
16、本专利技术进一步,所述s3中,所述构建主干特征提取网络提取输入图像的特征的具体步骤如下:
17、s31:输入图像;所述输入的图像会通过一个步长为2的卷积层进行一次下采样,特征图大小减半;随后特征图会通过第一个stage,第一个stage的数量为1,此时特征图的大小为原输入图像的1/2,即2倍下采样;
18、s32:接下来进入第二个stage之前,特征图会先通过一个步长为2的卷积层进行一次下采样,特征图大小减半,随后特征图会进入第二个stage中继续提取特征,第二个stage的数量为2,此时特征图的大小为原输入图像的1/4,即4倍下采样;
19、s33:在特征图进入第三个stage之前,特征图会先通过一个步长为2的卷积层进行一次下采样,特征图大小减半,随后特征图会进入第三个stage中继续提取特征,第三个stage的数量为8,此时特征图的大小为原输入图像的1/8,即8倍下采样;
20、s34:在特征图进入第四个stage之前,特征图会先通过一个步长为2的卷积层进行一次下采样,特征图大小减半,随后特征图会进入第四个stage中继续提取特征,第四个stage的数量为8,此时特征图的大小为原输入图像的1/16,即16倍下采样;
21、s35:当特征图进入到主干特征提取网络的最后一个stage时,特征图会先通过一个步长为2的卷积层进行一次下采样,特征图大小减半,随后特征图会进入第五个stage中继续提取特征,第五个stage的数量为4,此时特征图的大小为原输入图像的1/32,即32倍下采样,最后输出的特征图进入检测模块进行预测。
22、本专利技术进一步,所述主干特征提取网络还包括特征融合模块;
23、所述特征融合模块由若干个1×1和3×3卷积层组成,先对特征图通过1×1卷积降低其通道数之后,再通过3×3卷积操作,最后通过1×1卷积调整回原先的输入通道数;
24、输入图像,每个分支共享从主干特征提取网络中提取的特征,并对原输入图像的1/32,1/16分辨率的分支进行两倍上采样操作,将上采样后的特征层与浅特征层进行级联,在3个尺度的融合特征图上分别作独立的检测。
25、本专利技术进一步,所述s4中,所述微调训练的具体步骤如下:
26、s41:微调训练,训练最后三层分类层;
27、s42:解冻训练,训练全部层;
28、s43:训练数据集输出的损失函数值小于等于阈值或达到设置的最大迭代次数时停止训练,并保留训练好的模型权重。
29、一种页岩孔隙类型检测与分类系统,包括:
30、获取模块,用于获取页岩扫描电镜sem图像;
31、识别模块,用于基于页岩扫描电镜sem图像,利用预先训练的页岩孔隙类型识别模型进行页岩孔隙检测与分类,得到目标的类型及其边界框的位置;
32、预测模块,用于基于目标的类型及其边界框的位置采用非极大值抑制法预测最优的目标对象。
33、本专利技术进一步,所述预测模块中,所述非极大值抑制法根据分类器的本文档来自技高网...
【技术保护点】
1.一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述非极大值抑制法根据分类器的类别分类概率做排序,通过迭代形式,以最大得分的边界框与其他边界框进行IOU操作,选出IOU大于预设值的边界框,去除小于预设值的边界框,重复进行直至标记完所有大于预设值的边界框,得到预测最优的目标对象。
3.根据权利要求1所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述页岩孔隙类型检测与分类模型的构建方法包括:
4.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述S2中,所述K-means算法中的模型采用Adam优化器优化求解模型;
5.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述S3中,所述主干特征提取网络分为5个stage,每一级输入的特征图尺寸为上一级输入的特征图尺寸的1/2;所述5个stage的数量比为1:2:8:8:4。
6.根据权利要
7.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述主干特征提取网络还包括特征融合模块;
8.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述S4中,所述微调训练的具体步骤如下:
9.一种页岩孔隙类型检测与分类系统,其特征在于,包括:
10.根据权利要求9所述的一种页岩孔隙类型检测与分类系统,其特征在于,所述预测模块中,所述非极大值抑制法根据分类器的类别分类概率做排序,通过迭代形式,以最大得分的边界框与其他边界框进行IOU操作,选出IOU大于预设值的边界框,去除小于预设值的边界框,重复进行直至标记完所有大于预设值的边界框,得到预测最优的目标对象。
...【技术特征摘要】
1.一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述非极大值抑制法根据分类器的类别分类概率做排序,通过迭代形式,以最大得分的边界框与其他边界框进行iou操作,选出iou大于预设值的边界框,去除小于预设值的边界框,重复进行直至标记完所有大于预设值的边界框,得到预测最优的目标对象。
3.根据权利要求1所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述页岩孔隙类型检测与分类模型的构建方法包括:
4.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述s2中,所述k-means算法中的模型采用adam优化器优化求解模型;
5.根据权利要求3所述的一种基于深度学习的页岩孔隙类型检测与分类方法,其特征在于,所述s3中,所述主干特征提取网络分为5个stage,每一级输入的特征图尺寸为上一级输入的特征...
【专利技术属性】
技术研发人员:毕飞宇,肖占山,赵建斌,张永浩,崔式涛,魏博,方朝强,夏阳,张陈珺,李慧莹,郑秋实,宋戴雷,
申请(专利权)人:中国石油天然气集团有限公司,
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。