【技术实现步骤摘要】
本专利技术涉及地质勘探，尤其涉及一种基于深度学习的岩性智能化识别方法及系统。
技术介绍
1、岩性识别是地质勘探和资源开发中至关重要的一环，随着全球各地对新能源和矿产资源的需求持续增长，对地下岩石构造和组成的精准理解显得尤为重要。精确理解地下岩石的构造和组成，不仅可以帮助确定矿产资源的分布和储量，还可以帮助优化资源勘探路径，并减少勘探风险，降低勘探成本，提高资源开发的效率和可持续性。然而，传统的岩性识别方法主要依靠地质学家对岩芯、薄片的目视观察和分析，这种方法不仅耗时耗力，而且受限于专家的个人经验，存在一定的主观性和误差；而现有的基于深度学习的岩性识别方法在岩性属性判别精度上存在局限，且未能充分考虑岩性属性的空间分布规律，容易导致误判或者漏判。
技术实现思路
1、基于此，本专利技术提供一种基于深度学习的岩性智能化识别方法及系统，以解决至少一个上述技术问题。
2、为实现上述目的，一种基于深度学习的岩性智能化识别方法，包括以下步骤：
3、步骤s1：获取原始岩心图像数据；根据原始岩心图像数据进行图像均衡化处理，生成增强岩心图像数据；对增强岩心图像数据进行纹理图像重构处理，生成多尺度岩心纹理图像数据；
4、步骤s2：根据多尺度岩心纹理图像数据进行纹理层次特征提取，生成岩心显著纹理结构特征数据；
5、步骤s3：根据岩心显著纹理结构特征数据进行超像素岩性节点构建，生成超像素岩心节点数据；通过超像素岩心节点数据对增强岩心图像数据进行精细岩层图像分割处
6、步骤s4：基于预设的深度卷积神经网络模型构建智能岩性识别模型；将岩层超像素聚合数据传输至智能岩性识别模型进行目标岩性属性识别，生成目标岩性识别标签数据；
7、步骤s5：利用目标岩性识别标签数据对精细岩层分割图数据进行岩性剖面变形校正，生成三维岩性曲面模型；
8、步骤s6：根据三维岩性曲面模型进行时序岩性演化边界预测，得到预测岩性演化边界数据；对预测岩性演化边界数据进行边界置信度修正处理，生成修正岩性演化边界数据；根据修正岩性演化边界数据进行岩性空间分布模式识别，生成岩性空间分布模式数据。
9、本专利技术通过先进的图像采集技术，获取真实、准确的岩心图像数据，对原始岩心图像进行增强处理，改善图像的整体亮度和对比度，提升图像的视觉效果，突出岩心的纹理细节。对增强岩心图像进行多尺度纹理分析，突出不同尺度下的岩心纹理特征。对多尺度岩心纹理图像进行特征提取，能够获取岩心图像的显著纹理结构信息，包括岩心的纹理方向、纹理粗糙度、纹理对比度等，这些特征能够有效地表示岩心的纹理特征，消除噪声和干扰的影响，增强岩性识别的准确性。通过构建超像素岩性节点，可以将岩心划分为一个个小区域，每个区域具有相似的纹理结构特征，有助于提高岩性识别的精度。接着，通过超像素岩心节点数据对增强岩心图像数据进行精细岩层图像分割处理，能够准确地识别出岩心的不同岩层，获得清晰的岩层边界和结构信息。对精细岩层分割图进行岩层属性聚合分析，能够获取岩层的整体特征，包括岩层的厚度、分布范围、岩性类型等，从而实现更为准确的岩性智能化识别。构建专门用于岩性识别的智能模型，通过对岩层超像素聚合数据的分析和学习，提取岩性识别所需要的深度特征，提升岩性识别的准确性和智能化水平。通过模型的自动识别，可以得到精细岩层分割图数据中每个区域的岩性属性。利用目标岩性识别标签数据，对精细岩层分割图进行岩性剖面变形校正，可以消除岩层在沉积过程中产生的变形和扭曲，重建岩层的真实形状和结构，能够更准确地反映岩层的空间分布和形态。利用时序分析技术，预测岩性演化的边界，可以分析岩性在时间上的变化和演化过程，预测岩性边界在不同时间段的变化趋势，对预测的岩性演化边界进行置信度分析和修正，能够消除预测中的不确定性和噪声影响，提升岩性演化边界的准确性和可靠性，揭示岩性在空间上的排列规律、分布特征和储层结构，为油气勘探和地质研究提供重要依据。因此，本专利技术的一种基于深度学习的岩性智能化识别方法以矿区岩心图像中不同岩性的图像样本为研究对象，开展不同岩性图片纹理特征提取，根据提取的图片纹理特征进行精细化岩层分割，并建立不同岩性图像的岩性智能岩性识别模型，智能识别目标岩层的岩性属性，实现高精度岩性属性快速判别；根据识别的岩性属性进行岩层边界演化预测，分析岩性在空间中的分布模式，提高了资源评估的效率，优化矿物资源的挖掘工艺流程。
10、优选地，步骤s1包括以下步骤：
11、步骤s11：获取原始岩心图像数据；
12、步骤s12：对原始岩心图像数据进行图像颜色空间转换，并进行自适应图像均衡化处理，生成增强岩心图像数据；
13、步骤s13：通过预设的岩心图像滑动窗口规则对岩心纹理响应数据进行邻域像素纹理强度计算，生成岩心纹理分布响应数据；
14、步骤s14：对岩心纹理分布响应数据进行纹理能量空间尺度分解，生成多尺度纹理能量空间数据；
15、步骤s15：利用多尺度纹理能量空间数据对增强岩心图像数据进行纹理图像重构处理，生成多尺度岩心纹理图像数据。
16、本专利技术通过先进的图像采集技术获取真实的岩心图像数据，将原始岩心图像从rgb颜色空间转换为其他颜色空间，以更好地分离和处理图像的颜色和亮度信息。根据图像的局部亮度分布自适应地调整图像的对比度和亮度，提升图像的整体视觉效果和细节表现，有利于增强岩心图像的纹理特征。通过预设的滑动窗口规则扫描和处理岩心图像，确保对图像的每一部分进行分析，提升岩心纹理特征提取的完整性和准确性。通过计算邻域像素的纹理强度，能够分析岩心图像的局部纹理特征，识别出岩心的纹理方向、纹理粗糙度等信息。将纹理特征分解到不同的空间尺度上，能够突出岩心在不同尺度下的纹理细节和结构信息。通过对岩心纹理分布响应数据进行多尺度分析，揭示岩心在不同空间尺度下的纹理特征和能量分布，捕捉到岩心图像的局部和全局纹理信息。对增强岩心图像进行纹理图像重构，增强岩心图像的纹理特征，为岩性智能化识别提供高质量的图像数据。
17、优选地，步骤s2包括以下步骤：
18、步骤s21：根据多尺度岩心纹理图像数据进行纹理层次特征提取，生成纹理层次特征数据；
19、步骤s22：对纹理层次特征数据进行结构张量分析，得到岩心纹理结构张量数据；
20、步骤s23：根据岩心纹理结构张量数据进行局部相位计算，生成纹理局部相位数据；
21、步骤s24：利用纹理局部相位数据对纹理层次特征数据进行多方位相位一致性分析，并进行显著纹理张量投票处理，生成岩心显著纹理结构特征数据。
22、本专利技术对多尺度岩心纹理图像数据进行分析，提取岩心图像的纹理层次特征，可以识别出岩心图像中不同尺度的纹理细节，包括岩心的纹理方向、纹理粗糙度、纹理对比度等。对纹理层次特征数据进行结构张量分析，可以计算岩心图像的结构张量矩阵，包本文档来自技高网...
【技术保护点】
1.一种基于深度学习的岩性智能化识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S1包括以下步骤：
3.根据权利要求2所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S13包括以下步骤：
4.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S2包括以下步骤：
5.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S3包括以下步骤：
6.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S4包括以下步骤：
7.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S5包括以下步骤：
8.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S6包括以下步骤：
9.根据权利要求8所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤S66包括以下步骤：
10.一种基于深度学习的岩性智能化识别系统，其特征在于，用于
...【技术特征摘要】
1.一种基于深度学习的岩性智能化识别方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤s1包括以下步骤：
3.根据权利要求2所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤s13包括以下步骤：
4.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤s2包括以下步骤：
5.根据权利要求1所述的基于深度学习的岩性智能化识别方法，其特征在于，步骤s3包括以下步骤：
6.根据权利要求1所述的基于深度学习的...
【专利技术属性】
技术研发人员：任潇洒，史维鑫，葛天助，刘军媛，孙华峰，郭东旭，
申请(专利权)人：自然资源实物地质资料中心，
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。